Le 深度學習，或稱為深度學習，是一種基於神經網絡的機器學習方法。與遵循預定指令的其他形式的人工智能相比，使用深度學習的系統能夠自我學習。因此，它們可以根據其環境和出現的各種情況進行調整並創造行為。在電子遊戲的世界中，早在數十年前就已存在一些人工智能的形式。然而，今天最引人注目的例子涉及基於深度學習的人工智能，標誌著理解這些智能如何自我學習和演變的重要一步。
彼得·威登的經歷：與《寶可夢紅》進行 50,000 小時的學習
為了更好地理解深度學習的運作並研究人工智能的行為，一位名為 彼得·威登的內容創作者在一款經典遊戲《寶可夢紅》中進行了一項實驗。他訓練了一個人工智能在這款遊戲中持續 50,000 小時，以觀察它如何在一個未知且充滿挑戰的世界中生存。威登創建的人工智能首先開始探索環境，捕捉寶可夢並隨著行動進步。它甚至成功擊敗了遊戲中的第一位道館館主布洛克，但僅僅是因為它最後一個可用的攻擊是泡沫，對岩石類寶可夢有效。然而，這個人工智能的冒險很快便變得複雜：它在黑暗洞窟這個迷宮般的地方被困住，該地點的路徑過於相似。因此，這個人工智能未能到達位於藍城的第二個道館。
在《寶可夢紅》中人工智能的優勢和劣勢
雖然指出這個人工智能的失誤很容易，但同樣重要的是強調它的優點。例如，與可能難以破解遊戲隨機性秘密的人類玩家不同，這個人工智能成功識別了一個優化捕捉機會的技巧。威登發現他的人工智能在從小霞鎮，即遊戲中第一個村莊出發時，始終採用同一條奇怪的路線。實際上，這條路徑讓它能用一個精靈球捕捉下一隻寶可夢，從而節省了寶貴的資源。彼得·威登進行的這項實驗向我們展示了向基於深度學習的人工智能傳達明確目標的難度，即使這些目標已經清楚界定。此外，它突顯了這些智能的內在限制：雖然它們能夠學習和適應各種情況，但它們仍無法與人類在解決某些複雜問題時的智力相比。
朝著更好理解深度學習的方向
彼得·威登與《寶可夢紅》的實驗為理解深度學習的運作及當今的人工智能所面臨的挑戰提供了一個有趣的例子。儘管自早期電子遊戲中的人工智能範例以來，它們無疑已經走了很長的路，但在這些系統能真正達到與人類思考和創造力相媲美的水平之前，仍然有許多步驟需要跨越。還可以在各種背景和領域中進行其他類似的實驗，以更好地了解基於深度學習的人工智能的學習和適應能力。因此，不斷推進研究和測試以不斷改善這些人工智能變得至關重要，也許有一天能夠成功創建超越當前深度學習限制的系統。
