Model AI Mungkin Memungkinkan Pengembang Game Menghasilkan Animasi yang Mirip dengan Kehidupan

Tim peneliti di Electronic Arts (EA ) baru-baru ini bereksperimen dengan berbagai algoritma kecerdasan buatan, termasuk model pembelajaran penguatan, untuk mengotomatisasi aspek-aspek pembuatan game video. Peneliti berharap bahwa model AI dapat menyelamatkan pengembang dan animator waktu melakukan tugas-tugas berulang seperti coding gerakan karakter.

Mendesain game video, terutama game besar, triple-A yang dirancang oleh perusahaan game besar, memerlukan ribuan jam kerja. Ketika konsol game, komputer, dan perangkat mobile menjadi lebih kuat, game video itu sendiri menjadi lebih kompleks. Pengembang game mencari cara untuk menghasilkan lebih banyak konten game dengan usaha yang lebih sedikit, misalnya, mereka sering memilih menggunakan algoritma generasi prosedural untuk menghasilkan lanskap dan lingkungan. Demikian pula, algoritma kecerdasan buatan dapat digunakan untuk menghasilkan level game, mengotomatisasi pengujian game, dan bahkan menganimasikan gerakan karakter.

Animasi karakter untuk game video sering diselesaikan dengan bantuan sistem motion capture, yang melacak gerakan aktor nyata untuk memastikan animasi yang lebih mirip dengan kehidupan. Namun, pendekatan ini memiliki keterbatasan. Tidak hanya kode yang menggerakkan animasi masih perlu ditulis, tetapi animator juga terbatas hanya pada aksi yang telah ditangkap.

Seperti yang dilaporkan oleh Wired, peneliti dari EA berusaha untuk mengotomatisasi proses ini dan menyelamatkan waktu dan uang pada animasi tersebut. Tim peneliti menunjukkan bahwa algoritma pembelajaran penguatan dapat digunakan untuk membuat model manusia yang bergerak dengan cara yang realistis, tanpa perlu merekam dan mengkodekan gerakan secara manual. Tim peneliti menggunakan “Motion Variational Autoencoders” (Motion VAEs) untuk mengidentifikasi pola gerakan yang relevan dari data motion-capture. Setelah autoencoder mengekstrak pola gerakan, sistem pembelajaran penguatan dilatih dengan data tersebut, dengan tujuan menghasilkan animasi yang realistis berdasarkan objek tertentu (seperti berlari mengejar bola dalam game sepak bola). Algoritma perencanaan dan kontrol yang digunakan oleh tim peneliti dapat menghasilkan gerakan yang diinginkan, bahkan menghasilkan gerakan yang tidak ada dalam set data motion-capture asli. Ini berarti bahwa setelah mempelajari cara subjek berjalan, model pembelajaran penguatan dapat menentukan apa yang terlihat seperti berlari.

Julian Togelius, profesor NYU dan co-pendiri perusahaan alat AI Modl.ai, dikutip oleh Wired sebagai mengatakan bahwa teknologi ini dapat sangat berguna di masa depan dan kemungkinan akan mengubah cara konten game dibuat.

“Animasi prosedural akan menjadi hal besar. Ini pada dasarnya mengotomatisasi banyak pekerjaan yang masuk ke dalam pembuatan konten game,” kata Togelius kepada Wired.

Menurut profesor Michiel van de Panne dari UBC, yang terlibat dalam proyek pembelajaran penguatan, tim peneliti berencana untuk mengambil konsep ini lebih jauh dengan menganimasikan avatar non-manusia dengan proses yang sama. Van de Panne mengatakan kepada Wired bahwa meskipun proses pembuatan animasi baru dapat sangat sulit, ia yakin teknologi ini akan dapat menghasilkan animasi yang menarik suatu hari nanti.

Aplikasi lain dari AI dalam pengembangan game video termasuk generasi game dasar. Misalnya, peneliti di University of Toronto berhasil merancang jaringan generatif antagonis yang dapat merekayasa ulang game Pac-Man tanpa akses ke kode yang digunakan untuk merancang game tersebut. Di tempat lain, peneliti dari University of Alberta menggunakan model AI untuk menghasilkan level game berdasarkan aturan game yang berbeda seperti Super Mario Bros. dan Mega Man.