Юлиан Тогелиус, директор по исследованиям и соучредитель modl.ai

Люди часто связывают ИИ с видеоиграми и внутриигровыми персонажами, но это не так однозначно. Тип ИИ, который управляет неигровыми персонажами (NPC) в большинстве игр, больше похож на сложный набор правил, вручную написанный разработчиками игр. Тем не менее, в последние годы индустрия видеоигр осознала преобразующий потенциал ИИ, и крупные студии и игровые компании, такие как Ubisoft или Electronic Arts, вкладывают значительные средства в исследования и разработки.

EA посвятила много времени и ресурсов, чтобы сделать ботов в плохо принятом Battlefield 2042 максимально реалистичными. Но враги ИИ в конечном итоге переключались между некомпетентными и непобедимыми, что вызвало значительную негативную реакцию фанатов серии. Но тонкая настройка сложности NPC и создание ощущения, что против них правильно играть, — не точная наука. Помимо NPC, у ИИ есть множество полезных приложений в играх. Новые достижения в области искусственного интеллекта открывают перед разработчиками беспрецедентные новые подходы к дизайну игр, меняя способ создания игр и игры в них.

Индивидуальный опыт

Большинство игр или, по крайней мере, игры со значительным бюджетом регулярно собирают данные о своих игроках. Это может быть так же просто, как начало и конец сеанса, или гораздо более подробно, например, каждое действие, предпринятое игроком. Эти данные имеют множество применений. Машинное обучение можно использовать для моделирования игроков, что, проще говоря, представляет собой практику создания вычислительных моделей на основе игроков. Неудивительно, что самый важный вопрос для многих разработчиков заключается в том, когда игрок остановится или какие игроки и при каких обстоятельствах будут платить деньги за усиления и внутриигровые предметы. Однако данные игроков можно использовать для гораздо большего.

В академических кругах моделирование игроков изучается уже 15 лет, и исследования показывают, что таким образом можно моделировать гораздо больше вещей. Мы можем научиться предсказывать, что испытают игроки, основываясь на их стиле игры, или если они думают, что определенный тип уровня интересен для игры, или если персонаж будет интригующим, чтобы взаимодействовать с ним. Также возможно изучить модели игрока по нескольким играм, поэтому владельцы платформ и издатели с несколькими играми имеют уникальную возможность узнать много нового о своих игроках и использовать модели для прогнозирования игр, которые еще не выпущены. . Такие модели могут помочь улучшить игры, адаптируя их к конкретному игроку.

Гонки и другие спортивные игры, в частности, уже выполняют простую форму адаптации к игроку в виде динамической регулировки сложности. С лучшими моделями игроков мы могли бы вывести это на новый уровень. Например, разработчики могут выбирать контент, который соответствует не только уровню навыков игрока — а обычно навыки не одномерны, некоторые игроки могут быть хороши в стратегии, в то время как другие могут иметь быструю реакцию — но они также могут выбирать контент, который им нравится. знаю, понравится игрокам». Таким образом, адаптируя их опыт, предлагая им приятные, но не подавляющие задачи, и заставляя их играть дольше.

Имея достаточно данных и методов машинного обучения, мы сможем предсказать не только то, что понравится игроку прямо сейчас, но даже то, что ему понравится в будущем. Таким образом, игра сможет решать, когда вводить новые типы квестов и дилемм или новые визуальные среды, удерживая игроков в интересе с новым захватывающим контентом.

Царствование случайности PCG

Эти типы моделей могут просто выбирать, какой контент будет служить игроку из произвольного набора уровней, персонажей и квестов, созданных разработчиками игры. Но такой подход становится экспоненциально более мощным, если игра также может автоматически создавать новый контент — и здесь на помощь приходит процедурная генерация контента (PCG).

PCG — это различные методы автоматической генерации контента. Он был частью многих игр с начала 80-х, но его более заметное использование — это создание уровней в roguelike-играх, таких как Diablo или Hades. Одним из наиболее громких случаев использования PCG является игра по исследованию космоса No Man’s Sky. Создатели игры, Hello Games, использовали PCG для создания всего, от уникальных растений и животных до целых планет — всего около 18 квинтиллионов! Планет больше, чем кто-либо мог посетить за свою жизнь, и каждая планета имеет уникальную флору и фауну.

Алгоритмы PCG, которые делают эти игры возможными, в значительной степени зависят от случайности, поэтому их вывод трудно контролировать, что, конечно, не является проблемой, если это особенность дизайна — как в No Man’s Sky. Но эти недостатки означают, что прямо сейчас существуют пределы того, что вы можете делать с PCG. Однако цепочка инноваций ИИ принесла нам новые методы PCG, которые могут принести радикально новые возможности для автоматической генерации игрового контента.

Объединив PCG с моделями того, что игроки делают и что им нравится, мы могли бы автоматически создавать совершенно новый, адаптированный контент для игроков. Это означает, что у игроков не только будет более индивидуальный опыт в играх, но и игры будут постоянно меняться, а новый контент никогда не иссякает. Представьте себе будущую версию G rand Theft Auto, в которой вы могли бы ехать в любом направлении столько, сколько захотите, и игра давала бы вам новые города для исследования, встречи с новыми людьми, новые квесты. фулфил, новая архитектура, новая политика и так далее — и все это создано специально для вас!

Несмотря на опасения некоторых разработчиков по поводу этой технологии, ИИ не заменит гейм-дизайнеров-людей, по крайней мере, пока. Вместо этого это даст им сверхспособности. Дизайнер сможет начертить общий вид уровня и расставить ключевые элементы, а система автоматически заполнит пробелы. Или затем они смогут настроить сгенерированный уровень, используя высокоуровневые инструкции, такие как упростить игру для игроков с медленными рефлексами или сделать ее менее симметричной.

Тестирование

В последнее десятилетие огромные исследовательские усилия были направлены на создание ИИ-игроков, способных играть в игры. От настольных игр, таких как Chess или Go, классических игр Atari до шутеров от первого лица, таких как DOOM и Counter-Strike, мы видели очень впечатляющую работу по созданию или обучению хорошо играющих агентов. . Эта работа, часто выполняемая крупными и хорошо финансируемыми командами в крупных технологических компаниях, не предназначена для помощи в разработке игр, а в основном служит средством разработки и тестирования новых методов искусственного интеллекта. Однако эти игровые агенты находят широкое применение в процессе разработки. Одним из самых перспективных является игровое тестирование.

Объем и масштаб современных игр в сочетании с множеством игровых платформ, для которых они должны быть оптимизированы, означают, что тестирование стало еще более важным этапом разработки. Игры, поставляемые с ошибками и сбоями, ругаются фанатами, о чем свидетельствует грубый просчет CD Projekt Red с долгожданной, но критикуемой Cyberpunk 2077 — последствия запуска даже привели к тому, что компания оценила упадет на $1 млрд.

Тестирование очень трудоемко и занимает значительную часть большинства бюджетов на разработку игр, возможно, поэтому многие ошибаются. Методы, которые могут частично или полностью автоматизировать тестирование игр, способны полностью изменить процесс разработки.

Эти агенты также могут помогать в балансировке игры. Тестируя игру со многими различными агентами, управляемыми ИИ, мы можем увидеть, как в нее будут играть разные типы игроков, и соответствующим образом настроить параметры уровня.

Например, мы можем захотеть, чтобы ролевая игра была ненамного сложнее для игроков, которые торопятся пройти ее, чем для завершителей, которые тщательно прочесывают каждую область, и в то же время была более сложной для игроков, которым нравится срабатывать. Мы можем позволить алгоритму автоматически воспроизводить его, используя разные стили игры, и постепенно корректировать параметры игры для достижения правильного баланса.

Преимущества такого подхода только увеличиваются в многопользовательских играх. Задача сбалансировать игру Battle Royale с сотней людей на одной карте вручную огромна, начиная с того, что вам нужна сотня преданных делу людей, которые понимают игру каждый раз, когда вы хотите протестировать изменение дизайна.

Повышение уровня NPC

Мы начинаем видеть прогресс, когда дело доходит до игроков, управляемых компьютером. В последние годы было несколько действительно исключительных примеров дизайна NPC, таких как The Last of Us, Bioshock Infinite или Halo 2, где разработчики действительно раздвинули границы игрового дизайна. Но в целом боты на самом деле не так сильно продвинулись, просто потому, что многие из распространенных подходов к дизайну NPC практически не изменились с тех пор, как они были впервые созданы. Но все может измениться с ИИ.

Один из способов использования игрового ИИ для улучшения NPC — предоставление лучших помощников или членов команды. Многие геймеры часто жалуются на то, насколько бесполезными могут быть NPC, которые должны вам помогать. Благодаря лучшему моделированию игроков мы можем создавать агентов ИИ, которые могут с некоторой точностью предсказывать, что игрок будет делать, и планировать вокруг этого, чтобы достичь своих целей.

Важным прорывом в играх станет использование внутриигровыми персонажами естественного языка, генерируемого в реальном времени. Почти повсеместно игровые персонажи «говорят» заранее написанными предложениями, а взаимодействие обычно следует «дереву диалога», где игроки выбирают из ограниченного набора различных вариантов диалога.

Это очень удушающая форма взаимодействия, и никто никогда не задумывался о том, как лучше всего взаимодействовать с игровыми персонажами. Это скорее обходной путь, который стал стандартным за последние четыре десятилетия видеоигр просто потому, что мы не знаем, как на самом деле заставить игровых персонажей говорить.

Огромный прогресс в языковых моделях, основанных на глубоком обучении, обещает в конечном итоге способ обойти эту проблему. Давая языковым моделям правильные подсказки, теперь можно создавать письменные интерактивные диалоги на определенные темы и стили. Языковой генератор Open AI GPT-3 стал огромным шагом вперед в этой области исследований. Система дала нам возможность заглянуть в будущее ИИ — писать статьи, общаться с людьми онлайн, а также обеспечивать работу игры. Текстовая приключенческая игра позволяет игрокам вводить команды — от заварить чай до атаковать этого дракона бананом — и система делает все возможное, чтобы дать реалистичный ответ и продолжить историю.

Но по-прежнему очень сложно контролировать вывод языковых моделей, и NPC, построенные таким образом, могут в конечном итоге говорить вещи, которые мешают дизайну игры или еще хуже. В случае с AI Dungeon УТП игры были безграничными возможностями, но разработчикам игры пришлось изменить это на почти безграничные, так как многие игроки злоупотребляли системой, разыгрывая сексуальные контакты. Хотя система далека от совершенства, темпы прогресса в исследовании, уточнении и контроле языковых моделей, вполне вероятно, что мы увидим диалоги NPC, основанные на глубоком обучении, в не столь отдаленном будущем.

Графические обновления

С момента появления первых игр наиболее распространенным эталоном технического прогресса была графика. В то время как ИИ обычно ассоциируется с поведением, глубокое обучение значительно продвинулось в различных частях графического конвейера.

Исследователи из Intel Labs использовали фильтры машинного обучения для завершения графического вывода в старых играх. Они использовали глубокое обучение, обученное на реальных изображениях, чтобы сделать графику GTA V фотореалистичной, с улучшенными тенями, отражениями и текстурами. Но такая работа предназначена не только для исследователей. Существует растущее сообщество моддеров, которые графически улучшают старые игры, используя аналогичные подходы. Результаты далеки от совершенства и от воплощения в жизнь, но легко понять, к чему нас приведет такая работа в будущем.

Помимо перевыпуска игр с огромными графическими обновлениями, с более продолжительными исследованиями в этой области, теоретически этот метод можно использовать для того, чтобы снять большую часть нагрузки рендеринга с игрового движка, позволяя дизайнерам направить его вычислительную мощность на другие области. игры.

Захватывающее будущее

Многие из преимуществ, которые принесут эти методы искусственного интеллекта, упростят разработку, а также значительно улучшат опыт для игроков. Но чтобы увидеть настоящие преобразующие изменения, которые способен обеспечить искусственный интеллект, необходимо провести дополнительные исследования по всему стеку.

Было бы ошибкой рассматривать эти методы изолированно. Большинство из них могут дополнять и даже поддерживать друг друга. Улучшение PCG позволит обучать более разнообразных и в целом способных игровых агентов, а эти агенты, в свою очередь, облегчат тестирование игр и разработку лучших методов генерации контента.

Будущее отрасли безоблачно, и как только эти методы искусственного интеллекта будут усовершенствованы и усовершенствованы, это, вероятно, навсегда изменит игры. От творческого бремени дизайнеров до оптимизации тестирования, а также предоставления игрокам совершенно уникальных, адаптированных игр с бесконечным повторным воспроизведением.

Первоначально опубликовано на https://gameworldobserver.com 2 февраля 2022 г.