അന്താരാഷ്ട്രം 7-ൽ 6
അന്താരാഷ്ട്രം Science ശാസ്ത്രം & സാങ്കേതികവിദ്യ

അറ്ററാക്സോസ് എന്ന നിർമിതബുദ്ധി സ്ട്രാറ്റിഗോയിലെ ഏറ്റവും നേട്ടങ്ങളുള്ള മനുഷ്യ താരത്തെ തോൽപ്പിച്ചതായി നേച്ചർ പ്രബന്ധം

2026 സെപ്റ്റംബർ 30ന് നേച്ചറിൽ പ്രസിദ്ധീകരിച്ച പ്രബന്ധം സ്ട്രാറ്റിഗോ എന്ന ബോർഡ് യുദ്ധക്കളിക്കായുള്ള അറ്ററാക്സോസ് എന്ന നിർമിതബുദ്ധിയെ പരിചയപ്പെടുത്തുന്നു. മറഞ്ഞിരിക്കുന്ന വിവരങ്ങളുടെ വ്യാപ്തി കാരണം സ്ട്രാറ്റിഗോ ഒരു വലിയ വെല്ലുവിളിയായി കരുതപ്പെടുന്നുവെന്നും, ദശലക്ഷക്കണക്കിന് ഡോളർ ചെലവിട്ട വ്യാവസായിക ഗവേഷണങ്ങൾക്കു ശേഷവും മികച്ച മനുഷ്യ താരങ്ങളുടെ നിലവാരം നിർമിതബുദ്ധിക്ക് എത്തിപ്പിടിക്കാനായിരുന്നില്ലെന്നും പ്രബന്ധകർത്താക്കൾ പറയുന്നു. 20 കളികളുള്ള പരമ്പരയിൽ, പ്രബന്ധത്തിൽ എക്കാലത്തെയും ഏറ്റവും നേട്ടങ്ങളുള്ള സ്ട്രാറ്റിഗോ താരമെന്ന് വിശേഷിപ്പിക്കുന്ന പിം നീമെയറെ അറ്ററാക്സോസ് 15 ജയം, 1 തോൽവി, 4 സമനില എന്ന നിലയിൽ തോൽപ്പിച്ചു. ഇത് തങ്ങളുടെ അറിവിൽ ഈ കളിയുടെ ചരിത്രത്തിലെ ആദ്യ മനുഷ്യാതീത നേട്ടമാണെന്നും അറ്ററാക്സോസിനെ പരിശീലിപ്പിക്കാൻ ആയിരക്കണക്കിന് ഡോളർ മാത്രമേ ചെലവായെന്നും പ്രബന്ധകർത്താക്കൾ പറയുന്നു. സ്വയം-കളി ബലപ്പെടുത്തൽ പഠനത്തിനും കളിസമയ തിരയലിനുമുള്ള അതേ രീതികൾ ഉപയോഗിച്ച് ബാരേജ് സ്ട്രാറ്റിഗോയ്ക്കായി മനുഷ്യാതീത നിർമിതബുദ്ധിയും ഹനാബി, ഡൗ ഡിഷു എന്നിവയ്ക്കായി മുൻനിര നിർമിതബുദ്ധികളും സംഘം നിർമിച്ചു. നേച്ചർ വാല്യം 658, പേജ് 55-59ൽ പ്രസിദ്ധീകരിച്ച പ്രബന്ധത്തിന്റെ കർത്താക്കൾ കാർണഗി മെലൻ യൂണിവേഴ്‌സിറ്റി, ന്യൂയോർക്ക് യൂണിവേഴ്‌സിറ്റി, സ്റ്റാൻഫഡ് യൂണിവേഴ്‌സിറ്റി, മസാച്യുസെറ്റ്സ് ഇൻസ്റ്റിറ്റ്യൂട്ട് ഓഫ് ടെക്‌നോളജി എന്നിവിടങ്ങളിലുള്ളവരാണ്.

നിർമിതബുദ്ധി സംവിധാനം: Ataraxos പിം നീമെയറിനെതിരായ പരമ്പര ഫലം: 15 wins, 1 loss and 4 draws in a 20-game series മറ്റു കളികൾ: Barrage Stratego, Hanabi, dou dizhu ജേണൽ: Nature, volume 658, pages 55-59
പരീക്ഷയ്ക്ക് എന്തുകൊണ്ട് പ്രധാനം: കളികളിലെ നിർമിതബുദ്ധി നാഴികക്കല്ലുകളും പൂർണ-അപൂർണ വിവരങ്ങൾ തമ്മിലുള്ള വ്യത്യാസവും ശാസ്ത്ര-സാങ്കേതിക കറന്റ് അഫയേഴ്‌സിൽ ചോദിക്കാറുണ്ട്.
Kerala PSCUPSC
1 ഒക്ടോബർ 2026 ഉറവിടം: Nature

പദങ്ങൾ

Imperfect information Imperfect information — ചെസ്സിലും ഗോയിലും പോലെ മുഴുവൻ സ്ഥിതിയും കാണാനാകുന്നതിന് വിപരീതമായി, ചില കളിക്കാർക്ക് മറ്റുള്ളവർക്കില്ലാത്ത വിവരങ്ങൾ ഉള്ള സ്ഥിതിയെ സൂചിപ്പിക്കുന്ന പദം.

Self-play reinforcement learning Self-play reinforcement learning — രേഖപ്പെടുത്തിയ മനുഷ്യ കളികൾക്കെതിരെയല്ല, സ്വന്തം പതിപ്പുകൾക്കെതിരെ ആവർത്തിച്ച് കളിച്ച് പ്രോഗ്രാം മെച്ചപ്പെടുന്ന പരിശീലന രീതി.

ഫോണിൽ ഇടത്തോട്ടോ വലത്തോട്ടോ സ്വൈപ്പ് ചെയ്ത് അടുത്ത വാർത്തയിലേക്ക് പോകാം.