एआई मॉडल और प्लेटफ़ॉर्म
यूबीसॉफ्ट ने एक रेसिंग गेम में एक कार को ड्राइव करने के लिए एआई एजेंट को प्रशिक्षित किया
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
वीडियो गेम्स की चर्चा में “एआई” शब्द का बहुत उपयोग किया जाता है, लेकिन यह आमतौर पर वीडियो गेम्स में नॉन-प्लेयर चरित्रों को नियंत्रित करने वाले तर्क को संदर्भित करने के लिए उपयोग किया जाता है, न कि किसी ऐसी प्रणाली को संदर्भित करने के लिए जो कंप्यूटर वैज्ञानिकों द्वारा मान्यता प्राप्त एआई का उपयोग करती है। वीडियो गेम उद्योग के भीतर कृत्रिम तंत्रिका नेटवर्क का उपयोग करके एआई के वास्तविक अनुप्रयोग दुर्लभ हैं, लेकिन वेंचरबीट की रिपोर्ट के अनुसार गेमिंग कंपनी यूबीसॉफ्ट ने हाल ही में एक पेपर प्रकाशित किया है जिसमें एक एआई एजेंट को प्रशिक्षित करने के लिए सुदृढ़ शिक्षा का उपयोग करने की संभावित उपयोगिता की जांच की गई है।
जबकि डीपमाइंड और ओपनएआई जैसे संस्थानों ने वीडियो गेम्स जैसे स्टारक्राफ्ट 2, डोटा 2, और माइनक्राफ्ट में एआई के प्रदर्शन की जांच की है, वीडियो गेम डेवलपर्स द्वारा सामना की जाने वाली विशिष्ट प्रतिबंधों के तहत एआई का उपयोग करने पर बहुत कम शोध किया गया है। यूबीसॉफ्ट ला फोर्ज, यूबीसॉफ्ट की प्रोटोटाइपिंग शाखा, ने हाल ही में एक पेपर प्रकाशित किया है जिसमें एक अल्गोरिदम का विवरण दिया गया है जो एक व्यावसायिक वीडियो गेम में पूर्वानुमानिक क्रियाओं को करने में सक्षम है। रिपोर्ट के अनुसार, एआई अल्गोरिदम वर्तमान बेंचमार्क को मारने और जटिल कार्यों को विश्वसनीय रूप से करने में सक्षम थे।
पेपर के लेखकों का उल्लेख है कि जबकि सुदृढ़ शिक्षा का उपयोग वीडियो गेम्स के संदर्भ में बहुत प्रभावी ढंग से किया गया है, अक्सर मानव खिलाड़ियों के साथ तुलना करने में सक्षम है, ओपनएआई और डीपमाइंड द्वारा बनाए गए सिस्टम वीडियो गेम डेवलपर्स के लिए शायद ही कभी उपयोगी होते हैं। लेखकों का उल्लेख है कि पहुंच की कमी एक बड़ा मुद्दा है और सबसे प्रभावशाली परिणाम उन शोध समूहों द्वारा प्राप्त किए जाते हैं जिनके पास बड़े पैमाने पर गणना संसाधन हैं, संसाधन जो आमतौर पर वीडियो गेम स्टूडियो में उपलब्ध संसाधनों से बहुत अधिक होते हैं। शोधकर्ताओं ने लिखा है:
“इन सिस्टमों का वीडियो गेम उद्योग में बहुत कम उपयोग किया गया है, और हम मानते हैं कि पहुंच की कमी एक बड़ा कारण है। वास्तव में, वास्तव में प्रभावशाली परिणाम … उन शोध समूहों द्वारा प्राप्त किए जाते हैं जिनके पास वीडियो गेम स्टूडियो में उपलब्ध संसाधनों से बहुत अधिक गणना संसाधन हैं।”
यूबीसॉफ्ट की शोध टीम ने इन समस्याओं को हल करने के लिए एक सुदृढ़ शिक्षा दृष्टिकोण बनाने का लक्ष्य रखा जो डेटा नमूना संग्रह और रनटाइम बजट प्रतिबंध जैसे मुद्दों को अनुकूलित करता है। यूबीसॉफ्ट का समाधान यूनिवर्सिटी ऑफ कैलिफोर्निया, बर्कले में किए गए शोध से अनुकूलित किया गया था। यूसी बर्कले शोधकर्ताओं द्वारा विकसित सॉफ्ट एक्टर-क्रिटिक मॉडल एक मॉडल बनाने में सक्षम है जो नए परिस्थितियों में प्रभावी ढंग से सामान्यीकृत कर सकता है और अधिकांश मॉडलों की तुलना में बहुत अधिक नमूना-कुशल है। यूबीसॉफ्ट टीम ने इस दृष्टिकोण को विकसित किया और इसे विविक्त और निरंतर क्रियाओं दोनों के लिए अनुकूलित किया।
यूबीसॉफ्ट शोध टीम ने तीन अलग-अलग गेम्स पर अपने अल्गोरिदम के प्रदर्शन का मूल्यांकन किया। दो फुटबॉल गेम्स अल्गोरिदम का परीक्षण करने के लिए उपयोग किए गए, साथ ही एक सरल प्लेटफ़ॉर्मर-शैली का गेम भी। जबकि इन गेम्स के लिए परिणाम थोड़े खराब थे जो उद्योग के सर्वोत्तम परिणाम थे, एक और परीक्षण किया गया था जिसमें अल्गोरिदम ने बहुत बेहतर प्रदर्शन किया। शोधकर्ताओं ने एक ड्राइविंग वीडियो गेम का उपयोग अपने परीक्षण मामले के रूप में किया, जिसमें एआई एजेंट को एक दिए गए पथ का पालन करने और एक ऐसे वातावरण में बाधाओं का निपटान करने के लिए प्रशिक्षित किया गया था जिसे एजेंट ने प्रशिक्षण के दौरान नहीं देखा था। दो निरंतर क्रियाएं, स्टीयरिंग और त्वरण, साथ ही एक बाइनरी क्रिया (ब्रेकिंग) थीं।
शोधकर्ताओं ने अपने परिणामों को पेपर में सारांशित किया, घोषणा की कि हाइब्रिड सॉफ्ट एक्टर-क्रिटिक दृष्टिकोण एक व्यावसायिक रूप से उपलब्ध वीडियो गेम में उच्च गति से ड्राइविंग करने के लिए एक एआई एजेंट को प्रशिक्षित करने में सफल रहा। शोधकर्ताओं के अनुसार, उनका प्रशिक्षण दृष्टिकोण विभिन्न प्रकार के संभावित इंटरैक्शन दृष्टिकोणों के लिए काम कर सकता है। इनमें ऐसे मामले शामिल हैं जहां एआई एजेंट के पास खिलाड़ी के समान इनपुट विकल्प हैं, जो “वीडियो गेम उद्योग के लिए ऐसे अल्गोरिदम की व्यावहारिक उपयोगिता” को प्रदर्शित करता है।
