یادگیری ماشینی می‌تواند رئیس‌های بازی عالی را ایجاد کند

کمپ زدن در محل گوی ها یک استراتژی محکم است: بازیکن برای برنده شدن باید گوی ها را بردارد (تصور کنید ارواح Pac-Man صرفاً در نزدیکی ورودی های هر گوشه از نقشه باقی بمانند). همچنین باعث می شود که بازی کمتر سرگرم کننده باشد. بازیکنان دیگر تعقیب و گریز هیجان انگیزی را تجربه نمی کنند. در عوض، هوش مصنوعی ممکن است یک کمین غیرقابل پیش بینی ایجاد کند. Trachel و Peyrot می گویند که هدف آنها ایجاد ربات های فوق بشری نیست – که برای یک بازیکن تازه کار سرگرم کننده و جذاب نباشد – بلکه در عوض یافتن راه هایی برای ،یب یادگیری ماشینی در ابزارهای هوش مصنوعی بازی است که قبلاً در تولید استفاده شده است.

این ممکن است برای بازیکن، که هوس هوش مصنوعی بهتری دارند ،ل کننده به نظر برسد. با این حال، تکنیک‌های یادگیری ماشینی که توسط Trachel و Peyrot نشان داده شده‌اند، حتی زم، که دشمن، که بازیکنان در بازی تمام‌شده با آن‌ها روبرو می‌شوند، از آن استفاده نمی‌کنند، برای سختی تنظیم مفید هستند. جولیان توگلیوس، بنیانگذار و مدیر تحقیقات در Modl.ai، نزدیک به پنج سال از هوش مصنوعی برای آزمایش بازی ها استفاده کرده است. Modl.ai از ربات‌ها برای شکار اشکالات گرافیکی، یافتن نقص‌ها در هندسه جهان و شناسایی موقعیت‌هایی که برنده شدن را غیرممکن می‌کند، استفاده می‌کند.

“شما می تو،د به ما بگویید که به چه نوع وضعیت ش،ت علاقه مند هستید. و سپس اساساً اجرا می شود. توگلیوس می‌گوید: شما یک کار را ا،اج می‌کنید، و بسته به میز، که می‌خواهید کاوش کنید، کار می‌کند. «و البته، ما می‌تو،م اینها را برای شما دسته‌بندی کنیم و گزارشی ارائه کنیم، و بگوییم که در اینجا به نظر می‌رسد مشکل دارید و غیره.»

ربات‌های آزمایشی Modl.ai از یادگیری ماشینی برای تطبیق با هر بازی آزمایش شده استفاده می‌کنند، اگرچه اجرای فعلی آن این سازگاری‌ها را برای هر ،وان خاص محدود می‌کند. توگلیوس می‌گوید که این شرکت در حال ساخت نمونه اولیه از یادگیری عمیق است که رفتار ربات‌ها را در چندین بازی آموزش می‌دهد. پس از استفاده، ربات‌های Modl.ai یاد می‌گیرند که رفتار بازیکنان واقعی را تقلید کنند، که باید به طور مؤثرتری مسائلی را که بازیکنان پیدا می‌کنند کشف کنند.

برای یادگیری واقعی ماشین، موتورهای بازی به یک انقلاب نیاز دارند

وقتی ،ت به مشکل می رسد، یادگیری ماشین می تواند هم مشکل و هم راه حل باشد. اما ایجاد یک چالش منصفانه و سرگرم کننده تنها مانع توسعه دهندگ، نیست که می خواهند از یادگیری ماشینی در بازی ها استفاده کنند. مشکلات عمیق‌تر می‌شوند، در واقع آنقدر عمیق هستند که ممکن است مجبور شوند در مورد نحوه ساخت بازی‌ها تجدید نظر کنیم.

عملکرد یک مانع است. یادگیری ماشینی به داده‌های آموزشی زیادی برای نتایج ارزشمند نیاز دارد و این داده‌ها را فقط می‌توان با هزاران یا ده‌ها هزار بار انجام یک بازی به‌دست آورد (اگرچه ربات‌ها می‌توانند بار را کاهش دهند، تاکتیکی که Trachel و Peyrot در ساخت نسخه نمایشی خود استفاده ،د). و به محض جمع‌آوری داده‌های آموزشی، اجرای مدل به‌دست‌آمده در زمان واقعی دشوار می‌شود.

Trachel و Peyrot در ایمیلی گفتند: “بله، عملکرد به وضوح یک مشکل است، به ویژه در مورد مدل های ML بزرگ که فریم ها را برای هر تیک ساعت بازی پردازش می کنند.” در مورد ما، برای جلوگیری از مشکلات عملکرد، از یک شبکه عصبی کوچک استفاده کردیم که فقط در لحظات دقیق بازی استنباط می‌کرد. گسترش به محیط‌های بزرگ دنیای باز که بازیکنان مدرن انتظار دارند کاملاً موضوع دیگری است.

توگلیوس می گوید نحوه کار موتورهای بازی مدرن این مشکل را تشدید می کند. او می‌گوید: «یادگیری ماشین ،وماً کند خواهد بود زیرا موتورهای بازی برای این کار ساخته نشده‌اند. یکی از دلایل متعددی که ما هوش مصنوعی مدرن جالب‌تری را در بازی‌ها نمی‌بینیم این است که Unreal و Unity و همه امثال آنها اساساً وحشتناک هستند – ضد هوش مصنوعی از جهات مختلف.

پویانمایی موضوع دیگری است. ا،ر موتورهای بازی مدرن انتظار دارند که ،میشن ها به طور دقیق فریم به فریم تعریف شوند. این زم، که ،ماتورها با اطمینان می‌دانند شخصیت‌های بازی چگونه رفتار خواهند کرد، به خوبی کار می‌کند، اما یک هوش مصنوعی که توسط یادگیری ماشینی کنترل می‌شود ممکن است به گونه‌ای رفتار کند که ،ماتورها انتظار نداشتند. طراحان می توانند در این زمینه کار کنند با رویکردی مبتنی بر فیزیک به ،میشن، اما این فشار عملکردی بیشتری را بر روی کنسول بازی یا سخت افزار رایانه وارد می کند و چالش های توسعه خاص خود را دارد.

به طور خلاصه، توسعه دهندگان با هیولایی که خودشان ساخته اند روبرو می شوند. موتورهای بازی برای استفاده از درختان رفتار و اقدامات تجویز شده برای ایجاد دنیای NPC های کنترل شده با هوش مصنوعی ساخته شده اند که حتی روی سخت افزارهای ناچیز نیز به خوبی کار می کنند. اما با افزایش سرعت یادگیری ماشینی، این راه حل های ک،یک باید مورد بازنگری قرار گیرند.

اگر با یک محقق یادگیری ماشینی که طراحی بازی را نمی‌داند صحبت کنید، آنها می‌گویند، چرا از چیزهای جدید استفاده نمی‌کنید و NPC‌هایی را دریافت نمی‌کنید که واقعی‌تر هستند و با نحوه بازی شما سازگار هستند. توگلیوس می گوید. اما شما نمی تو،د این را فقط به یک بازی موجود متصل کنید. شما باید دوباره فکر کنید که این بازی چیست.”