A gyakran a teke és a sakk keverékeként leírt curlinget jégen játsszák, téli sport, olimpiai csapatjáték. Mindkét csapat nyolc-nyolc követ csúsztathat egy kör alakú mezőbe, és az nyer, amelyiknek a kövei a játékrész végén legközelebb kerültek a kör középpontjához.
A sportág kiváló tesztterep a mesterséges intelligencia és a való világ közötti interakciók tanulmányozására. Az MI-k szimulációban sokszor teljesítenek jól, aztán a valóságban már kevésbé. Laboratóriumokban viszont mélytanuló rendszerek megismételt szimulációkban többmillió cselekvést sajátíthatnak el, és ezek a rendszerek hozzájárulnak a különbségek csökkenéséhez.
A Berlini Technológiai Intézet és a Max Planck Intézet kutatóival együttműködő Korea Egyetemen fejlesztett mélytanuló (deep learning) programnak köszönhetően a Curly nevű curling robot négyből három meccset megnyert a dél-koreai nemzeti válogatott játékosai ellen.
A jég az egyik legnehezebben szimulálható környezet, és mivel a gépnek környezetével fizikai interakciókat kell folytatnia, azaz a szimulációból a valóságba való problémamentes átmenet miatt Curly esetében még nehezebb volt. A jég minden egyes dobással változik, tehát a robotot úgy kellett betanítani, hogy megítélje a nem ellenőrzött környezet változásait, és alkalmazkodjon hozzájuk.
Megerősítéses mélytanulást használtak hozzá, a rendszer próba-hiba alapon segítette a gépet a bizonytalanságok kezelésében. Minden egyes dobásból okulva, a következőn már javított.
A mélytanuló rendszert korábban fejlesztett stratégiai tervezőmodellel kombinálva, a mesterségesen intelligens robot képes volt legyőzni humán curling specialistákat.
Egy humán csapat három személyből áll, Curly viszont csak két robotot használt, söprögetőt nem. Az egyik, a kapitány a stratégiával foglakozott, a másik dobálta a köveket. Kommunikáltak egymással: hibás dobásokat azonosítottak, a jég változásaihoz való alkalmazkodásra dolgoztak ki stratégiát, és persze az ellenfél lépéseit is figyelembe vették.
A fejlesztők bizakodnak, hogy mélytanuló rendszerüket sok komplex „valódi” alkalmazásban, például drónok navigálásához vagy az ércbányászatban használhatják. Olyan esetekben lehet különösen jó, amikor a környezet változik, a szenzorikus adatokból viszont nem észlelhetők a pontos körülmények.
