TinyBrainsコンペティションが戦略ゲーム「Ants」向け小型ニューラルネットワークを公開

TinyBrainsが古典的な戦略ゲーム「Ants」を対象とした超小型ニューラルネットワークのコンペティションを開始

TinyBrainsは、厳しいウェイトクラス制限（nano 16 KiB以下、micro 128 KiB以下、mini 1 MiB以下、small 8 MiB以下、large 64 MiB以下）の中で高いゲームパフォーマンスを実現するニューラルネットワークのトレーニングを開発者に求めています。このコンペティションは2011年のGoogle AI Ants Challengeを復活させたものですが、手書きのボットをトレーニング済みモデルとマニフェストに置き換え、それらを組み合わせてウェイトクラスを決定する仕組みになっています。

コンペティションの仕組みは強さだけでなくモデルサイズに重点を置く

  • モデルとマニフェストの合計サイズでクラスを定義 – シリアライズされたネットワークウェイトと付属のマニフェストファイルの合計バイト数によって、提出されたモデルがいずれかのウェイトクラスに分類されます。このルールにより、参加者はアーキテクチャとメタデータの両方を圧縮せざるを得なくなります。
  • パフォーマンスはイロレーティングで測定 – 提出された各バージョンは公開ランキングで対戦を行い、そのレーティングは同じクラス内の他の提出物に対する勝敗結果を反映します。
  • リーダーボードでサイズとレーティングを可視化 – 対数グラフですべてのアクティブなバージョンを表示し、最も効率的なモデル（低いバイト数で高いレーティング）を容易に特定できるようにしています。

「クラスは選択するものではなく、測定されるもの」 – TinyBrainsのドキュメントでは、サイズ制限はユーザーが選択するのではなく自動的に適用されることが強調されています。

現在の結果はコンパクトさとスキルのトレードオフを浮き彫りにしている

順位 モデル レーティング
1 Media v1 (ベースライン) 25.0
2 Scout v1 (ベースライン) 24.9
3 Harvester v1 (ベースライン) 24.6
4 Forager v1 (ベースライン) 24.5
5 Minim v1 (ベースライン) 21.8

上位のエントリはすべてベースラインとラベル付けされており、TinyBrainsが提供するスターターコードから生成されたことを示しています。最近の試合では、ベースラインモデル同士の直接対決が見られ、例えば small-open-2p-3h マップでの2プレイヤー対戦では gr8b8m8 v1 (レーティング8) が Minim v1 (レーティング2) を破りました。

コミュニティからのフィードバックは関心と改善の余地を強調している

  • ノスタルジーと学習価値 – 投稿者のcodetigerは、2011年のGoogle Ants AI Challengeでの個人的な経験に触れ、新しいプラットフォームが学習コミュニティを再燃させることを期待しています。
  • より明確なドキュメントへの要望 – コメンテーターのlostdogはウェイトクラス選択に関する表現の簡素化を提案し、vova_hn2は現在の表現が曖昧であるとして、より明確な言葉遣いを求めています。
  • 技術的なアクセシビリティへの懸念 – cookiengineerは、現在のPython-PyTorchスタックでは他の言語（C++など）を使用する参加者が排除される可能性を指摘し、カスタムトレーニングパイプライン向けにGym互換のインターフェースを提案しています。
  • 制限に対する好奇心 – 複数のコメンテーターが、戦略的な判断を下すためにネットワークをどこまで小さくできるのか、また推論速度も考慮されるのかを尋ねています。
  • より広範なAIコンペティションの文脈 – ユーザーはMIT Battlecode、Core War、歴史的なAI Warsといった関連コンテストに言及しており、コンパクトAIの課題に対する幅広い需要があることを示しています。

始め方

  1. TinyBrainsのウェブサイトで GitHubを使ってサインイン します。
  2. ドキュメントを読む – 「Weight classes」ページでサイズ制限とマニフェストの要件を確認します。
  3. スターターリポジトリをクローンする: https://github.com/Tiny-Brains/ants-starter
  4. 選択したサイズ予算内で モデルをトレーニング します（例：nanoの場合は16 KiB未満）。
  5. 「Submit a version」UIから モデルとマニフェストを提出 します。
  6. ランキングで 試合を観戦 し、レーティングを監視します。

なぜ小型モデルへの注力が重要なのか

ニューラルネットワークの圧縮は、開発者にプルーニング、量子化、アーキテクチャ探索、新しいエンコーディングスキームの探求を強いることになります。これらはエッジAIのデプロイ、モバイル推論、低電力ハードウェアに直接関連する技術です。パフォーマンスをサイズに結びつけることで、TinyBrainsは従来の精度重視のコンテストを補完する、効率性のための実用的なベンチマークを作り出しています。

今後の展望

このコンペティションは 2026年9月30日（「Nuptial Flight Open」の締め切り）まで開催され、参加者は数ヶ月かけて反復改良を行うことができます。Hacker Newsの議論に反映されているコミュニティの関心は、このプラットフォームが他のゲームに拡大したり、より広範なアルゴリズム実験のためにGymスタイルのAPIを提供したりする可能性があることを示唆しています。

すべての情報はTinyBrainsのウェブサイトおよび関連するHacker Newsのディスカッションスレッドから引用したものであり、外部データは追加されていません。

Sources

関連

  • Dispatch
    mini-AGI: 消費者向けハードウェア用継続学習バイトレベルモデル

    mini-AGIは、8GBのVRAMを持つコンシューマーGPU上で継続学習が可能なバイトレベル言語モデルであり、ページ化Mixture-of-Experts（MoE）アーキテクチャを用いて悲劇的忘却を防止し、トレーニングを可能にしています。

  • プロジェクト
    HazyResearch/HipKittens

    HipKittens は、AMD GPU 上で高速な AI カーネル（GEMM、attention など）を記述するためのタイルベースの低レベルプリミティブを提供する C++ ライブラリです。非同期メモリヘルパー、スケジューリングパターン、および AITER や PyTorch とベンチマークできるサンプルカーネルが含まれています。リポジトリには、パフォーマンス結果を再現するための Docker イメージ、単体テスト、トレーニングスクリプト、分析ツールが用意されています。

  • プロジェクト
    HazyResearch/ThunderKittens

    ThunderKittensは、高速なディープラーニングカーネル（例：GEMM、FlashAttention）を書くためのヘッダーオンリーCUDAライブラリです。テンソルコア呼び出し、非同期メモリ移動、共有メモリバンキングを抽象化しながら、コードはコンパクトで型安全です。Hopper/Blackwell（およびVera Rubin）GPU向けに設計されており、研究者やエンジニアがC++から呼び出せる、またはPyTorch用にラップ可能なピーク性能に近いカーネルを生成できます。

  • Dispatch
    TinyStories LLM on a $250 KV260 FPGA achieves 60k tokens/s

    A 3.16 M‑parameter INT4 model runs entirely in on‑chip memory of an AMD KV260 FPGA, reaching 59,965 tokens per second on silicon and ~21,300 tokens per second in a live multi‑user demo.

  • プロジェクト
    codelion/adaptive-classifier

    Adaptive Classifierは、PyTorchベースの動的テキスト分類ライブラリです。継続学習、実行時の新しいクラスの追加、および戦略的（敵対的堅牢性）モードをサポートしています。HuggingFace transformersを基盤としており、プロトタイプとニューラル予測のハイブリッド、CPU推論を2～4倍高速化する自動ONNXエクスポート、適応型閾値によるマルチラベル分類を提供します。`pip install adaptive-classifier`でインストール可能で、ローカルまたはHuggingFace Hubへの保存・読み込みに対応しており、堅牢性の向上とコスト削減を示すベンチマークも含まれています。