Une intelligence artificielle capable de vous battre au casse brique

Une intelligence artificielle capable de vous battre au casse brique

DeepMind Technologies, une société londonienne appartenant à Google, a créé une intelligence artificielle inédite baptisée DQN capable d’apprendre à jouer par elle-même et progresser aux jeux vidéo sans indication spécifique des développeurs.

DQN brille au casse-brique et d’autres jeux « simples »…

Les intelligences artificielles sont monnaie courante dans le domaine des jeux vidéo, mais la plupart sont livrés avec une maîtrise du jeu auxquels ils se destinent, une liste des décisions optimales et un accès aux parties sauvegardées.

DQN diffère dans la mesure où son moteur n’a obtenu aucune direction spécifique à l’avance. À lui d’assimiler les règles, d’apprendre les subtilités du jeu, et adapter sa stratégie en fonction de ses expériences avec un seul objectif : maximiser son score. Par rapport aux autres, conçus pour un seul jeu et ses quelques variantes, DQN est capable de s’attaquer à des jeux variés.

Il a ainsi été testé sur les quelque 49 jeux disponibles sur la console Atari 2600 des années 80, où, dans près de 60 % des cas, il a réussi à réaliser 75 % du score d’un bon joueur humain. Ses résultats sont particulièrement élevés dans les jeux au principe simple, dont l’indémodable casse-briques, désigné comme une des meilleurs jeux pour une IA.

Pour rappel, le jeu consiste à renvoyer une bille au moyen d’une barre horizontale afin de détruire les briques (ou autres objets) qui apparaissent à l’écran. Ses algorithmes ont permis à DQN de s’illustrer dans Breakout, où elle a trouvé rapidement la technique infaillible : se débarrasser des briques situées sur les côtés afin de « coincer » la balle dans la partie supérieure de l’écran et maximiser le nombre de briques cassées en quelques frappes.

Il a également montré sa puissance dans d’autres jeux tels que le flipper ou Space Invaders ; le fonctionnement étant relativement simple dans un environnement à faible résolution qui minimise le volume de pixels à analyser, il est plus facile d’exploiter des formules mathématiques pour déterminer quelle action entreprendre et faire exploser le compteur.

… mais peine pour des jeux plus complexes

En revanche, DQN, comme la plupart des intelligences artificielles, a plus de mal avec les jeux aux mécaniques plus complexes. Celle qui requièrent par exemple d’élaborer une stratégie à long terme, de prendre un grand nombre de facteurs en compte, ou d’analyser des environnements complexes, en particulier en 3D. À sa partie sur Montezuma’s Revenge, jeu de puzzle-aventure, l’IA a même dû se contenter d’un score nul et termine à la dernière place du classement.

Pour les jeux d’aventure, de simulation ou de stratégie, les performances de DQN sont largement inférieures à celles des humains. Il faudra patienter pour que les capacités de l’algorithme permettent au programme de définir des solutions plus sophistiquées.

Le but ultime derrière le développement évolutif des capacités d’apprentissage par l’IA est de lui permettre de fonctionner et de construire des modèles d’une manière la plus proche possible du cerveau humain et à terme, d’autoriser des usages dans des domaines sensibles comme l’imagerie médicale ou la conduite automatisée.