Model AI Mungkin Memungkinkan Pengembang Game Menghasilkan Animasi yang Mirip Hidup

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

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

Animasi karakter untuk video game sering dilakukan dengan bantuan sistem pengambilan gerakan, yang melacak gerakan aktor nyata untuk memastikan animasi yang lebih mirip hidup. Namun, pendekatan ini memiliki keterbatasan. Tidak hanya kode yang menggerakkan animasi masih perlu ditulis, tetapi animator juga terbatas hanya pada tindakan yang telah diambil.

Seperti yang dilaporkan oleh Wired, peneliti dari EA berusaha untuk mengotomatisasi proses ini dan menyelamatkan waktu dan biaya 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 pengambilan gerakan. Setelah autoencoder mengekstrak pola gerakan, sistem pembelajaran penguatan dilatih dengan data, dengan tujuan untuk membuat animasi yang realistis berdasarkan tujuan tertentu (seperti berlari mengejar bola dalam permainan 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 pengambilan gerakan 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-founder 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,” Togelius kata 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 menganimasi 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 video game termasuk generasi game dasar. Misalnya, peneliti di University of Toronto berhasil merancang jaringan generatif adversarial yang dapat merekayasa ulang permainan Pac-Man tanpa akses ke kode yang digunakan untuk merancang permainan. Di tempat lain, peneliti dari University of Alberta menggunakan model AI untuk menghasilkan tingkat video game berdasarkan aturan permainan yang berbeda seperti Super Mario Bros. dan Mega Man.