Արհեստական բանականություն
AI մոդելը կարող է թույլ տալ, որ խաղերի մշակողները ստեղծեն իրական անիմացիաներ
Electronic Arts-ի մի խումբ հետազոտողներ վերջերս փորձարկել են արհեստական ինտելեկտի տարբեր ալգորիթմներ, ներառյալ ամրապնդման ուսուցման մոդելները, որպեսզի ավտոմատացնեն տեսախաղերի ստեղծման ասպեկտները: Հետազոտողները հուսով են, որ արհեստական ինտելեկտի մոդելները կարող են խնայել իրենց մշակողների և անիմատորների ժամանակը՝ կրկնվող առաջադրանքներ կատարելիս, ինչպիսիք են կերպարների շարժման կոդավորումը:
Տեսախաղի, հատկապես խոշոր, եռակի A տեսախաղերի նախագծումը, որոնք նախագծված են խոշոր խաղային ընկերությունների կողմից, պահանջում են հազարավոր ժամեր աշխատանք: Քանի որ տեսախաղերի կոնսուլները, համակարգիչները և շարժական սարքերը դառնում են ավելի հզոր, տեսախաղերն իրենք ավելի ու ավելի բարդ են դառնում: Խաղի մշակողները ուղիներ են փնտրում՝ ավելի քիչ ջանքերով խաղային բովանդակություն արտադրելու համար, օրինակ՝ նրանք հաճախ ընտրում են օգտագործել ընթացակարգային գեներացման ալգորիթմներ՝ լանդշաֆտներ և միջավայրեր ստեղծելու համար: Նմանապես, արհեստական ինտելեկտի ալգորիթմները կարող են օգտագործվել տեսախաղերի մակարդակներ ստեղծելու, խաղերի թեստավորման ավտոմատացման և նույնիսկ կերպարների շարժումները կենդանացնելու համար:
Տեսախաղերի համար նախատեսված կերպարների անիմացիաները հաճախ լրացվում են շարժման ֆիքսման համակարգերի օգնությամբ, որոնք հետևում են իրական դերասանների շարժումներին՝ ապահովելու ավելի կենսական անիմացիաներ: Այնուամենայնիվ, այս մոտեցումը ունի սահմանափակումներ: Ոչ միայն անիմացիաները վարող կոդը դեռ պետք է գրվի, այլ անիմատորները նաև սահմանափակվում են միայն նկարահանված գործողություններով:
Ինչպես հաղորդում է Wired-ը, EA-ի հետազոտողները ձեռնամուխ եղան ավտոմատացնել այս գործընթացը և խնայել ժամանակ և գումար այս անիմացիաների վրա: Հետազոտողների թիմը ցույց է տվել, որ ամրապնդման ուսուցման ալգորիթմը կարող է օգտագործվել մարդկային մոդել ստեղծելու համար, որը շարժվում է իրատեսական ձևերով՝ առանց շարժումները ձեռքով գրանցելու և կոդավորելու անհրաժեշտության: Հետազոտական թիմն օգտագործել է «Motion Variational Autoencoders» (Motion VAEs)՝ շարժման ֆիքսված տվյալներից շարժման համապատասխան օրինաչափությունները բացահայտելու համար: Այն բանից հետո, երբ ավտոկոդավորիչները արդյունահանեցին շարժման օրինաչափությունները, տվյալների հետ վարժեցվեց ուժեղացման ուսուցման համակարգ՝ նպատակ ունենալով ստեղծել իրատեսական անիմացիաներ՝ հիմնված որոշակի նպատակների վրա (օրինակ՝ ֆուտբոլային խաղում գնդակի հետևից վազելը): Հետազոտական թիմի կողմից օգտագործված պլանավորման և վերահսկման ալգորիթմները կարողացել են առաջացնել ցանկալի շարժումներ՝ նույնիսկ առաջացնելով շարժումներ, որոնք չեն եղել շարժման ֆիքսման տվյալների սկզբնական հավաքածուում: Սա նշանակում է, որ սովորելուց հետո, թե ինչպես է քայլում առարկան, ուժեղացման ուսուցման մոդելը կարող է որոշել, թե ինչպիսի տեսք ունի վազքը:
NYU պրոֆեսոր և AI գործիքների Modl.ai ընկերության համահիմնադիր Ջուլիան Տոգելիուսը մեջբերում է Wired-ը, որ տեխնոլոգիան կարող է բավականին օգտակար լինել ապագայում և, ամենայն հավանականությամբ, կփոխի, թե ինչպես է ստեղծվում խաղերի բովանդակությունը:
«Ընթացակարգային անիմացիան հսկայական բան կլինի: Այն հիմնականում ավտոմատացնում է շատ աշխատանք, որը գնում է խաղի բովանդակության կառուցման համար», - Togelius ասաց Wired-ին։
Ըստ UBC-ի պրոֆեսոր Միխիել վան դե Պանի, ով ներգրավված էր ամրապնդման ուսուցման նախագծում, հետազոտական թիմը ձգտում է ավելի առաջ տանել հայեցակարգը՝ նույն գործընթացով կենդանացնելով ոչ մարդկային ավատարներ: Վան դե Պանն ասել է Wired-ին, որ թեև նոր անիմացիաներ ստեղծելու գործընթացը կարող է բավականին բարդ լինել, նա վստահ է, որ տեխնոլոգիան մի օր կկարողանա գրավիչ անիմացիաներ ներկայացնել:
Տեսախաղերի մշակման մեջ AI-ի այլ կիրառությունները ներառում են հիմնական խաղերի ստեղծումը: Օրինակ, Տորոնտոյի համալսարանի հետազոտողներին հաջողվել է նախագծել գեներատիվ հակառակորդ ցանց որը կարող է վերստեղծել խաղը Pac-Man առանց խաղի նախագծման համար օգտագործվող որևէ կոդի մուտքի: Այլ վայրերում Ալբերտայի համալսարանի հետազոտողները օգտագործել են AI մոդելներ ստեղծել տեսախաղերի մակարդակներ հիմնված տարբեր խաղերի կանոնների վրա, ինչպիսիք են Super Mario Bros. և Mega Man.
