Наука в новостях

Открытие линий связи между учеными-исследователями и более широким сообществом

Поиск

• Страница СИТН в Facebook
• Твиттер-канал SITN
• Страница СИТН в Instagram
• Лекции SITN на YouTube
• Подкаст SITN на SoundCloud
• Подпишитесь на список рассылки SITN
• RSS-канал веб-сайта SITN

28 августа 2017 г.

ИИ в видеоиграх: на пути к более интеллектуальной игре

Харбинг Лу
рисунки Шеннон МакАрдел

ИИ, основа всех видеоигр

Если вы когда-либо играли в видеоигры, вы взаимодействовали с искусственным интеллектом (ИИ). Независимо от того, предпочитаете ли вы игры с гоночными автомобилями, такие как Жажда Скорости, стратегические игры, такие как Цивилизация, или стрелялки, такие как Ответный удар, вы всегда найдете элементы, контролируемые ИИ. ИИ часто стоит за персонажами, на которых вы обычно не обращаете особого внимания, такими как вражеские крипы, нейтральные торговцы или даже животные. Но как ИИ, используемый в играх, связан с ИИ, о котором технологические гиганты говорят каждый день?

Игра против ИИ

Недавно Илон Маск предупредил мир, что быстрое развитие искусственного интеллекта с возможностью обучения Google и Facebook подвергнет человечество опасности. Такой аргумент привлек большое внимание общественности к теме ИИ. Яркое видение ИИ, описанное этими техническими гигантами, похоже, является программой, которая может обучаться и становиться все сильнее и сильнее, получая все больше данных. В какой-то степени это верно для ИИ, такого как AlphaGo, который известен тем, что побеждает лучших игроков в го среди людей. AlphaGo обучалась, наблюдая за миллионами исторических матчей в го, и до сих пор учится, играя с игроками онлайн. Однако термин «ИИ» в контексте видеоигр не ограничивается этим самообучающимся ИИ.

Вместо того, чтобы учиться, как лучше всего побеждать игроков-людей, ИИ в видеоиграх предназначен для улучшения игрового опыта игроков-людей. Наиболее распространенная роль ИИ в видеоиграх — управление неигровыми персонажами (NPC). Дизайнеры часто используют уловки, чтобы эти NPC выглядели умными. Один из наиболее широко используемых приемов, называемый алгоритмом конечного автомата (FSM), был введен в дизайн видеоигр в 1990-х годах. В FSM дизайнер обобщает все возможные ситуации, с которыми может столкнуться ИИ, а затем программирует конкретную реакцию для каждой ситуации.По сути, искусственный интеллект FSM быстро реагировал бы на действия игрока-человека своим заранее запрограммированным поведением. Например, в игре-стрелялке ИИ будет атаковать, когда появится игрок-человек, а затем отступит, когда его собственный уровень здоровья станет слишком низким. Упрощенная блок-схема FSM показана на следующем изображении (рис. 1). В этой игре, ориентированной на FSM, данный персонаж может выполнять четыре основных действия в ответ на возможные ситуации: помощь, уклонение, блуждание и атака. Многие известные игры, такие как Поле битвы, Зов долга, а также Расхитительница гробниц, включать успешные примеры дизайна FSM AI. Даже черепахи в супер Марио иметь рудиментарный дизайн FSM.

Очевидным недостатком конструкции FSM является ее предсказуемость. Поведение всех NPC запрограммировано заранее, поэтому, сыграв несколько раз в игру на основе FSM, игрок может потерять интерес.

Более продвинутый метод, используемый для улучшения персонализированного игрового процесса, — это алгоритм дерева поиска Монте-Карло (MCST). MCST воплощает в себе стратегию использования случайных испытаний для решения проблемы. Это стратегия ИИ, используемая в Deep Blue, первой компьютерной программе, победившей чемпиона мира по шахматам в 1997 году. Для каждого очка в игре Deep Blue будет использовать MCST, чтобы сначала рассмотреть все возможные ходы, которые он может сделать, а затем рассмотреть все возможные ходы. возможный игрок-человек делает ответный ход, затем рассмотрите все его возможные ответные ходы и так далее. Вы можете представить, что все возможные ходы расширяются, как ветви растут из ствола — вот почему мы называем это «деревом поиска». После многократного повторения этого процесса ИИ вычислял бы окупаемость, а затем выбирал лучшую ветвь. Сделав реальный ход, ИИ снова повторит дерево поиска, основываясь на возможных результатах. В видеоиграх ИИ с дизайном MCST может просчитывать тысячи возможных ходов и выбирать те из них, которые окупаются лучше всего (например, больше золота).

Подобный алгоритм также применялся во многих стратегических играх.Однако, поскольку возможных ходов намного больше, чем в шахматах, рассмотреть их все невозможно. Вместо этого в этих играх MCST случайным образом выбирал некоторые из возможных ходов для начала. Поэтому результаты становятся гораздо более неопределенными для игроков-людей. Например, в Цивилизация, игра, в которой игроки соревнуются за развитие города, соревнуясь с ИИ, который делает то же самое, невозможно заранее запрограммировать каждое движение для ИИ. Вместо того, чтобы предпринимать действия только на основе текущего состояния, как в случае с FSM, ИИ MCST оценивает некоторые из возможных следующих шагов, таких как разработка «технологии», нападение на игрока-человека, защита крепости и так далее. Затем ИИ выполняет MCST для расчета общей окупаемости каждого из этих ходов и выбирает наиболее ценный.

Упрощенная блок-схема того, как можно использовать MCST в такой игре, показана на следующем рисунке (Рисунок 2). Сложные игры с открытым миром, такие как Цивилизация использовать MCST, чтобы обеспечить различное поведение ИИ в каждом раунде. В этих играх развитие ситуации никогда не предопределено заранее, каждый раз предоставляя игрокам новый игровой опыт.

Учимся становиться умнее ИИ

Хотя дизайнеры ИИ в 1990-х очень много работали над тем, чтобы NPC выглядели умными, этим персонажам не хватало одной очень важной черты: способности к обучению. В большинстве видеоигр модели поведения неигровых персонажей запрограммированы, и они не способны чему-либо научиться у игроков, например. они не развиваются на основе действий игроков-людей. Причина, по которой большинство NPC не проявляют способности к обучению, заключается не только в том, что сложно запрограммировать машины на обучение, но и в том, что большинство дизайнеров предпочитают избегать любого неожиданного поведения NPC, которое может ухудшить опыт игрока-человека.

Одним из первых ИИ для видеоигр, в котором появились неигровые персонажи с способностями к обучению, была цифровая игра для домашних животных Petz. В этой игре игрок может дрессировать оцифрованного питомца так же, как он или она может дрессировать настоящую собаку или кошку.Поскольку стиль дрессировки у разных игроков разный, поведение их питомцев также становится персонализированным, что приводит к сильной связи между питомцем и игроком. Однако включение в эту игру возможности обучения означает, что геймдизайнеры теряют возможность полностью контролировать игровой процесс, что не делает эту стратегию очень популярной среди дизайнеров. Снова используя стрелялку в качестве примера, игрок-человек может намеренно появляться в одном и том же месте снова и снова, постепенно ИИ будет атаковать это место, не исследуя его. Затем игрок может воспользоваться памятью ИИ, чтобы избежать столкновения с ИИ или устроить ему засаду. Такая стратегия находится вне контроля дизайнеров. До сих пор игры с виртуальными питомцами по-прежнему представляют собой единственный сегмент игрового сектора, в котором постоянно используются ИИ со способностью к обучению.

Играть против ИИ или жить с ним?

После успеха AlphaGo некоторые люди подняли вопрос о том, могут ли ИИ также побеждать игроков-людей в видеоиграх стратегии в реальном времени (RTS), таких как StarCraft, War Craft или FIFA. Короткий ответ: да, могут. С точки зрения возможных ходов и количества юнитов, которыми нужно управлять, игры RTS намного сложнее, чем более простые игры, такие как Го. В играх RTS у ИИ есть важные преимущества перед игроками-людьми, такие как способность выполнять несколько задач одновременно и реагировать с нечеловеческой скоростью. На самом деле, в некоторых играх разработчикам ИИ приходилось намеренно уменьшать возможности ИИ, чтобы улучшить опыт игроков.

В будущем развитие ИИ в видеоиграх, скорее всего, не будет сосредоточено на создании более мощных NPC, чтобы более эффективно побеждать игроков-людей. Вместо этого разработка будет сосредоточена на том, как создать лучший и более уникальный пользовательский опыт.По мере того как технологии виртуальной реальности (VR, которая обеспечивает захватывающий опыт просмотра с помощью дисплея) и дополненной реальности (AR, которая сочетает в себе физический взгляд человека на мир с виртуальными элементами) продолжают расширяться, граница между виртуальным и реальным миром начинает размываться. Прошлогодняя Pokémon Go, самая известная игра с дополненной реальностью, впервые продемонстрировала непреодолимую силу объединения реального мира с миром видеоигр. В будущем видеоигры с открытым миром на основе VR и AR могут предоставить игрокам опыт «реального мира», возможно, подобный тому, что представлен в сериале «Мир Дикого Запада». В этой серии игроки-люди могут играть во что угодно с роботами, управляемыми ИИ, и чувствовать себя точно так же, как в реальном мире. С ростом возможностей обработки естественного языка игроки-люди однажды не смогут определить, управляет ли персонажем в видеоиграх ИИ или другой игрок-человек.

Эндрю Уилсон, генеральный директор Electronic Arts, однажды предсказал, что «ваша жизнь будет видеоигрой». По мере того, как технология AI-VR/AR развивается и побуждает нас погружаться во все более виртуальный мир, его видение может стать реальностью. В таком случае, как вы думаете, вы бы предпочли играть с ИИ или с реальным человеком? Это будет становиться все более актуальным вопросом.