Große Sprachmodelle (LLMs) haben in den letzten Jahren enorme Fortschritte gemacht. Die Messlatte für ihre Fähigkeiten wird ständig höher gelegt, um selbst die neuesten Modelle herauszufordern. Doch trotz dieser rasanten Entwicklung gibt es Bereiche, in denen LLMs weiterhin erhebliche Schwächen zeigen. Eine besonders hartnäckige Herausforderung ist das Spielen von Videospielen.

Obwohl es einzelne Erfolge gibt – so konnte beispielsweise eine Version von Googles Gemini in der Lage war, Pokemon Blau zu bewältigen – bestätigen diese Ausnahmen eher die Regel. Selbst in diesen Fällen agierten die KIs deutlich langsamer als menschliche Spieler, begingen immer wieder seltsame und repetitive Fehler und benötigten spezialisierte Software, um ihre Interaktion mit dem Spiel zu steuern. Es fehlt ihnen schlichtweg an dem intuitiven Verständnis und der Anpassungsfähigkeit, die menschliche Spieler auszeichnen.

Julian Togelius, Direktor des Game Innovation Lab der New York University und Mitbegründer des KI-Spieletestunternehmens Modl.ai, hat in einer aktuellen Studie die Implikationen dieser Schwächen von LLMs im Bereich Videospiele untersucht. Im Gespräch mit IEEE Spectrum erläuterte er, welche Rückschlüsse sich aus dem mangelnden Spieltalent der KIs auf den breiteren Stand der Künstlichen Intelligenz ziehen lassen.

Ein wesentlicher Punkt ist die fehlende Fähigkeit zur effektiven Planung und zum strategischen Denken. Videospiele erfordern oft komplexe Entscheidungen, die auf einer Kombination aus kurzfristigen Zielen und langfristigen Strategien basieren. LLMs hingegen neigen dazu, sich auf unmittelbare Belohnungen zu konzentrieren, ohne die Konsequenzen ihrer Handlungen langfristig zu berücksichtigen. Sie analysieren zwar Spielzüge, aber es fehlt an kreativen, neuen Strategien.

Ein weiterer Faktor ist die mangelnde Fähigkeit zur Generalisierung. LLMs können zwar auf der Grundlage von Trainingsdaten bestimmte Spielmuster erkennen und imitieren, sie haben aber Schwierigkeiten, diese Muster auf neue Situationen oder Spiele zu übertragen. Ein menschlicher Spieler kann hingegen schnell die Regeln eines neuen Spiels erfassen und eine Strategie entwickeln, die auf seinem allgemeinen Verständnis von Spielmechaniken basiert.

Die Schwierigkeiten von LLMs im Bereich Videospiele verdeutlichen, dass Künstliche Intelligenz noch einen weiten Weg vor sich hat, bevor sie menschliche Intelligenz in allen Bereichen erreichen kann. Sie zeigen, dass das bloße Verarbeiten großer Datenmengen nicht ausreicht, um komplexe Probleme zu lösen, die ein tiefes Verständnis der Welt und die Fähigkeit zur kreativen Problemlösung erfordern. Die Forschung konzentriert sich nun darauf, KIs mit mehr Intuition und Kreativität auszustatten, damit sie in der virtuellen Welt und darüber hinaus bestehen können. Die Grenzen der LLMs in Spielen sind somit ein wertvoller Indikator für die noch bestehenden Herausforderungen in der KI-Forschung.