एआई मॉडल गेम डेवलपर्स को जीवन जैसी एनिमेशन बनाने की अनुमति दे सकता है

इलेक्ट्रॉनिक आर्ट्स में एक शोधकर्ता टीम ने हाल ही में वीडियो गेम निर्माण के विभिन्न पहलुओं को स्वचालित करने के लिए, सहयोगी शिक्षा मॉडल सहित विभिन्न कृत्रिम बुद्धिमत्ता एल्गोरिदम के साथ प्रयोग किया है। शोधकर्ताओं को उम्मीद है कि एआई मॉडल अपने डेवलपर्स और एनिमेटरों को दोहरावदार कार्यों जैसे कि पात्र आंदोलन को कोडिंग करने में समय बचा सकते हैं।

वीडियो गेम का डिज़ाइन, विशेष रूप से बड़े, ट्रिपल-ए वीडियो गेम जो बड़ी गेम कंपनियों द्वारा डिज़ाइन किए जाते हैं, इसके लिए हजारों घंटों का काम करने की आवश्यकता होती है। जैसे ही वीडियो गेम कंसोल, कंप्यूटर और मोबाइल डिवाइस अधिक शक्तिशाली होते जा रहे हैं, वीडियो गेम स्वयं अधिक जटिल होते जा रहे हैं। गेम डेवलपर्स अधिक गेम सामग्री का उत्पादन करने के तरीकों की तलाश कर रहे हैं, जिसमें वे अक्सर परिदृश्य और वातावरण का उत्पादन करने के लिए प्रक्रियात्मक पीढ़ी एल्गोरिदम का उपयोग करते हैं। इसी तरह, कृत्रिम बुद्धिमत्ता एल्गोरिदम का उपयोग वीडियो गेम स्तरों को उत्पन्न करने, गेम परीक्षण को स्वचालित करने और यहां तक कि पात्र आंदोलनों को एनिमेट करने के लिए किया जा सकता है।

वीडियो गेम के लिए पात्र एनिमेशन अक्सर मोशन कैप्चर सिस्टम की सहायता से पूरे किए जाते हैं, जो वास्तविक अभिनेताओं की गतिविधियों को ट्रैक करते हैं ताकि अधिक जीवन जैसी एनिमेशन सुनिश्चित की जा सके। हालांकि, इस दृष्टिकोण में सीमाएं हैं। न केवल एनिमेशन को चलाने वाला कोड अभी भी लिखने की आवश्यकता है, बल्कि एनिमेटरों को केवल उन क्रियाओं तक सीमित किया जाता है जो कब्जा कर ली गई हैं।

जैसा कि वायर्ड ने रिपोर्ट किया है, ईए के शोधकर्ताओं ने इस प्रक्रिया को स्वचालित करने और इन एनिमेशन पर समय और पैसा बचाने के लिए निर्धारित किया। शोध टीम ने प्रदर्शित किया कि एक पुनर्बलन सीखने के एल्गोरिदम का उपयोग एक मानव मॉडल बनाने के लिए किया जा सकता है जो वास्तविक फैशन में चलता है, बिना आंदोलनों को मैन्युअल रूप से रिकॉर्ड और कोड करने की आवश्यकता के। शोध टीम ने “मोशन वेरिएशनल ऑटोएनकोडर” (मोशन वीएई) का उपयोग मोशन-कैप्चर डेटा से प्रासंगिक आंदोलन पैटर्न की पहचान करने के लिए किया। ऑटोएनकोडर्स ने आंदोलन पैटर्न निकाले जाने के बाद, एक पुनर्बलन सीखने प्रणाली को डेटा के साथ प्रशिक्षित किया गया, जिसका उद्देश्य निश्चित उद्देश्यों (जैसे कि एक फुटबॉल गेम में एक गेंद के पीछे दौड़ना) के आधार पर वास्तविक एनिमेशन बनाना था। शोध टीम द्वारा उपयोग किए गए योजना और नियंत्रण एल्गोरिदम वांछित गतियों को उत्पन्न करने में सक्षम थे, यहां तक कि मूल मोशन-कैप्चर डेटा सेट में नहीं थीं। इसका मतलब है कि एक विषय के चलने के तरीके से सीखने के बाद, पुनर्बलन सीखने मॉडल यह निर्धारित कर सकता है कि दौड़ना कैसा दिखता है।

जुलियन टोगेलियस, एनवाईयू प्रोफेसर और एआई टूल्स कंपनी मॉडल.एआई के सह-संस्थापक ने वायर्ड को बताया कि यह तकनीक भविष्य में बहुत उपयोगी हो सकती है और यह गेम्स के लिए सामग्री बनाने के तरीके को बदलने की संभावना है।

“प्रक्रियात्मक एनिमेशन एक बड़ी चीज होगी। यह मूल रूप से गेम सामग्री बनाने में जाने वाले बहुत सारे काम को स्वचालित करता है,” टोगेलियस वायर्ड को बताया。

यूबीसी के प्रोफेसर मिशेल वैन डे पैने के अनुसार, जो पुनर्बलन सीखने परियोजना में शामिल थे, शोध टीम इस अवधारणा को आगे बढ़ाने के लिए समान प्रक्रिया के साथ गैर-मानव अवतारों को एनिमेट करने की तलाश में है। वैन डे पैने ने वायर्ड को बताया कि यद्यपि नए एनिमेशन बनाने की प्रक्रिया बहुत मुश्किल हो सकती है, लेकिन वह आश्वस्त है कि तकनीक एक दिन आकर्षक एनिमेशन प्रदान करेगी।

वीडियो गेम्स के विकास में एआई के अन्य अनुप्रयोगों में बुनियादी गेम्स का उत्पादन शामिल है। उदाहरण के लिए, टोरंटो विश्वविद्यालय के शोधकर्ताओं ने एक पीढ़ीगत प्रतिद्वंद्वी नेटवर्क को डिज़ाइन किया जो गेम पैक-मैन को गेम को डिज़ाइन करने के लिए उपयोग किए गए किसी भी कोड तक पहुंच के बिना पुन: बना सकता है। अन्य जगहों पर, अल्बर्टा विश्वविद्यालय के शोधकर्ताओं ने विभिन्न गेम्स जैसे सुपर मारियो ब्रोस。 और मेगा मैन के नियमों के आधार पर वीडियो गेम स्तरों को उत्पन्न करने के लिए एआई मॉडल का उपयोग किया।