H τεχνητή νοημοσύνη αναπτύσσεται συνεχώς – τώρα σε συνδυασμό με το machine learning μπορεί και να δούμε έναν νέο κόσμο να ανοίγεται μπροστά μας όσον αφορά το gaming.
Είστε μέσα στην πίστα, νιώθετε συνεχώς κάτι να σας ακολουθεί. Όπου και να στρίψετε, η παρουσία του δεν σας αφήνει ήσυχους. Προσπαθείτε να ξεφύγετε, μάταια. Για μια στιγμή είχατε την ελπίδα ότι ξεφύγατε – τότε όλα σκοτείνιασαν, χάσατε.
Το γνωστό γραφικό με τα ζωντανά κόκκινα χρώματα εμφανίζεται μπροστά στην οθόνη σας να σας πει το γνωστό “Game Over”. Στο κάτω μέρος της οθόνης, σας ζητάει να δηλώσετε τη δυσκολία του παιχνιδιού.
Επιλέξατε «Δύσκολο»; Την επόμενη φορά λοιπόν ο εχθρός σας θα είναι λίγο πιο εύκολος χωρίς να σας καταδιώκει συνεχώς.
Δείτε επίσης: PlayStation Plus Ιανουάριος: Τα δωρεάν παιχνίδια
Η ώρα του A.I να μπει στη gaming σκηνή
Στο Unreal Fest 2022, το παιχνίδι που μόλις περιγράψαμε παρουσιάστηκε από τους Romain Trachel και Alexandre Peyrot, δύο machine learning ειδικούς από την Eidos-Sherbrooke.
Συνδυάζει την τεχνητή νοημοσύνη με το Environment Query System (EQS) της Unreal Engine, το οποίο επιτρέπει στους προγραμματιστές να χρησιμοποιούν χωρικές πληροφορίες για να καθοδηγούν τις αποφάσεις που θα πάρει η τεχνητή νοημοσύνη.
Συνήθως, χρησιμοποιούνται “δέντρα συμπεριφοράς” με πολυεπίπεδες μεταβλητές και επιλογές διακλάδωσης. Ωστόσο, σε αυτή την επίδειξη, ένα machine learning μοντέλο ελέγχει τη συμπεριφορά της τεχνητής νοημοσύνης.
Το Unreal EQS χρησιμεύει ως τα μάτια και τα αυτιά του AI, συλλέγοντας πληροφορίες για το περιβάλλον του, ενώ το μοντέλο μηχανικής μάθησης χρησιμεύει ως ο εγκέφαλός του, καθορίζοντας πώς θα πρέπει να αντιδράσει.
Μη σας ξεγελάει η περιγραφή που κάναμε πριν, το παιχνίδι που σας παρουσιάσαμε πριν, δεν είναι τόσο τρομακτικό. Με το gameplay του να είναι σαν το κυνήγι “σκύλου και γάτας”, είναι απλούστατα ένα παιχνίδι με τον χαρακτήρα του κλασικού Pac-Man αλλά η συμπεριφορές των αντιπάλων δεν είναι πλέον scripted. Έτσι, αν θελήσει κάποιος developer να αυξήσει το επίπεδο καταδιώξης για παράδειγμα, θα πρέπει να αυξήσει τις τιμές αναφορών στις δοκιμές EQS.
To machine learning μοντέλο διευκολύνει πολύ την διαδικασία παραγωγής των video games καθώς είναι πιο εύκολο για έναν developer να αλλάξει κάποια τιμή στο ίδιο το μοντέλο από το να τροποποιεί τα στοιχεία των “δέντρων συμπεριφοράς” ένα ένα.
Δείτε επίσης: Xbox: 3 μελλοντικά παιχνίδια Bethesda θα είναι console exclusive
Η διαφορά του καλύτερου και του εξυπνότερου
Η Deep Blue της IBM και η DeepMind AlphaStar της Google μας έχουν αποδείξει ότι υπάρχει δυνατότητα δημιουργίας του πιο βάναυσου εχθρού μέσα σε ένα παιχνίδι. Κάτι τέτοιο όμως δεν είναι πάντα το επιθυμητό, διότι η τεχνητή νοημοσύνη είναι ικανή να σου καταστρέψει το gaming experience με τις ύπουλες τακτικές της και να μην μπορεί να σε αφήσει να κάνεις τίποτα!
Στην παρουσίαση που έκαναν, οι Trachel και Peyrot δοκίμασαν τη τεχνητή νοημοσύνη με κάθε λογής τρόπο. Μπόρεσε να γίνει τόσο δύσκολο, αλλά και τόσο έξυπνο ταυτόχρονα. Σκεφτείτε να παίζετε το Pac-Man και η τεχνητή νοημοσύνη να έχει υπολογίσει οτι να πρέπει να μαζέψετε 1 κίτρινο «μπισκότο» για να περάσετε την πίστα με αποτέλεσμα οι εχθροί να το έχουν περικυκλώσει από κάθε μεριά και να μην σας αφήνουν με κανένα τρόπο να το «φάτε».
Εδώ και σχεδόν πέντε χρόνια, ο συνιδρυτής και διευθυντής ερευνών της Modl.ai, Julian Togelius, χρησιμοποιεί τεχνητή νοημοσύνη για την αξιολόγηση βιντεοπαιχνιδιών. Τα AI-ρομπότ της Modl.ai χρησιμοποιούνται για την αναζήτηση σφαλμάτων στα γραφικά, να εντοπίζουν προβλήματα με τη “γεωμετρία” του εικονικού κόσμου και να εντοπίζουν καταστάσεις όπου δεν μπορείς να κερδίσεις με τίποτα.
Για ένα πραγματικό machine learning, οι μηχανές παιχνιδιών (game engines) χρειάζονται την επανάσταση τους.
Το machine learning μπορεί να αποτελέσει πρόβλημα ή λύση όσον αφορά τη δυσκολία παιχνιδιού.
Η δημιουργία μιας δίκαιης και ευχάριστης πρόκλησης δεν είναι το μόνο πρόβλημα που αντιμετωπίζουν οι προγραμματιστές οι οποίοι θέλουν να το ενσωματώσουν στα παιχνίδια τους.
Τα ζητήματα είναι πιο περίπλοκα – στην πραγματικότητα, είναι τόσο περίπλοκα που μπορεί να απαιτήσουν την επαναξιολόγηση του τρόπου με τον οποίο φτιάχνονται τα παιχνίδια.
Η απόδοση είναι ένα εμπόδιο. Το machine learning απαιτεί πολλά δεδομένα εκπαίδευσης για να έχει αξιόλογα αποτελέσματα.
Τα bots μπορούν να βοηθήσουν σε αυτή την κατάσταση, αλλά και πάλι χρειάζονται δεκάδες χιλιάδες ώρες για να μαζευτούν τα αναγκαία δεδομένα.
Στην συγκεκριμένη περίπτωση, οι Trachel και Peyrot χρησιμοποίησαν ένα μικρό neural network που λάμβανε δράση σε μερικά μόνο σημεία του παιχνιδιού. Προφανώς αν αυτό είναι να εφαρμοστεί σε μεγαλύτερες κλίμακες, τότε τα πράγματα είναι διαφορετικά.
Σύμφωνα με τον Togelius, ο τρόπος με τον οποίο λειτουργούν οι σύγχρονες μηχανές παιχνιδιών επιδεινώνει το πρόβλημα καθώς δεν είναι χτισμένες για κάτι τέτοιο. «Η Unreal και η Unity (εταιρείες game engine) και όλες οι παρόμοιές τους είναι τρομερά anti-AI με πολλούς τρόπους».
Ένα άλλο θέμα είναι το animation. Οι περισσότερες σύγχρονες μηχανές παιχνιδιών απαιτούν τα κινούμενα σχέδια να είναι αυστηρά καθορισμένα frame by frame. Ωστόσο ένα AI που ελέγχεται από machine learning μπορεί να μην συμπεριφερθεί με τον ίδιο τρόπο.
Οι προγραμματιστές πρέπει τώρα στην ουσία, να αντιμετωπίσουν ένα τέρας που οι ίδιοι δημιούργησαν με το καιρό. Οι μηχανές παιχνιδιών έχουν σχεδιαστεί για να χρησιμοποιούν δέντρα συμπεριφοράς και προδιαγεγραμμένες ενέργειες για τη δημιουργία «κόσμων ελεγχόμενων από τη τεχνητή νοημοσύνη των NPC (non-player character)».
Ο Togelius πιστεύει ότι η κοινή γνώμη των machine learning ερευνητών θέλει οι κατασκευαστές να χρησιμοποιήσουν νέα πράγματα, να υπάρχουν NPCs που είναι πιο αληθοφανείς και να προσαρμόζονται στον τρόπο παιχνιδιού του καθενός. Μας εξηγεί όμως ότι δεν γίνεται κάτι τέτοιο να ενταχθεί σε ένα υπάρχον παιχνίδι. Αυτό οδηγεί στην ερώτηση του τι είναι πραγματικά ένα παιχνίδι.
Το gaming μέλλον είναι μπροστά μας, μέσα στα επόμενα χρόνια θα γνωρίσουμε έναν νέο κόσμο. Κάντε υπομονή!
Πηγή πληροφοριών: wired.com
