Dedicar miles de horas a jugar a Grand Theft Auto puede que no resulte demasiado productivo para los humanos, pero podría servir para hacer bastante más inteligentes a los ordenadores.

Varios grupos de investigación están empleando el enormemente popular videojuego, que incluye coches rapidísimos y varias actividades moralmente cuestionables, para entrenar algoritmos que podrían lograr que un coche autónomo circule por una carretera de verdad.

Hay pocas probabilidades de que un ordenador aprenda malos comportamientos jugando a violentos videojuegos. Pero el paisaje increíblemente realista de Grand Theft Auto y otros mundos virtuales podría ayudar a una máquina a percibir elementos del mundo real de forma correcta.

Una técnica conocida como aprendizaje automático está haciendo que los ordenadores empiecen a hacer cosas impresionantes, como identificar caras y reconocer el habla con la misma destreza que un humano. Pero el enfoque requiere enormes cantidades de datos etiquetados, y puede resultar complicado y engorroso recopilarlos. El paisaje de muchos juegos es tan increíblemente realista que puede ser empleado para generar datos tan buenos como los que se generan mediante imágenes del mundo real.

Foto: Una imagen de Grand Theft Auto en la que varios elementos han sido anotados automáticamente. Crédito: Rockstar.

Algunos investigadores ya construyen simulaciones en 3D con motores de juegos para generar datos de entrenamiento para sus algoritmos (ver Jugar a videojuegos te puede hacer más listo, si eres una inteligencia artificial). Sin embargo, los videojuegos que incluyen horas de imágenes fotorrealistas podrían proporcionar una manera más fácil de recopilar grandes cantidades de datos de entrenamiento.

Un equipo de investigadores de Intel Labs y Darmastadt University (Alemania) ha desarrollado una ingeniosa forma de extraer útiles datos de entrenamiento a partir de Grand Theft Auto.

Los investigadores crearon una capa de software que se instala entre el juego y el hardware del ordenador, y clasifica automáticamente diferentes objetos de las escenas de carretera que muestra el viedojuego. Esto proporciona etiquetas que sirven para alimentar un algoritmo de aprendizaje automático, permitiendo así que reconozca coches, peatones y otros objetos, tanto dentro del videojuego como en una calle real. Según un trabajo publicado recientemente por el equipo, sería prácticamente imposible que las personas etiqueten todas las escenas manualmente con un nivel de detalle similar. Los investigadores también dicen que las imágenes de entrenamiento reales pueden ser mejoradas al añadir imágenes artificiales.

Foto: El software escanea una escena de carretera y asigna nombres de etiqueta (el panel lateral de la imagen) a objetos como la calzada, la acera o un edificio. Crédito: Rockstar.

Uno de los grandes retos de la inteligencia artificial (IA) es saciar la sed de datos de los algoritmos de aprendizaje automático más potentes. Esto resulta especialmente problemático para tareas del mundo real como la conducción autónoma. Se tardan miles de horas en recopilar imágenes de calles reales, y hacen falta miles más para etiquetarlas. También resulta poco práctico captar cada escenario posible de la vida real, como la colisión de un coche contra un muro de ladrillos a gran velocidad.

"Anotar datos del mundo real representa una operación cara y los enfoque actuales no se escalan con facilidad", apunta el alumno de doctorado de la Universidad de Columbia Británica (Canadá) Alizera Shafaei, que es coautor de un trabajo reciente que demuestra cómo los videojuegos pueden ser empleados para entrenar un sistema de visión de máquinas. En algunos casos, lo logra con la misma eficacia que con datos reales. Junto con su consejero, el profesor adjunto Mark Schmidt, Shafaei demostró que los videojuegos también pueden proporcionar una manera fácil de variar las condiciones medioambientales dentro de los datos de entrenamiento.

"Con entornos artificiales, podemos recopilar sin esfuerzo datos etiquetados a una escala mayor con una cantidad considerable de variación en la iluminación y los parámetros climáticos", asegura Shafaei. El experto continúa: "Demostramos que estos datos sintéticos son casi tan buenos, o a veces incluso mejores, que los datos reales para el entrenamiento".

Los investigadores de IA ya emplean sencillos juegos para probar las capacidades de aprendizaje de sus algoritmos (ver La inteligencia artificial de Google juega al Space Invaders mejor que los humanos y 'Minecraft' se convierte en una olimpiada para entrenar máquinas inteligentes). Pero existe un creciente interés en el uso de escenas de videojuegos para alimentar datos de entrenamiento visual. Un grupo de la Universidad de Johns Hopkins en Baltimore (EEUU), por ejemplo, está desarrollando una herramienta que puede ser empleada para conectar un algoritmo de aprendizaje automático con cualquier entorno construido mediante el popular motor de juegos Unreal. Esto incluye juegos como KiteRunner y Hellblade, pero también muchas visualizaciones arquitectónicas espectaculares.

Rockstar Games, el estudio responsable de la franquicia de Grand Theft Auto, rehusó la oportunidad de realizar comentarios.