Trò chơi chiến thuật nổi tiếng với những trận chiến giữa các chủng tộc ngoài hành tinh có thể sẽ giúp các nhà sinh thái học nghiên cứu về sự sống trên Trái Đất.
Lou Barbe không cho mình là một game thủ thực thụ. Là một nhà sinh thái học tại Đại học Rennes, Pháp, anh dành phần lớn thời gian của mình với các loài thực vật. Nhưng vẫn có một trò chơi đã chiếm lấy cảm tình của anh từ khi còn nhỏ: StarCraft, dòng game chiến thuật nổi tiếng mà trong đó người chơi tích lũy tài nguyên và xây dựng những binh đoàn ngoài hành tinh để giao tranh trên những khu vực ngoài vũ trụ. “Tôi không phải là người chơi hay”, Barbe nói, “Nhưng đủ để tôi hiểu điều gì đang diễn ra trong game.”
Trong khi đang chơi StarCraft II - phiên bản mới nhất của dòng game này - vài năm trước, Barbe nhận ra rằng, ngoài những vụ nổ hay tia laser, có thứ gì đó khác đang diễn ra. StarCraft có gì đó giống một hệ sinh thái. Barbe nói: “Chúng ta có một môi trường. Chúng ta có tài nguyên. Chúng ta có các sinh thể đang cạnh tranh trong môi trường. Đó là định nghĩa cơ bản về một hệ sinh thái.”
Barbe khi đó tạm bỏ qua ý tưởng này. Rồi đến năm 2019, khi DeepMind, công ty nghiên cứu trí tuệ nhân tạo của Alphabet, đưa ra một AI có tên gọi AlphaStar và cho nó thi đấu với những người chơi StarCraft II hàng đầu trên thế giới. AlphaStar đã chơi tốt hơn 99,8% người chơi, đạt thứ hạng Grandmaster - xếp hạng cao nhất trong tựa game này, và đồng thời bổ sung một chiến thắng nữa vào “phòng danh hiệu” của những AI.
Và khi đó, Barbe nhận ra rằng, sức mạnh của AlphaStar có thể vượt lên việc thao túng người ngoài hành tinh trên một ngôi sao giả tưởng. Nếu StarCraft hoạt động giống như một hệ sinh thái, có thể các thuật toán phục vụ chơi game sẽ giúp ích cho việc nghiên cứu các vấn đề sinh thái học trên Trái Đất.
Viết trên tạp chí Trends in Ecology and Evolution vào năm 2020, Barbe, cùng với các nhà sinh thái khác từ Đại học Rennes và Đại học Brigham Young, đã giải thích về khả năng quản lý các chức năng phức tạp, đa chiều của StarCraft có thể được chuyển đổi để kiểm nghiệm những ý tưởng về các mô hình sinh thái trong thế giới thực, điều rất khó khăn với các mô hình truyền thống. Ví dụ như, các nhà sinh thái đã có thể triển khai AlphaStar trên các bản đồ StarCraft được thiết kế theo sự phân phối tài nguyên thực, nhằm tạo kiểu mẫu về cách các sinh thể khác nhau phản ứng với những xáo trộn như có loài xâm lấn hay mất môi trường sống.
Thuật toán của AlphaStar, theo lời Barbe, có thể đã vô tình trở thành mô hình sinh thái tinh vi nhất từ trước tới nay.
Ý tưởng này là một phần trong xu hướng gần đây trong ngành sinh thái học về việc sử dụng các công cụ trí tuệ nhân tạo mạnh mẽ để phân tích các vấn đề môi trường. Dù không phổ biến trong 15 hay 20 năm trước đây, các nhà khoa học cho biết các ứng dụng của AI trong ngành đang bùng lên thời gian gần đây, từ việc phân biệt các loài hoang dã cho tới dự đoán nạn gia tăng bọ rùa trong những cánh rừng thông. Các nhà sinh học nghĩ những công cụ AI, kết hợp với khả năng thu thập lượng lớn dữ liệu về Trái Đất, có thể điều chỉnh cách nghiên cứu các hệ sinh thái và tăng khả năng dự đoán cách chúng thay đổi. Những thuật toán phức tạp như AlphaStar - thường là được phát triển với mục đích ban đầu không liên quan gì tới sinh thái học - có thể giúp những nghiên cứu như vậy tiến xa.
“Hầu hết các mô hình sinh thái học là quá nhỏ bé nếu so sánh với sự phức tạp của một số hệ thống trí tuệ nhân tạo”, Ben Abbott, nhà sinh thái học từ Đại học Brigham Young, đồng tác giả nghiên cứu cho biết. “Chúng ta thực ra mới chỉ đang dùng phần nổi của những gì cách tiếp cận này có thể đáp ứng.”
Gây dựng nhà vô địch
Với những nhà nghiên cứu AI, StarCraft II đã đưa ra thách thức ghê gớm kể từ khi nó được ra mắt vào năm 2010. Cũng như cờ vua hay cờ vây, người chơi StarCraft điều khiển các đơn vị khác nhau để tấn công địch thủ, nhưng họ cũng chọn vị trí và thời điểm để thu thập tài nguyên, hay khi nào cần tạo đơn vị mới, hoặc lựa chọn đơn vị nào cho mình, và nhiều yếu tố phức tạp khác. Để so sánh, khi mà một lượt trong cờ vua có khoảng 35 nước đi khả thi, còn cờ vây thì ở khoảng 200 - 250 khả năng, thì với StarCraft II, con số đó là 10^26 (100 triệu tỉ tỉ khả năng). Thêm vào đó, không như những trò chơi dạng “đầy đủ thông tin”, nơi mà người chơi có thể thấy toàn bộ không gian trò chơi, thì StarCraft được chơi trên bản đồ lớn, mà mỗi người chơi chỉ có thể quan sát một phần. Chưa dừng lại ở đó, độ phức tạp của trò chơi cũng gia tăng (với cả con người và AI) khi người chơi sẽ điều khiển 1 trong 3 chủng tộc ngoài hành tinh - Terran, Protoss hoặc Zerg, với điểm mạnh và điểm yếu riêng.
Để tạo ra một AI có khả năng chiến thắng những người chơi StarCraft II giỏi nhất, các nhà nghiên cứu tại DeepMind đã sử dụng các kỹ thuật học máy để rèn luyện cho AlphaStar. Đầu tiên, họ tạo ra một nhóm các AI được đào tạo (train) sử dụng dữ liệu từ hàng trăm nghìn trận đấu StarCraft giữa con người. Sau đó, họ cho nhóm AI này đấu lẫn nhau, lựa chọn những “con” phù hợp nhất, xáo trộn chúng một chút rồi lại cho chúng đấu tiếp. Họ lặp đi lặp lại quá trình này cho tới khi AlphaStar nổi trội xuất hiện. Oriol Vinyals, trưởng nhóm tạo ra AlphaStar tại DeepMind, so sánh giải đấu nhỏ này là một dạng hệ sinh thái có chọn lọc tự nhiên. “Chúng tôi lấy nhiều cảm hứng để thiết kế giải đấu AlphaStar từ các văn bản về tiến hóa.”, ông nói.
Khi mà các nhà nghiên cứu AI lấy cảm hứng từ tự nhiên, Barbe và các nhà sinh thái lại có nguồn cảm hứng từ trò chơi. Trong nghiên cứu năm 2020, họ đào sâu về sự tồn tại song song giữa các chủng tộc Terran, Protoss và Zerg trong StarCraft và các chiến thuật cạnh tranh của từng loại sinh thể. Ví dụ như các đơn vị Zerg, là những kẻ khai hoang nhanh nhẹn, nhưng lại chiến đấu kém, tương tự như những loài thực vật đầu tiên mọc trên những vùng bị ảnh hưởng sinh thái. Protoss thì lại khác, chúng giống như loài dương xỉ, sử dụng rất nhiều tài nguyên và mọc tốt nhất theo nhóm. Terran thì lại giống như xương rồng: chúng mọc chậm nhưng lại phòng ngự tốt. Như một hệ sinh thái thực thụ, các “loài” này sử dụng các chiến thuật khác nhau để tranh giành tài nguyên trong nhiều lớp tương tác khác nhau.
Mặc dù anh chưa thực hiện thí nghiệm một cách chính thức, Barbe cho rằng việc quan sát những tương tác giữa những con bot AlphaStar trong StarCraft có thể là một cách để kiểm chứng những giải thuyết về các quá trình sinh thái và tiến hóa mà các mô hình thống kê thông thường không thể làm được. Có thể ví dụ như việc dự đoán một thay đổi nhỏ về tài nguyên ở một góc bản đồ StarCraft sẽ ảnh hưởng như thế nào tới nhóm Terran và Zerg đang cạnh tranh ở góc đối diện. Thay thế Terran và Zerg bằng những cây thông và bọ cánh cứng, và bạn có thể bắt đầu nhận thấy được vì sao một dự đoán như thế này rất giá trị với những nhà quản lí môi trường. “Nó có thể là một môi trường khép kín” cho các nhà khoa học thử nghiệm với các hệ sinh thái, Barbe nói.
Bà Anne Thessen từ Đại học Tiểu bang Oregon, người không liên quan tới nghiên cứu hệ sinh thái StarCraft thì cho rằng: “Nó có thể chuyển hóa thành một dạng mô hình thử nghiệm vô cùng thú vị, nơi bạn có một hệ thống được đơn giản hóa và đặt ra những câu hỏi cụ thể. Bạn chỉ cần luôn nhớ rằng, nó vẫn là một dạng giả lập.”
Xu thế công nghệ
Rõ ràng, cho dù phức tạp đến như thế nào, thì StarCraft II vẫn quá đơn giản so với một hệ sinh thái thực thụ. Barbe cũng có lưu ý rằng, những quá trình tự nhiên cơ bản như vòng tuần hoàn nitơ không xảy ra trong trò chơi này, hoặc những mối quan hệ trọng yếu giữa các sinh thể, ví dụ như ký sinh. Và tất cả chỉ có 3 loài trong trò chơi.
Terran có những đặc điểm có thể ví với loài xương rồng của StarCraft II
Ông Werner Rammer, nhà sinh thái học tại Đại học Kỹ thuật Munich thì bình luận: “Một vấn đề là, theo quan điểm của tôi, là những cơ chế của trò chơi - thứ được thiết kế để có tính giải trí hết mức có thể - chỉ tương tự với thế giới thực theo vẻ bề ngoài.”. Ông Rammer cho rằng, điều này sẽ khiến việc khái quát hóa những quan sát từ AlphaStar vượt qua khuôn khổ của trò chơi trở nên khó khăn hơn, dù cho nó rất tinh vi.
Dù các nhà sinh thái học có bao giờ thực sự sử dụng AlphaStar để nghiên cứu hay không, ngày cũng càng có nhiều công cụ AI phức tạp được áp dụng để giải quyết những vấn đề trong khoa học sinh thái và môi trường.
Mười năm trước, theo bà Thessen, ứng dụng trí tuệ nhân tạo trong ngành khoa học sinh thái và môi trường chỉ giới hạn ở những công việc như phân loại, ví dụ như nhận dạng loài chim qua bản thu tiếng hót hay các phân biệt kiểu cảnh quan qua hình ảnh vệ tinh. Giờ đây, ứng dụng AI trong sinh thái học đã vượt qua mức đó, và có thể thực hiện những nhiệm vụ như dự báo dựa trên dữ liệu lộn xộn và đa chiều - thứ dữ liệu hay gặp nhất trong ngành sinh thái học.
Nhưng theo ông Nicolas Lecomte, nhà sinh thái học từ Đại học Moncton ở Canada, người sử dụng công cụ AI để nhận dạng tiếng gọi của các loài chim tại vùng Bắc Cực để dự đoán mô hình di cư, thì AI vẫn chưa được tận dụng tối đa trong ngành này. Các nhà sinh thái có thể e ngại lượng kĩ năng lập trình cần có để huấn luyện một thuật toán trí tuệ nhân tạo, theo ông giải thích. Và việc thu thập đủ dữ liệu để huấn luyện các thuật toán cũng có thể rất khó khăn. Một số dữ liệu như ảnh vệ tinh có thể dễ kiếm, nhưng các thông tin khác như mẫu đất lại rất khó để sở hữu.
Cũng phải tính đến khía cạnh kinh tế cũng như lượng cộng tác viên có kĩ năng sẵn sàng làm việc trong ngành sinh thái học, theo lời ông Abbott, khi ông chỉ ra, đây không phải là ngành nghiên cứu dễ kiếm tiền. Những công ty như Blizzard, cha đẻ của StarCraft, đang dành “hàng trăm triệu USD hàng năm để phát triển các thuật toán trong các trò chơi của mình”, ông chia sẻ. “Họ có nguồn lực mạnh hơn chúng tôi rất nhiều. Nhưng chúng tôi, tất nhiên rồi, nghĩ những câu hỏi của mình quan trọng hơn của họ nhiều.”. Ông có lẽ chỉ đùa một nửa - bởi từ góc độ nào đó, cuộc sống trên Trái Đất, sau cùng thì, không chỉ là một trò chơi.
Lou Barbe không cho mình là một game thủ thực thụ. Là một nhà sinh thái học tại Đại học Rennes, Pháp, anh dành phần lớn thời gian của mình với các loài thực vật. Nhưng vẫn có một trò chơi đã chiếm lấy cảm tình của anh từ khi còn nhỏ: StarCraft, dòng game chiến thuật nổi tiếng mà trong đó người chơi tích lũy tài nguyên và xây dựng những binh đoàn ngoài hành tinh để giao tranh trên những khu vực ngoài vũ trụ. “Tôi không phải là người chơi hay”, Barbe nói, “Nhưng đủ để tôi hiểu điều gì đang diễn ra trong game.”
Trong khi đang chơi StarCraft II - phiên bản mới nhất của dòng game này - vài năm trước, Barbe nhận ra rằng, ngoài những vụ nổ hay tia laser, có thứ gì đó khác đang diễn ra. StarCraft có gì đó giống một hệ sinh thái. Barbe nói: “Chúng ta có một môi trường. Chúng ta có tài nguyên. Chúng ta có các sinh thể đang cạnh tranh trong môi trường. Đó là định nghĩa cơ bản về một hệ sinh thái.”
Barbe khi đó tạm bỏ qua ý tưởng này. Rồi đến năm 2019, khi DeepMind, công ty nghiên cứu trí tuệ nhân tạo của Alphabet, đưa ra một AI có tên gọi AlphaStar và cho nó thi đấu với những người chơi StarCraft II hàng đầu trên thế giới. AlphaStar đã chơi tốt hơn 99,8% người chơi, đạt thứ hạng Grandmaster - xếp hạng cao nhất trong tựa game này, và đồng thời bổ sung một chiến thắng nữa vào “phòng danh hiệu” của những AI.
Và khi đó, Barbe nhận ra rằng, sức mạnh của AlphaStar có thể vượt lên việc thao túng người ngoài hành tinh trên một ngôi sao giả tưởng. Nếu StarCraft hoạt động giống như một hệ sinh thái, có thể các thuật toán phục vụ chơi game sẽ giúp ích cho việc nghiên cứu các vấn đề sinh thái học trên Trái Đất.
Viết trên tạp chí Trends in Ecology and Evolution vào năm 2020, Barbe, cùng với các nhà sinh thái khác từ Đại học Rennes và Đại học Brigham Young, đã giải thích về khả năng quản lý các chức năng phức tạp, đa chiều của StarCraft có thể được chuyển đổi để kiểm nghiệm những ý tưởng về các mô hình sinh thái trong thế giới thực, điều rất khó khăn với các mô hình truyền thống. Ví dụ như, các nhà sinh thái đã có thể triển khai AlphaStar trên các bản đồ StarCraft được thiết kế theo sự phân phối tài nguyên thực, nhằm tạo kiểu mẫu về cách các sinh thể khác nhau phản ứng với những xáo trộn như có loài xâm lấn hay mất môi trường sống.
Thuật toán của AlphaStar, theo lời Barbe, có thể đã vô tình trở thành mô hình sinh thái tinh vi nhất từ trước tới nay.
Ý tưởng này là một phần trong xu hướng gần đây trong ngành sinh thái học về việc sử dụng các công cụ trí tuệ nhân tạo mạnh mẽ để phân tích các vấn đề môi trường. Dù không phổ biến trong 15 hay 20 năm trước đây, các nhà khoa học cho biết các ứng dụng của AI trong ngành đang bùng lên thời gian gần đây, từ việc phân biệt các loài hoang dã cho tới dự đoán nạn gia tăng bọ rùa trong những cánh rừng thông. Các nhà sinh học nghĩ những công cụ AI, kết hợp với khả năng thu thập lượng lớn dữ liệu về Trái Đất, có thể điều chỉnh cách nghiên cứu các hệ sinh thái và tăng khả năng dự đoán cách chúng thay đổi. Những thuật toán phức tạp như AlphaStar - thường là được phát triển với mục đích ban đầu không liên quan gì tới sinh thái học - có thể giúp những nghiên cứu như vậy tiến xa.
“Hầu hết các mô hình sinh thái học là quá nhỏ bé nếu so sánh với sự phức tạp của một số hệ thống trí tuệ nhân tạo”, Ben Abbott, nhà sinh thái học từ Đại học Brigham Young, đồng tác giả nghiên cứu cho biết. “Chúng ta thực ra mới chỉ đang dùng phần nổi của những gì cách tiếp cận này có thể đáp ứng.”
Gây dựng nhà vô địch
Với những nhà nghiên cứu AI, StarCraft II đã đưa ra thách thức ghê gớm kể từ khi nó được ra mắt vào năm 2010. Cũng như cờ vua hay cờ vây, người chơi StarCraft điều khiển các đơn vị khác nhau để tấn công địch thủ, nhưng họ cũng chọn vị trí và thời điểm để thu thập tài nguyên, hay khi nào cần tạo đơn vị mới, hoặc lựa chọn đơn vị nào cho mình, và nhiều yếu tố phức tạp khác. Để so sánh, khi mà một lượt trong cờ vua có khoảng 35 nước đi khả thi, còn cờ vây thì ở khoảng 200 - 250 khả năng, thì với StarCraft II, con số đó là 10^26 (100 triệu tỉ tỉ khả năng). Thêm vào đó, không như những trò chơi dạng “đầy đủ thông tin”, nơi mà người chơi có thể thấy toàn bộ không gian trò chơi, thì StarCraft được chơi trên bản đồ lớn, mà mỗi người chơi chỉ có thể quan sát một phần. Chưa dừng lại ở đó, độ phức tạp của trò chơi cũng gia tăng (với cả con người và AI) khi người chơi sẽ điều khiển 1 trong 3 chủng tộc ngoài hành tinh - Terran, Protoss hoặc Zerg, với điểm mạnh và điểm yếu riêng.
Để tạo ra một AI có khả năng chiến thắng những người chơi StarCraft II giỏi nhất, các nhà nghiên cứu tại DeepMind đã sử dụng các kỹ thuật học máy để rèn luyện cho AlphaStar. Đầu tiên, họ tạo ra một nhóm các AI được đào tạo (train) sử dụng dữ liệu từ hàng trăm nghìn trận đấu StarCraft giữa con người. Sau đó, họ cho nhóm AI này đấu lẫn nhau, lựa chọn những “con” phù hợp nhất, xáo trộn chúng một chút rồi lại cho chúng đấu tiếp. Họ lặp đi lặp lại quá trình này cho tới khi AlphaStar nổi trội xuất hiện. Oriol Vinyals, trưởng nhóm tạo ra AlphaStar tại DeepMind, so sánh giải đấu nhỏ này là một dạng hệ sinh thái có chọn lọc tự nhiên. “Chúng tôi lấy nhiều cảm hứng để thiết kế giải đấu AlphaStar từ các văn bản về tiến hóa.”, ông nói.
Khi mà các nhà nghiên cứu AI lấy cảm hứng từ tự nhiên, Barbe và các nhà sinh thái lại có nguồn cảm hứng từ trò chơi. Trong nghiên cứu năm 2020, họ đào sâu về sự tồn tại song song giữa các chủng tộc Terran, Protoss và Zerg trong StarCraft và các chiến thuật cạnh tranh của từng loại sinh thể. Ví dụ như các đơn vị Zerg, là những kẻ khai hoang nhanh nhẹn, nhưng lại chiến đấu kém, tương tự như những loài thực vật đầu tiên mọc trên những vùng bị ảnh hưởng sinh thái. Protoss thì lại khác, chúng giống như loài dương xỉ, sử dụng rất nhiều tài nguyên và mọc tốt nhất theo nhóm. Terran thì lại giống như xương rồng: chúng mọc chậm nhưng lại phòng ngự tốt. Như một hệ sinh thái thực thụ, các “loài” này sử dụng các chiến thuật khác nhau để tranh giành tài nguyên trong nhiều lớp tương tác khác nhau.
Mặc dù anh chưa thực hiện thí nghiệm một cách chính thức, Barbe cho rằng việc quan sát những tương tác giữa những con bot AlphaStar trong StarCraft có thể là một cách để kiểm chứng những giải thuyết về các quá trình sinh thái và tiến hóa mà các mô hình thống kê thông thường không thể làm được. Có thể ví dụ như việc dự đoán một thay đổi nhỏ về tài nguyên ở một góc bản đồ StarCraft sẽ ảnh hưởng như thế nào tới nhóm Terran và Zerg đang cạnh tranh ở góc đối diện. Thay thế Terran và Zerg bằng những cây thông và bọ cánh cứng, và bạn có thể bắt đầu nhận thấy được vì sao một dự đoán như thế này rất giá trị với những nhà quản lí môi trường. “Nó có thể là một môi trường khép kín” cho các nhà khoa học thử nghiệm với các hệ sinh thái, Barbe nói.
Bà Anne Thessen từ Đại học Tiểu bang Oregon, người không liên quan tới nghiên cứu hệ sinh thái StarCraft thì cho rằng: “Nó có thể chuyển hóa thành một dạng mô hình thử nghiệm vô cùng thú vị, nơi bạn có một hệ thống được đơn giản hóa và đặt ra những câu hỏi cụ thể. Bạn chỉ cần luôn nhớ rằng, nó vẫn là một dạng giả lập.”
Xu thế công nghệ
Rõ ràng, cho dù phức tạp đến như thế nào, thì StarCraft II vẫn quá đơn giản so với một hệ sinh thái thực thụ. Barbe cũng có lưu ý rằng, những quá trình tự nhiên cơ bản như vòng tuần hoàn nitơ không xảy ra trong trò chơi này, hoặc những mối quan hệ trọng yếu giữa các sinh thể, ví dụ như ký sinh. Và tất cả chỉ có 3 loài trong trò chơi.
Terran có những đặc điểm có thể ví với loài xương rồng của StarCraft II
Ông Werner Rammer, nhà sinh thái học tại Đại học Kỹ thuật Munich thì bình luận: “Một vấn đề là, theo quan điểm của tôi, là những cơ chế của trò chơi - thứ được thiết kế để có tính giải trí hết mức có thể - chỉ tương tự với thế giới thực theo vẻ bề ngoài.”. Ông Rammer cho rằng, điều này sẽ khiến việc khái quát hóa những quan sát từ AlphaStar vượt qua khuôn khổ của trò chơi trở nên khó khăn hơn, dù cho nó rất tinh vi.
Dù các nhà sinh thái học có bao giờ thực sự sử dụng AlphaStar để nghiên cứu hay không, ngày cũng càng có nhiều công cụ AI phức tạp được áp dụng để giải quyết những vấn đề trong khoa học sinh thái và môi trường.
Mười năm trước, theo bà Thessen, ứng dụng trí tuệ nhân tạo trong ngành khoa học sinh thái và môi trường chỉ giới hạn ở những công việc như phân loại, ví dụ như nhận dạng loài chim qua bản thu tiếng hót hay các phân biệt kiểu cảnh quan qua hình ảnh vệ tinh. Giờ đây, ứng dụng AI trong sinh thái học đã vượt qua mức đó, và có thể thực hiện những nhiệm vụ như dự báo dựa trên dữ liệu lộn xộn và đa chiều - thứ dữ liệu hay gặp nhất trong ngành sinh thái học.
Nhưng theo ông Nicolas Lecomte, nhà sinh thái học từ Đại học Moncton ở Canada, người sử dụng công cụ AI để nhận dạng tiếng gọi của các loài chim tại vùng Bắc Cực để dự đoán mô hình di cư, thì AI vẫn chưa được tận dụng tối đa trong ngành này. Các nhà sinh thái có thể e ngại lượng kĩ năng lập trình cần có để huấn luyện một thuật toán trí tuệ nhân tạo, theo ông giải thích. Và việc thu thập đủ dữ liệu để huấn luyện các thuật toán cũng có thể rất khó khăn. Một số dữ liệu như ảnh vệ tinh có thể dễ kiếm, nhưng các thông tin khác như mẫu đất lại rất khó để sở hữu.
Cũng phải tính đến khía cạnh kinh tế cũng như lượng cộng tác viên có kĩ năng sẵn sàng làm việc trong ngành sinh thái học, theo lời ông Abbott, khi ông chỉ ra, đây không phải là ngành nghiên cứu dễ kiếm tiền. Những công ty như Blizzard, cha đẻ của StarCraft, đang dành “hàng trăm triệu USD hàng năm để phát triển các thuật toán trong các trò chơi của mình”, ông chia sẻ. “Họ có nguồn lực mạnh hơn chúng tôi rất nhiều. Nhưng chúng tôi, tất nhiên rồi, nghĩ những câu hỏi của mình quan trọng hơn của họ nhiều.”. Ông có lẽ chỉ đùa một nửa - bởi từ góc độ nào đó, cuộc sống trên Trái Đất, sau cùng thì, không chỉ là một trò chơi.
Theo Genk
