GeoGuessr AI: czy maszyna pokona najlepszych graczy?

11 maja 2023 roku Trevor Rainbolt, jeden z najbardziej znanych zawodowych graczy GeoGuessr, opublikował film zatytułowany Najlepsze AI kontra zawodowiec GeoGuessr. Przegrał wszystkie sześć gier. Jego przeciwnikiem był PIGEON, model badawczy ze Stanforda, który nauczył się gry wyłącznie na obrazach Street View.

„Nie byliśmy pierwszą AI, która grała z Rainboltem”, powiedział NPR jeden z jej twórców, Silas Alberti. „Jesteśmy po prostu pierwszą AI, która go pokonała”. Trzy lata później pytanie, czy AI potrafi pokonać GeoGuessr, ma odpowiedź. Przydatne pytania brzmią inaczej: jak GeoGuessr AI czyta scenę, gdzie człowiek nadal ma przewagę, co dopuszczają zasady i jak zamienić tę technologię w praktykę, a nie w zakaz.

PIGEON stworzyli Lukas Haas, Michal Skreta, Silas Alberti i Chelsea Finn. Zaczął jako projekt zaliczeniowy na kursie CS 330 w Stanfordzie, pojawił się na arXiv w lipcu 2023 roku i został zaprezentowany na CVPR 2024, jednej z wiodących konferencji z wizji komputerowej.

Test na żywo sprawił, że model był czymś więcej niż wynikiem w benchmarku. Rozszerzenie Chrome wykonywało zrzut ekranu w każdym z czterech kierunków świata, wysyłało obrazy do modelu i zaznaczało jego typ. W 458 meczach Competitive Duels model pokonał graczy każdego poziomu. Autorzy dodali nawet opcjonalne losowe opóźnienie przed każdym typem, by jego zachowanie „wyglądało bardziej po ludzku”.

Czytaj medianę i średnią razem. Połowa jego typów wylądowała w promieniu około 44 km, a jednak średnie chybienie wynosiło 252 km: więcej niż jeden typ na 20 był oddalony o ponad 750 km, a te chybienia podciągają średnią w górę. Autorzy są szczerzy co do sufitu: dzisiejsze systemy, również ich własny, nie potrafią niezawodnie przewidywać na poziomie ulicy.

Ogólne AI też już dołączyło. W kwietniu 2025 roku Sam Patterson, gracz rangi Master I, zagrał pięć rund No Move przeciwko o3 OpenAI, dając modelowi tylko dwa zrzuty po 90 stopni na rundę. o3 wygrał 23 179 do 22 054 i poprawnie nazwał wszystkie pięć krajów. Tego samego miesiąca wirusowo rozszedł się 1100-wyrazowy „GeoGuessr prompt” dla o3, choć test z 2026 roku na 200 zdjęciach wykazał, że nie działa lepiej od krótkiego.

Opublikowany model był trenowany na 400 000 obrazów: po cztery widoki z każdej z 100 000 losowych lokalizacji GeoGuessr. Oto cały proces krok po kroku, bez matematyki.

1. Step 1Zamień widok w liczbyPIGEON bierze cztery obrazy, każdy pod kątem 90 stopni, obejmujące pełne 360 stopni. CLIP od OpenAI, model pierwotnie wytrenowany do dopasowywania obrazów do tekstu, zamienia każdy obraz w osadzenie, a te cztery uśrednia się w jedno streszczenie miejsca.
2. Step 2Ucz się geografii z podpisówPrzed głównym treningiem model uczył się na obrazach sparowanych z wygenerowanymi podpisami, takimi jak „W tej lokalizacji ludzie jeżdżą lewą stroną drogi” czy „Ta lokalizacja ma umiarkowany klimat oceaniczny”. Podpisy kierują go ku cechom ważnym dla lokalizacji.
3. Step 3Wybierz komórkę, a nie współrzędneZamiast przewidywać szerokość i długość geograficzną wprost, PIGEON sortuje scenę do jednej z 2203 geocells. Komórki odpowiadają prawdziwym granicom administracyjnym, scalanym tak długo, aż każda ma dość przykładów treningowych, a zbyt duże dzieli się klastrowaniem.
4. Step 4Karz dalekie pomyłki mocniejPodczas treningu sąsiednia komórka obok właściwej dostaje częściowe punkty, ważone odległością. Model uczy się, że bliska pomyłka jest lepsza od dalekiej, dokładnie tak jak liczy punkty GeoGuessr.
5. Step 5Dopracuj wewnątrz najlepszych kandydatówNa końcu bierze pięć najbardziej prawdopodobnych geocells, porównuje scenę z klastrami lokalizacji treningowych w ich obrębie i przesuwa pinezkę do najbliższego dopasowania. Autorzy opisują ten etap wyszukiwania jako pierwszy taki w tej dziedzinie.

Nikt nie powiedział modelowi, czym jest słupek. Autorzy stwierdzili, że mimo to nauczył się „strategii, których uczy się w internetowych poradnikach GeoGuessr”, zwracając uwagę na roślinność, oznakowanie drogowe, słupy i szyldy. To te same rodziny wskazówek, co w ludzkiej liście wskazówek krajowych. Dla zwykłych zdjęć, a nie panoram, rozumowanie jest takie, jakie opisuje nasze objaśnienie geolokalizacji AI.

• Czas decyzji. Patterson zwykle typował w ciągu minuty lub dwóch, często w ciągu 10 sekund. o3 niemal zawsze potrzebował ponad 2 minut, a czasem ponad 6. W Duelach typ jednego gracza może zostawić drugiemu zaledwie 15 sekund, więc minuty myślenia to realne obciążenie.
• Wiedza, co się liczy. Jego werdykt brzmiał, że człowiek bardzo dobrze wie, co jest ważne, a model wykonywał mnóstwo zbędnego, powtarzalnego przycinania i „kilka razy dał się rozproszyć reklamom”.
• Ruch po lepszą wskazówkę. Bot PIGEON oceniał cztery stałe obrazy. Jego przeciwnicy z krwi i kości mogli też poruszać się po scenie, co, jak zauważa sam artykuł, dawało im więcej informacji do doprecyzowania typu.

Nie czytaj zbyt wiele w tej liście. Po około 20 rundach testów Patterson ocenił o3 jako porównywalne z graczami rangi Master I lub lepszymi. Przewagi człowieka dotyczą sposobu grania, a nie tego, że wie więcej.

Patterson prowadzi talię fiszek z setkami pozycji dotyczących linii na drodze, słupów energetycznych, słupków i tablic rejestracyjnych. Tak ocenił tę różnicę: „Te modele mają więcej, niż jakikolwiek pojedynczy umysł mógłby sobie zapamiętać”. To prawdziwa przewaga. Człowiek musi się wyspecjalizować, a model nie musi.

Słabe punkty są przewidywalne. PIGEON uczył się wyłącznie z lokalizacji GeoGuessr, więc nigdy nie widział miejsc, których Street View nie obejmuje. Autorzy wymieniają też tunele, zbiorniki wodne, ciemne sceny i lasy jako jedne z najtrudniejszych obrazów, a jego dokładność spada wraz z gęstością zaludnienia.

Ta formuła obejmuje oba rodzaje AI. Bot, który gra za ciebie, to oprogramowanie stron trzecich. Chatbot, do którego wklejasz zrzut ekranu, to zewnętrzne źródło informacji. Zasady społeczności wymieniają trzy kary przy dowodach oszustwa:

• Zakaz w rankingu: usunięcie z oficjalnych rankingów singleplayer i utrzymywanie poza nimi w przyszłości.
• Zawieszenie w rozgrywkach konkurencyjnych: blokada oficjalnych rankingów w grach konkurencyjnych i singleplayer.
• Zakaz gier konkurencyjnych: trwała blokada gier konkurencyjnych i usunięcie z oficjalnych rankingów.

Możesz też stracić przedmioty wirtualne, a działania mogą objąć każde konto, które posiadasz. Warunki korzystania z usługi osobno zakazują automatycznych programów i skryptów, wymieniając boty z nazwy, i dopuszczają tymczasowe zawieszenie lub trwały zakaz. Zawieszony lub zbanowany gracz nie ma prawa do zwrotu pieniędzy.

A co z samym eksperymentem PIGEON? Działał z pomocą wewnątrz GeoGuessr: w artykule podziękowano dyrektorowi technicznemu firmy za umożliwienie gier na żywo przeciwko ludzkim graczom. To, co oddzielało eksperyment od oszustwa, to udział GeoGuessr, a nie samo oprogramowanie.

1. Step 1Zagraj rundę czystoBez drugiej karty, bez asystenta, bez zrzutu do chatbota. Runda sprawdza to, co potrafisz odczytać samodzielnie, i tylko to warto mierzyć.
2. Step 2Nazwij wskazówkę decydującąZanim postawisz pinezkę, powiedz, której jednej informacji ufasz najbardziej. Zamienia to przeczucie w twierdzenie, które możesz potem sprawdzić.
3. Step 3Znajdź wskazówkę, która umknęłaPo odsłonięciu poszukaj szczegółu, który powinien był rozstrzygnąć rundę. Nasza rutyna ćwiczeń podaje kolejność, w jakiej sprawdzać rzeczy.
4. Step 4Pytaj o wskazówkę, nie o rundęPytanie w rodzaju „czym różnią się czeskie i słowackie słupki przy drodze?” uczy czegoś, co można wykorzystać ponownie. Traktuj odpowiedź jako trop do sprawdzenia: Patterson stwierdził, że opisy znaków i linii drogowych przez o3 były w większości trafne, ale nie zawsze.
5. Step 5Sprawdź umiejętność na prawdziwych zdjęciachZgadnij, gdzie zrobiono jedno z twoich zdjęć, a potem porównaj z szacunkiem AI z GeoSpy. GeoSpy odczytuje dane GPS, gdy plik je jeszcze ma, więc najpierw usuń lokalizację, bo inaczej test niczego nie dowiedzie.

Ostatni krok ma znaczenie, bo gra i prawdziwe zdjęcia szkolą to samo oko. To, czego uczysz się z panoramy, jest tym, na czym opiera się znajdowanie lokalizacji zdjęcia bez metadanych.