Minecraft non è solamente noto come il videogioco di maggior successo nella storia; si sta rivelando anche una risorsa preziosa per lo sviluppo di intelligenze artificiali capaci di adattarsi e affrontare una varietà di sfide similmente agli esseri umani. Steven James dell’Università del Witwatersrand, insieme ai suoi colleghi, ha introdotto un innovativo benchmark denominato MinePlanner all’interno di Minecraft. Questo strumento è progettato per valutare le capacità delle intelligenze artificiali di districarsi tra complessità e dettagli irrilevanti, per risolvere problemi articolati attraverso vari passaggi.
Convenzionalmente, l’addestramento delle IA si concentra sull’impartire al sistema tutte le informazioni necessarie per eseguire un determinato compito, escludendo elementi superflui. Questo metodo, sebbene efficace per lo sviluppo di software specializzati come quelli destinati alla previsione meteorologica o al ripiegamento delle proteine, non si addice alla creazione di un’intelligenza artificiale generale (AGI), secondo quanto affermato da James.
La sfida del superamento dei limiti attuali dell’Intelligenza Artificiale
L’obiettivo di James e del suo team è quello di indirizzare i futuri sviluppi dell’IA verso la risoluzione di problemi più complessi. MinePlanner costringe l’intelligenza artificiale a navigare in un ambiente ricco di elementi di disturbo, imparando a distinguere autonomamente ciò che è essenziale da ciò che non lo è.
Il test si compone di 15 sfide di costruzione, ognuna proposta in livelli di difficoltà crescente (facile, medio, difficile), sommando un totale di 45 compiti. Questi esercizi richiedono all’IA di effettuare azioni intermedie, come costruire scale per raggiungere altezze specifiche, spingendola a pianificare strategie a lungo termine per il raggiungimento degli obiettivi.
Nell’ambito di test condotti con i modelli di pianificazione IA ENHSP e Fast Downward, entrambi programmi open-source dedicati alla gestione di sequenze operative per il conseguimento di obiettivi generali, i risultati hanno mostrato limiti significativi. Fast Downward è riuscito a completare unicamente uno dei problemi di livello medio e cinque di quelli facili, mentre ENHSP ha mostrato prestazioni leggermente superiori, risolvendo tutti i problemi facili ad eccezione di uno e tutti quelli medi tranne due. James sottolinea l’importanza di sviluppare sistemi di intelligenza artificiale che non richiedano interventi umani dettagliati per ogni problema da risolvere, evidenziando l’essenzialità di questa ricerca per il progresso verso un’IA veramente autonoma e adattabile.