एआई मॉडल गेम डेवलपर्स को जीवन जैसी एनिमेशन बनाने में मदद कर सकता है

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

एक वीडियो गेम का डिज़ाइन, विशेष रूप से बड़े, ट्रिपल-ए वीडियो गेम जो बड़ी गेम कंपनियों द्वारा डिज़ाइन किए जाते हैं, इसमें हजारों घंटे का काम लगता है। जैसे-जैसे वीडियो गेम कंसोल, कंप्यूटर और मोबाइल डिवाइस अधिक शक्तिशाली होते जा रहे हैं, वीडियो गेम खुद भी अधिक जटिल होते जा रहे हैं। गेम डेवलपर्स अधिक गेम सामग्री का उत्पादन करने के तरीकों की तलाश में हैं, जैसे कि 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 चरित्र आंदोलनों को एनिमेट करने के लिए भी किया जा सकता है।

वीडियो गेम के लिए चरित्र 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 का लक्ष्य रखा। शोध टीम ने प्रदर्शित किया कि एक सुदृढ़ सीखने के एल्गोरिदम का उपयोग एक मानव मॉडल बनाने के लिए किया जा सकता है जो वास्तविक तरीके से चलता है, बिना गतिविधियों को मैन्युअल रूप से रिकॉर्ड और कोड किए। 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 सुदृढ़ सीखने प्रणाली को डेटा के साथ प्रशिक्षित किया गया, जिसमें कुछ उद्देश्यों (जैसे कि एक फुटबॉल गेम में एक गेंद के पीछे दौड़ना) के आधार पर वास्तविक एनिमेशन बनाने का लक्ष्य था। शोध टीम द्वारा उपयोग किए गए योजना और नियंत्रण एल्गोरिदम वांछित गतिविधियों का उत्पादन 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 सीखने के बाद, सुदृढ़ सीखने का मॉडल यह निर्धारित कर सकता है कि दौड़ना कैसा दिखता है।

एनवाईयू प्रोफेसर और एआई टूल्स कंपनी मॉडल.एआई के सह-संस्थापक जुलियन टोगेलियस को वायर्ड द्वारा उद्धृत किया गया था कि यह तकनीक भविष्य में बहुत उपयोगी हो सकती है और संभवतः गेम्स के लिए सामग्री बनाने के तरीके को बदल देगी।

“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 पैन, जो सुदृढ़ सीखने के परियोजना में शामिल थे, के अनुसार शोध टीम इस अवधारणा को आगे बढ़ाने की कोशिश कर रही है ताकि गैर-मानव अवतारों को भी उसी प्रक्रिया से एनिमेट किया जा सके। वैन डे पैन ने वायर्ड को बताया कि नए एनिमेशन बनाने की प्रक्रिया बहुत मुश्किल हो सकती है, लेकिन उन्हें विश्वास है कि तकनीक एक दिन आकर्षक एनिमेशन प्रदान करेगी।

वीडियो गेम विकास में एआई के अन्य अनुप्रयोगों में बुनियादी गेम का उत्पादन शामिल है। उदाहरण के लिए, टोरंटो विश्वविद्यालय के शोधकर्ताओं ने एक व्युत्पन्न प्रतिपक्षी नेटवर्क को डिज़ाइन करने में सक्षम थे जो किसी भी कोड के उपयोग के बिना पैक-मैन गेम को पुनः बना सकता है। अन्य स्थानों पर, अल्बर्टा विश्वविद्यालय के शोधकर्ताओं ने वीडियो गेम स्तरों को उत्पन्न करने के लिए एआई मॉडल का उपयोग किया, जो विभिन्न गेम जैसे सुपर मारियो ब्रोस और मेगा मैन के नियमों पर आधारित थे।