Desde muy pronto en la historia de la computación, los videojuegos han sido considerados como campo de pruebas para la demostración de habilidades cognitivas superiores en ordenadores. La victoria de AlphaGo sobre Lee Sedol (campeón mundial de Go) en 2017 es la culminación de un proceso que incluye los éxitos de Deep Blue en ajedrez contra Kasparov en 1996, IBM Watson en el programa de televisión “Jeopardy” en 2011. Un viaje que comenzó con el ahora simple aprendizaje por memorización Arthur Samuel en damas hace casi 6 décadas.

A pesar del éxito demostrado en dichas competiciones, los algoritmos de inteligencia artificial empleados suelen recibir dos críticas: falta de generalidad (muy buenos en un área pero inútiles fuera) y simplicidad de los escenarios (generalmente reducidos a turnos, con informacion completa, con un número reducido de acciones disponibles).

El principal obstáculo que impedía la utilización de escenarios más complejos es la enorme complejidad que supone considerar cálculos que incluyan escenarios en tiempo real. Con la intensificada capacidad computacional paralela traída por las GPUs a principios de esta década, estos escenarios se hicieron más tratables -el deep en deep learning lo otorga esta intensidad, o profundidad, de cálculo. Junto con la sofistificacion de tecnicas de aprendizaje conocidas desde hace tiempo (redes neuronales), pronto equipos de investigación demostraron que no solo era posible diseñar algoritmos para controlar agentes en juegos complejos en tiempo real, sino que estos eran capaces de mejorar el rendimiento de hasta los mejores jugadores humanos (Dota 2 y Starcraft II son solo dos ejemplos).

La crítica a la falta de generalidad ha sido el objetivo de intensa investigación. En la actualidad hay diversos frameworks con competiciones asociadas en los que se insta a crear algoritmos de aprendizaje que sean capaces de rendir no solo en un dominio, sino en múltiples. OpenAI, Gym, Retro Games o Arcade Learning Environment son solo algunos ejemplos que facilitan el avance en inteligencia artificial general en juegos en tiempo real. Mención especial merece la red neuronal diseñada por el equipo de DeepMind (basada en Deep-Q-Learning, una forma de reinforcement learning que combina el uso de deep neural networks), en el que juega a 29 juegos de la clásica consola Atari, en muchos de ellos superando a los mejores jugadores humanos.

Los videojuegos no sólo son útiles por el mero hecho de competir. Investigación en IA en videojuegos ha sido utilizada para investigación robótica (estudio de locomoción), búsqueda de bugs o más recientemente para facilitar el desarrollo de datasets en tareas de clasificación útiles en conducción autónoma.

Los límites de la IA son inciertos, pero lo que parece claro es que es un campo con mucha atención y que va a atraer mucho talento e inversión. En la VIU hemos creado un máster de IA para preparar a los profesionales del futuro en la excitante tarea de imitar tareas cognitivas superiores en modelos computacionales, y quien sabe, quizás superarlas.

Autor

Carlos Fernández Musoles

Director del Máster de Inteligencia Artificial Universidad Internacional de Valencia (VIU)