Minecraft - это игра в жанре песочницы с открытым миром, который практически полностью состоит из блоков, а точнее из кубов. Благодаря своей специфической физике, позволяющей создавать различные конструкции, Minecraft отчасти можно назвать строительным симулятором, но только аркадным.
Как оказалось, такая особенность игры (речь идет о возможности строительства) может быть неплохим "фундаментом" для создания адаптивных моделей искусственного интеллекта (ИИ), способных решать разного рода задачи.
Согласно информации от New Scientist, команде ученых из Витватерсрандского университета, расположенного в ЮАР, удалось разработать в игре эталонный тест, который позволит определять общий уровень интеллекта моделей ИИ. Он получил название MinePlanner и может использоваться для оценки способности ИИ игнорировать несущественные детали в процессе решения сложной, многоэтапной задачи.
Стивен Джеймс — один из участников команды, заявил о том, что довольно часто в процессе обучения ИИ, этот самый ИИ облегчает себе работу, делясь с моделью абсолютно всей информацией, не пропуская ни одного этапа. Данный подход действительно может быть полезен, к примеру, во время создания программного обеспечения, необходимого для выполнения конкретной задачи (составление прогноза погоды или моделирование свертывания белков). Если говорить об универсальном искусственном интеллекте (AGI), то в таком случае от лишней работы лучше все-таки избавляться.
MinePlanner состоит из 15 задач, непосредственно связанных с процессом строительства. Они делятся на 3 уровня сложности: легкий, средний и тяжелый. В общей сложности в MinePlanner присутствует 45 заданий. Для выполнения каждого задания, ИИ придется осуществить промежуточные шаги, что-то вроде постройки лестницы для размещения блоков на определенной высоте. Это требует от ИИ умения отвлекаться от проблемы и планировать дальнейшие действия для достижения цели.
Во время проведения экспериментов с современными моделями планирующего ИИ, а это ENHSP и Fast Downward, которые предназначены для выполнения последовательных операций для достижения общей цели, оказалось, что ни одна из моделей не сумела решить хотя бы одну сложную задачу. Fast Downward справился лишь с одной задачей среднего уровня, а также с пятью задачи легкого уровня. ENHSP в этом плане более успешен, так как, ему "покорились" практически все легкие задачи (одну решить он все же не смог), а также многие задачи средней сложности, столкнувшись с трудностями лишь в двух из них.