Spelarnas inmatningar tränar modeller för att navigera i den fysiska världen

Ett brittiskt startupföretag använder spelarinmatningar som data för att träna modeller som kan navigera i den fysiska världen. Tekniken utnyttjar spelarens handlingar för att förbättra systemets förmåga att interagera med omgivningen.

En ny metod utvecklas av ett brittiskt startupföretag där spelarinmatningar används som träningsdata för modeller som kan navigera i den fysiska världen. Istället för traditionella metoder, där data samlas in genom simuleringar eller robotexperiment, utnyttjar företaget de stora mängderna data som genereras av spelare när de interagerar med virtuella miljöer.

Denna approach bygger på idén att spelare ofta utför komplexa och intuitiva handlingar i spelvärldar. Dessa handlingar kan inkludera allt från att undvika hinder till att lösa pussel, vilket ger en rik källa till information om hur man interagerar med en miljö. Genom att analysera dessa inmatningar kan modellen lära sig att förutsäga och reagera på olika situationer.

Företaget menar att detta är ett innovativt sätt att träna modeller som behöver navigera i komplexa, oförutsägbara miljöer. Traditionella metoder kan vara tidskrävande och dyra, medan speldata redan finns tillgänglig i enorma mängder. Dessutom kan spelarnas ”dodgy gaming skills”, alltså deras mindre perfekta eller improviserade handlingar, bidra med värdefull information om hur man hanterar oväntade situationer.

Denna teknik har potentiella tillämpningar inom en rad områden, inklusive robotik, självkörande fordon och virtuell verklighet. Genom att lära sig av spelarnas handlingar kan dessa system bli mer flexibla och anpassningsbara till den fysiska världen.

Originalartikel: https://www.wired.com/story/the-next-evolution-of-ai-is-learning-from-your-dodgy-gaming-skills/