Od Atari po Doom: Jak Google předefinovává videohry pomocí umělé inteligence

Průmysl videoher, jehož hodnota nyní přesahuje 347 miliard dolarů, se stal významným hráčem ve světě zábavy, jehož součástí je více než tři miliardy lidí po celém světě. Od jednoduchých her jako Pong a Space Invaders se vyvinul do složitějších her jako Doom, který stanovil nové standardy se svými 3D vizuálními efekty a domácím herním prostředím. Dnes stojí tento průmysl na prahu nové éry, ovlivněné pokroky v oblasti umělé inteligence (AI). Touto transformací vede Google (GOOGL ), který využívá svých rozsáhlých zdrojů a technologií k předefinování toho, jak jsou videohry vytvářeny, hrány a prožívány. Tento článek zkoumá Googleovu cestu v předefinování videoher.

Začátek: AI pro hraní her Atari

Googleův gebruik AI ve videohrách začal s kritickým vývojem: vytvořením AI schopného rozpoznat herní prostředí a reagovat jako lidský hráč. V této rané fázi představili hluboký učení posilování agenta, který mohl naučit kontrolní strategie přímo z herního procesu. Centrálním prvkem tohoto vývoje byla konvoluční neuronová síť, která byla trénována pomocí Q-učení, a která zpracovávala surová pixelová data a převáděla je do herních akcí na základě aktuálního stavu.

Vědci aplikovali tento model na sedm her Atari 2600 bez změny architektury nebo algoritmu učení. Výsledky byly působivé – model překonal předchozí metody ve šesti hrách a překonal lidské výkony ve třech. Tento vývoj ukázal potenciál AI pro zpracování složitých, interaktivních videoher s pouhým vizuálním vstupem.

Tento průlom položil základy pro pozdější úspěchy, jako je vítězství AlphaGo nad šampionem v Go. Úspěch AI agentů v ovládnutí náročných her od té doby podnítil další výzkum do reálných aplikací, včetně interaktivních systémů a robotiky. Vliv tohoto vývoje je stále cítit v oblastech strojového učení a AI.

AlphaStar: AI pro učení komplexní herní strategie pro StarCraft II

Na základě svých raných úspěchů v AI se Google zaměřil na složitější výzvu: StarCraft II. Tato hra v reálném čase je známá svou složitostí, protože hráči musí ovládat armády, spravovat zdroje a provádět strategie v reálném čase. V roce 2019 představil Google AlphaStar, AI agenta schopného hrát StarCraft II profesionálně.

Vývoj AlphaStaru využíval kombinaci hlubokého učení posilování a imitativního učení. Nejprve se naučil sledováním záznamů profesionálních hráčů, poté se zlepšoval prostřednictvím samo-hry, běžel miliony zápasů, aby vylepšil své strategie. Tento úspěch demonstroval schopnost AI zvládnout složitou, strategickou hru v reálném čase, dosahující výsledků, které odpovídaly lidským hráčům.

Mimo jednotlivé hry: Směrem k více obecnému AI pro hry

Googleův nejnovější pokrok signalizuje posun od ovládnutí jednotlivých her k vytvoření více univerzálního AI agenta. Nedávno představili SIMA, zkratku pro Scalable Instructable Multiworld Agent, nový AI model navržen pro navigaci v různých herních prostředích pomocí přirozeného jazykového příkazu. Na rozdíl od předchozích modelů, které vyžadovaly přístup k hernímu zdrojovému kódu nebo vlastním API, SIMA funguje se dvěma vstupy: obrazovkovými snímky a přímými jazykovými příkazy.

SIMA překládá tyto příkazy do klávesových a myších akcí pro ovládání herní postavy. Tato metoda umožňuje interagovat s různými virtuálními prostředími způsobem, který napodobuje lidskou hru. Výzkum ukázal, že AI trénovaný napříč několika hrami funguje lépe než ti, kteří byli trénováni na jedinou hru, čímž se zvýšila SIMAina schopnost pohánět novou éru obecného nebo základního AI pro hry.

Googleova pokračující práce se zaměřuje na rozšíření SIMAiných schopností, zkoumající, jak takoví univerzální, jazykově řízení agenti mohou být vyvinuti napříč různými herními prostředími. Tento vývoj představuje významný krok směrem k vytvoření AI, která se může přizpůsobit a prosperovat v různých interaktivních kontextech.

Generativní AI pro herní design

Nedávno Google rozšířil svůj focus od vylepšování herního procesu k vývoji nástrojů, které podporují herní design. Tento posun je poháněn pokroky v oblasti generativního AI, zejména v oblasti generování obrazů a videí. Jedním z významných vývoje je použití AI pro vytvoření adaptivních nehráčských postav (NPC), které reagují na hráčovy akce více realistickým a nepředvídatelným způsobem.

Dále Google prozkoumal procedurální generaci obsahu, kde AI pomáhá při navrhování úrovní, prostředí a celých herních světů na základě specifických pravidel nebo vzorců. Tato metoda může zjednodušit vývoj a nabídnout hráčům jedinečné, personalizované zkušenosti s každým průchodem, čímž se zvýší pocit zvědavosti a očekávání. Příkladem je Genie, nástroj, který umožňuje uživatelům navrhovat 2D videohry poskytováním obrázku nebo popisu. Tento přístup činí herní vývoj přístupnějším, i pro ty, kteří nemají programovací dovednosti.

Genieina inovace spočívá v jeho schopnosti učit se z různých videozáznamů 2D platformových her, místo aby se spoléhal na explicitní instrukce nebo označená data. Tato schopnost umožňuje Genie lépe porozumět herním mechanismům, fyzice a designovým prvkům. Uživatelé mohou začít s základní ideou nebo náčrtem, a Genie vygeneruje kompletní herní prostředí, včetně nastavení, postav, překážek a herních mechanismů.

Generativní AI pro herní vývoj

Na základě předchozích pokroků představil Google svou nejambicióznější projekt dosud, zaměřený na zjednodušení komplexního a časově náročného procesu herního vývoje, který tradičně vyžadoval rozsáhlé programování a specializované dovednosti. Nedávno představili GameNGen, generativní AI nástroj navržen pro zjednodušení herního vývoje. GameNGen umožňuje vývojářům vytvářet celé herní světy a příběhy pomocí přirozených jazykových příkazů, což výrazně snižuje čas a úsilí potřebné pro vytvoření hry. Díky generativnímu AI může GameNGen generovat jedinečné herní assety, prostředí a příběhy, umožňující vývojářům soustředit se více na kreativitu než na technické detaily. Například výzkumníci použili GameNGen k vývoji plné verze Doomu, demonstrující jeho schopnosti a otevírající cestu k efektivnějšímu a přístupnějšímu hernímu vývoji.

Technologie za GameNGenem zahrnuje dvoufázový tréninkový proces. Nejprve je AI agent trénován na hru Doom, vytvářející herní data. Tato data poté trénují generativní AI model, který předpovídá budoucí snímky na základě předchozích akcí a vizuálů. Výsledkem je generativní difuzní model schopný produkovat reálné herní procesy bez tradičních herních engine komponent. Tento posun od manuálního programování k AI-poháněné generaci představuje významný milník v herním vývoji, nabízející efektivnější a přístupnější způsob vytváření kvalitních her pro menší studia a individuální tvůrce.

 Závěr

Googleovy nedávné pokroky v AI jsou připraveny zásadně přetvořit herní průmysl. S nástroji jako GameNGen, umožňujícími vytvářet podrobné herní světy, a SIMA, nabízející univerzální herní interakce, AI transformuje nejen to, jak jsou hry vytvořeny, ale také to, jak jsou prožívány.

Jak AI pokračuje ve vývoji, slibuje vylepšit kreativitu a efektivitu v herním vývoji. Vývojáři budou mít nové příležitosti prozkoumat inovativní nápady a dodávat více angažujících a imerzivních zkušeností. Tento posun představuje významný moment v ongoing evoluci videoher, zdůrazňující rostoucí roli AI při formování budoucnosti interaktivní zábavy.