NadiAIGlobal AI news. Concise. Clear. Easy to follow.
Menurut OpenAI, mereka membina bot yang menewaskan pemain profesional terkemuka dalam perlawanan 1v1 Dota 2 mengikut peraturan kejohanan standard. Bot itu belajar permainan dari awal melalui self-play tanpa menggunakan imitation learning atau carian pokok.
OpenAI melancarkan inisiatif baharu untuk membantu mengesan dan menampal pepijat dalam perisian sumber terbuka. Menurut laporan TechCrunch AI, usaha itu bertujuan menangani isu keselamatan dalam komuniti sumber terbuka.
Menurut OpenAI, sistem Dota 2 mereka menggunakan self-play dan dalam kira-kira sebulan meningkat dari hampir menyamai pemain berperingkat tinggi kepada mengalahkan profesional teratas. Berbanding pembelajaran mendalam berpenyelia yang terikat kepada set data latihan, data self-play bertambah secara automatik selaras dengan peningkatan agen.
OpenAI mengeluarkan dua implementasi baru dalam repositori Baselines: ACKTR dan A2C. Menurut OpenAI, A2C ialah varian sinkron dan deterministik bagi A3C dengan prestasi setara, manakala ACKTR lebih cekap dalam penggunaan sampel berbanding TRPO dan A2C dengan sedikit tambahan pengiraan setiap kemas kini.
OpenAI mengeluarkan algoritma bernama Learning with Opponent-Learning Awareness (LOLA) yang mengambil kira bahawa agen lain juga sedang belajar. Algoritma ini dapat menemui strategi kolaboratif tetapi mementingkan diri sendiri, seperti tit-for-tat dalam dilema banduan berulang (iterated prisoner’s dilemma).
Kajian OpenAI menunjukkan bahawa self-play membolehkan agen simulasi mempelajari kemahiran fizikal seperti menolak, menunduk, berpura-pura, menendang, menangkap dan menyelam tanpa reka bentuk khusus. Self-play mengekalkan tahap cabaran yang sesuai untuk peningkatan, dan hasil serupa dalam Dota 2 memberi keyakinan bahawa teknik ini mungkin penting untuk sistem AI berkuasa masa depan.
Teknik robotik baru membolehkan pengawal yang dilatih sepenuhnya dalam simulasi berfungsi pada robot fizikal dan memberi tindak balas terhadap perubahan tidak dijangka dalam persekitaran. Kaedah ini menghasilkan sistem gelung tertutup berbanding sistem gelung terbuka sebelum ini.
OpenAI News melaporkan pendekatan melatih rangkaian neural jarang menggunakan regularisasi L₀. Laporan itu menerangkan kaedah teknikal untuk menggalakkan unsur jarang dalam model sambil menilai implikasi terhadap prestasi.
OpenAI mengeluarkan kernel GPU dioptimumkan untuk arkitektur rangkaian neural dengan berat block-sparse. Bergantung pada sparsiti, kernel ini boleh berjalan berpuluh kali ganda lebih pantas daripada cuBLAS atau cuSPARSE dan telah digunakan untuk analisis sentimen serta pemodelan generatif teks dan imej.
OpenAI menerbitkan satu kumpulan baharu yang mengandungi tujuh masalah penyelidikan belum terselesa. Isu-isu itu dikumpul daripada pengalaman dan cabaran yang timbul dalam kerja penyelidikan dalaman OpenAI.
OpenAI membina sistem yang menentukan objek yang dimaksudkan oleh sesuatu perkataan dengan menilai sama ada perkataan itu milik setiap daripada kira-kira 100 'jenis' yang ditemui secara automatik. Jenis-jenis itu bukan eksklusif, jadi perkataan boleh dimiliki oleh beberapa kategori serentak.
OpenAI mencadangkan kaedah yang menggalakkan AI mengajar satu sama lain menggunakan contoh yang juga masuk akal kepada manusia. Kaedah ini memilih secara automatik contoh paling informatif untuk menerangkan sesuatu konsep dan eksperimen awal menunjukkan ia berkesan mengajar model AI.