A legtöbb ember valószínűleg azt képzelte, hogy az elmúlt néhány évben megjelenő számítógépes és/vagy videójátékok nagy részében meg fog jelenni a mesterséges intelligencia, egy nem a játékos által irányított karakter formájában, emberi lény vagy állat képében.
Számos videojáték-fejlesztő azonban még mindig vonakodik attól, hogy a fejlett MI-t beépítsék a játékokba. Attól tartanak, hogy a játékosok elveszíthetik az irányítást a teljes játék élmény felett. Valójában a mesterséges intelligencia szerepe a videojátékokban nem az lenne, hogy verhetetlen lényeket hozzunk létre a játékosok ellen, hanem az, hogy a játékosoknak a játékban hosszútávú részvételt és a játék kimagasló élvezetét maximalizálják.
Ha elkezdenél egy új játékkal játszani, élveznéd is, de ? Vagy inkább társulnál valakivel / valami magasabb rendű lénnyel, hogy tanulhass tőle és javulhasson a technikád az idő előrehaladtával?
A játékosok túlnyomó többsége valószínűleg a második változat mellett döntene. Ez nem azt jelenti, hogy nincs helye a mesterséges intelligenciának a modern játékiparban, csak azt sugallja, hogy az MI célja eltér attól, amit eredetileg elvárnánk tőle. A játékipar fejlesztői tehát nem akarják a lehető legjobb MI-t létrehozni, csupán azt szeretnék, hogy a lehető legélvezetesebb MI-t alkossák meg a játékosok számára, hogy az ember a mesterséges intelligenciával kölcsönhatásba léphessen / versenyezhessen vele / tanulhasson tőle.
A mesterséges intelligencia (MI) története a videójáték iparban
Az MI egy nagyon széleskörű és átfogó kifejezés. Nem feltétlenül kell olyan modellnek lennie, amelyben az MI a játékos cselekedeteiből képes csak tanulni. A Wolfenstein 3D-t pl. 1992-ben újra kiadták, s amelyben már a katonák is rendelkeztek mesterséges intelligenciával. Az ún. Finite State Machine (FSM) algoritmus egy viszonylag egyszerű MI modell, amelyben a fejlesztők összeállítják az összes lehetséges esemény listáját, amelyet egy MI-vel felvértezett lény megtapasztalhat. A tervezők ezután konkrét válaszokat rendelnek hozzá a lénynek az egyes helyzetekre.
Fotó: TritonTimes.com
Képzeljük el, hogy 1992-ben a Wolfenstein 3D fejlesztői minden lehetséges helyzetet megfontoltak, amelyeket egy ellenséges katona megtapasztalhat. Egy ajtó kinyílhat vagy nem, Blazkowicz (a Wolfenstein sorozat hőse) belép-e a képbe vagy sem, hátulról lelőhetik-e vagy sem. A fejlesztők összeállították ezt a listát, és minden helyzetre vonatkozóan megmondták a szereplőnek, hogy éppen mit kell tennie.
Ez nyilvánvalóan csak egy egyszerűsített példa volt. Elképzelhetjük, hogy sokkal bonyolultabbá válik minden a legapróbb részletek szintjén. Egy ilyen lista nagyon hosszú lehet és nagyon részletessé válhat. Az FSM-ben minden helyzetet a játékot létrehozó fejlesztők egy speciális művelettel rendelik hozzá.
Az FSM algoritmust nem lehet minden játékban felhasználni. Képzeljük el az FSM használatát például egy stratégiai játékban. Ha egy lényt előre beprogramoztak, hogy minden alkalommal azonos módon reagáljon, mi gyorsan kitapasztalhatnánk, hogy kell túljárni a számítógép eszén. Ez olyan ismétlődő játékélményt hozhatna létre, amely, mivel folyamatosan számíthatunk rá, nem jelentene élvezetet a játékos számára.
A Monte Carlo Search Tree (MCST) algoritmust az FSM megismételhetőségének megakadályozására hozták létre. Az MCST úgy működik, hogy először megvizsgálja az összes lehetséges mozdulatot, amellyel egyintelligens lény rendelkezhet. Ezután mindegyik lehetséges lépésnél megvizsgálja az összes mozdulatot, amellyel a játékos (vagyis mi) reagálhatunk, majd megvizsgálja az összes lehetséges válaszlépést, amelyet válaszként megtehet az intelligens lény, és így tovább. Elképzelhetjük, hogy ez a lista milyen gyorsan milyen hatalmas méretűvé válhat.
Neurális hálózatok a videojátékokban
A játék, amelyet a neurális hálózatok alapvető megértésére most fel fogunk használni, az nem más, mint a jó öreg SNAKE, a Kígyó, melynek ezernyi változata jelent már meg az elmúlt évtizedek során.
Fotó: Studio LG
Azok számára, akik mégsem tudnák, miről beszélünk, nos a Snake egy 2D játék, ahol a négyzetek sorát (amit kígyónak neveztek el) irányíthatjuk. Három választási lehetőségünk van a mozgásra: balra, jobbra vagy mehetünk egyenesen. Ha beleütközünk a falba, vagy belefutunk a saját farkunkba, akkor azonnal meghalunk, és újraindul a játék. Az ételek elfogyasztásával pontokat gyűjthetünk, és ha ez a pontszám elér egy bizonyos szinten, akkor a kígyó farkához hozzáadódik egy újabb négyzet alakú elem. Tehát minél többet eszünk, annál hosszabbak leszünk. Ez a játék lényege. Minél hosszabbak vagyunk, annál nagyobb a valószínűsége, hogy hibázunk.
Képzeljük el, hogy meg akarjuk tanítani a kígyónak, hogyan lehet a lehető legmagasabb pontszámot elérni. Ahhoz, hogy a kígyó életben maradhasson ezen a világon, néhány dolgot meg kell tanulnia. Ahhoz, hogy kígyó tanulhasson, információkat kell tudnia a környezetéről. Erre az információra hivatkozhatunk, amelyet inputként szolgáltatunk a számára. Ezek a bemenetek bármik lehetnek, amiről van információnk. Például: 6 igen / nem kérdés: egyértelmű egyenesen, egyértelműen balra, egyértelműen van-e étel balra, van-e étel jobbra. Ez 6 bemeneti csomópontot eredményezhet 1-gyel vagy 0-val, az egyes kérdésekre adott válaszoktól függően. Ezek a bemenetek lehetnek a kígyó feje és a fal, a farok vagy az étel közötti távolság mérései is. Az egyszerűség kedvéért maradjunk a 6 bemeneti csomópontról.
A következő dolog, amit el kell mondani a kígyónak, hogy mit akarunk elérni. A kívánt cél kommunikálásához jutalmazási rendszert vezethetünk be. Például adhatunk a kígyónak 1 pontot minden alkalommal, amikor egy lépéssel elmozdul az étel felé, és talán 10 pontot adhatunk minden alkalommal, amikor meg is eszi az ételt és meghosszabbodik. Amikor az első kutatások során végrehajtották ezeket a jutalmakat a kígyónál, rájöttek, hogy a kígyó csak egy nagyon kis körben fog mozogni. Így a kígyó képes volt pontokat gyűjteni, elkerülve a falak és a hosszú farok veszélyeit. Nyilvánvaló, hogy nem ez volt a kívánt eredmény. Az eredeti modellbe be kellett építeni valamilyen típusú büntetést is, amely eltávolítja a korábban megszerzett pontokat, amikor a kígyó eltávolodik az ételtől. Ez arra ösztönözte a kígyót, hogy elsősorban inkább az étel irányába mozduljon.
Tehát lett egy kígyónk, amely információkat rendelkezik a környezetéről, és egy jutalmazási rendszer, amely meghatározza, mi a célja.
A videojátékok felhasználásai a való világban
A videojáték-iparban ma már ugyanezt a megerősítő tanulást alkalmazzák, amelyet más iparágakban. Például a Grand Theft Auto játékban előre beprogramozták a „közlekedési szabályokat, az úthálózatot és az „autófizikát” is. Biztonságos és valósághű környezetet alakítottak ki az önjáró autóalgoritmusok teszteléséhez. Nem csak biztonságos lett és reális, hanem akár 1000-szer gyorsabb is lett így az adatgyűjtés a virtuális környezetben a valós világhoz képest.
Fotó: Gameranx
Az egyik legújabb fejlesztése a mesterséges intelligenciával rendelkező videojátékokban az Open AI nevet kapta. Az Open AI olyan algoritmuson alapuló játékok létrehozására alkalmas, amelyek egyetlen célja az, hogy egyszerűen felruházzák a természetes kíváncsiság érzésével.
A jutalomrendszer sokkal inkább a felfedezés jutalmazására összpontosít, mint a játékban való folyamatos továbbjutásra. A kutatók ezt a kíváncsiság-vezérelt modellt a Super Mario Bros legújabb verziójában helyezték el, és a tiszta kíváncsisággal is sikeresen átjutott a 11. szintre.
Nyilvánvaló, hogy ennek van hátránya is, mivel óriási számítási teljesítményre van szükség, és a gép könnyen elvonhatja az ember figyelmét. Ahogy az egyik kutató idézett: „Úgy tűnik, hogy a csecsemőkkel cél nélküli kutatást végeztek olyan készségek megtanulásával kapcsolatban, amelyek később esetleg hasznosak lesznek számukra az életben.”
Ma már a mesterséges intelligencia számos formája létezik a videojáték-iparban. Függetlenül attól, hogy egy egyszerűsített FSM modell van a háttérben vagy egy fejlett neuron hálózat segíti a tanulást a környezeti visszajelzések alapján, a lehetséges variációk száma szinte végtelen.
Fotó: TowardsDataScience.com
Hírek, amelyekben megtalálható a(z) Robotos Játékok nevű címke
Az elmúlt időszakban rengeteg szuper játékot tesztelhettünk le teljesen ingyenesen, a játékipar szereplőinek hála. Most úgy néz ki, hogy a Just Cause szériáért felelős Avalanche Studios is beállt a sorba. Limitált ideig ingyenesen tették elérhetővé a kooperatív FPS-üket.
A számítógépes játékok történetében régóta bizonyított tény, hogy a durva, esetleg trágár beszéd elbizonytalaníthatja az ellenfeleinket. Egy új kutatásból az derült ki, hogy ez az állítás akkor is érvényes, ha a játszó partnerünk nem ember, hanem egy robot.
A vitatémához három játékfejlesztő csatlakozott: Ryan Sumo, a Political Animals c. választásszimulátor megalkotója, Francis Tseng, akinek a Founder elnevezésű üzleti játék megalkotója, valamint David O’Reilly, az Everything c. játék kitalálója és fejlesztője.
Fotó: TritonTimes.com
Fotó: Studio LG
Fotó: Gameranx
Fotó: TowardsDataScience.com
