์ธ๊ณต์ง๋ฅ
Atari์์ Doom๊น์ง: Google์ด AI๋ก ๋น๋์ค ๊ฒ์์ ์ฌ์ ์ํ๋ ๋ฐฉ๋ฒ
비디오 게임 산업은 현재 347억 달러의 가치가 있는 것으로 평가되어全球적으로 30억 명 이상의 사람들을 매료시키는 엔터테인먼트 세계에서 중요한 역할을 담당하게 되었습니다. Pong과 Space Invaders와 같은 간단한 타이틀에서 시작하여 3D 그래픽과 홈 콘솔 경험으로 새로운 기준을 설정한 Doom과 같은 더 복잡한 게임으로 발전했습니다. 오늘날, 이 산업은 인공지능(AI)의 발전에 영향을 받아 새로운 시대로 접어들고 있습니다. 이 변화를 주도하는 것은 Google이며, 광범위한 자원과 기술을 활용하여 비디오 게임이 생성, 재생, 경험되는 방식을 재정의하고 있습니다. 이 기사에서는 Google이 비디오 게임을 재정의하는 여정에 대해 살펴보겠습니다.
시작: Atari 게임을 위한 AI
Google의 비디오 게임에서의 AI 사용은 게임 환경을 인식하고 인간 플레이어와 같은 방식으로 반응할 수 있는 AI를 생성하는 중요한 개발에서 시작되었습니다. 이 초기 연구에서, 게임플레이에서 직접 제어 전략을 학습할 수 있는 심층 강화 학습 에이전트를 소개했습니다. 이 개발의 핵심은 Q-learning을 사용하여 교육된 합성곱 신경망으로, 원시 화면 픽셀을 처리하여 현재 상태에 따라 게임별 동작으로 변환했습니다.
연구자들은 이 모델을 아타리 2600 게임 7개에 적용했으며, 아키텍처나 학습 알고리즘을 수정하지 않았습니다. 결과는 인상적이었으며, 이전 방법보다 6개의 게임에서 성능을 개선하고 3개의 게임에서 인간의 성능을 초과했습니다. 이 개발은 복잡한 상호 작용 비디오 게임을 다루는 AI의 잠재력을 강조했습니다.
이번 발전은 이후의 업적, 예를 들어 DeepMind의 AlphaGo가 고 세계 챔피언을 이긴 사건의 기반이 되었습니다. 도전적인 게임을 마스터하는 AI 에이전트의 성공은 이후 상호 작용 시스템 및 로봇공학을 포함한 실제 응용 프로그램에 대한 추가 연구를 촉발했습니다. 이 개발의 영향은 현재도 기계 학습 및 AI 분야에서 여전히 느껴지고 있습니다.
AlphaStar: StarCraft II를 위한 복잡한 게임 전략 학습
초기 AI 성공에 기반하여, Google은 더 복잡한 도전, 즉 StarCraft II에 초점을 맞추었습니다. 이 실시간 전략 게임은 플레이어가 군대를 제어하고, 자원을 관리하며, 실시간으로 전략을 실행해야 하므로 복잡합니다. 2019년에 Google은 전문적으로 StarCraft II를 플레이할 수 있는 AI 에이전트인 AlphaStar를 소개했습니다.
AlphaStar의 개발은 심층 강화 학습과 모방 학습의 혼합을 사용했습니다. 먼저 전문 플레이어의 리플레이를 시청하여 학습한 다음, 수백만 개의 경기에서 자기 플레이를 통해 전략을 개선했습니다. 이 성과는 실시간 전략 게임을 다루는 AI의 능력을 입증했으며, 인간 플레이어와 비교할 수 있는 결과를 달성했습니다.
개별 게임을 넘어: 더 일반적인 게임을 위한 AI
Google의 최신 발전은 개별 게임을 마스터하는 것에서 더 일반적인 AI 에이전트를 생성하는 것으로 이동하는 것을 나타냅니다. 최근에 Google 연구자들은 SIMA를 소개했습니다. SIMA는 Scalable Instructable Multiworld Agent의 약자로, 자연어 지침을 사용하여 다양한 게임 환경을 탐색할 수 있는 새로운 AI 모델입니다. 이전 모델과 달리 게임의 소스 코드나 사용자 지정 API에 접근할 필요가 없습니다. SIMA는 화면 이미지와 간단한 언어 명령 두 가지 입력만으로 작동합니다.
SIMA는 이러한 지침을 중앙 캐릭터를 제어하는 키보드와 마우스 동작으로 번역합니다. 이 방법은 인간의 게임플레이와 유사한 방식으로 다양한 가상 환경과 상호 작용할 수 있습니다. 연구에 따르면 여러 게임에 걸쳐 훈련된 AI가 단일 게임에만 훈련된 것보다 더 잘 수행된다고 합니다. 이는 SIMA가 게임을 위한 일반화된 AI 또는 기초 AI를 구동하는 데 잠재력을 가지고 있음을 보여줍니다.
Google의 진행 중인 연구는 SIMA의 기능을 확장하는 것을 목표로 하며, 언어 주도 에이전트가 다양한 게임 환경에서 어떻게 개발될 수 있는지 탐색하고 있습니다. 이 개발은 다양한 상호 작용 환경에서 적응하고 번창할 수 있는 AI를 생성하는 데 중요한 단계를 나타냅니다.
게임 디자인을 위한 생성적 AI
최근에 Google은 게임플레이 향상을 넘어 게임 디자인을 지원하는 도구 개발에 초점을 확대했습니다. 이 전환은 이미지 및 비디오 생성을 포함한 생성적 AI의 발전에 의해 주도됩니다. 한 가지 중요한 개발은 플레이어의 행동에 더 실감나고 예측할 수 없는 방식으로 반응하는 적응형 비플레이어 캐릭터(NPC)를 생성하는 것입니다.
또한 Google은 특정 규칙 또는 패턴에 따라 레벨, 환경 및 전체 게임 세계를 설계하는 데 도움이 되는 절차적 콘텐츠 생성을 탐색했습니다. 이 방법은 개발을 간소화하고 플레이어에게 각 플레이마다 고유하고 개인화된 경험을 제공할 수 있습니다. 주목할 만한 예는 Genie입니다. Genie는 사용자가 2D 비디오 게임을 설계할 수 있는 도구로, 이미지나 설명을 제공하여 2D 플랫폼 게임을 생성합니다. 이 접근 방식은 프로그래밍 기술이 없는 사람들에게도 게임 개발을 더 쉽게 만들어줍니다.
Genie의 혁신은 명시적 지침이나 레이블이 지정된 데이터에 의존하지 않고 2D 플랫폼 게임의 다양한 비디오 영상을 학습하는 능력에 있습니다. 이 능력은 Genie가 게임 메커니즘, 물리학 및 디자인 요소를 더 효과적으로 이해할 수 있도록 합니다. 사용자는 기본적인 아이디어나 스케치에서 시작할 수 있으며, Genie는 환경, 캐릭터, 장애물 및 게임 메커니즘을 포함한 완전한 게임 환경을 생성합니다.
게임 개발을 위한 생성적 AI
이전의 발전을 기반으로, Google은 게임 개발 프로세스를 단순화하는 것을 목표로 하는 가장雄心적인 프로젝트를 최근에 소개했습니다. 전통적으로 광범위한 코딩 및 전문 기술이 필요한 복잡하고 시간이 걸리는 게임 개발 프로세스를 단순화하는 것을 목표로 합니다. 최근에, GameNGen이라는 생성적 AI 도구를 소개했습니다. GameNGen은 개발자가 자연어 프롬프트를 사용하여 전체 게임 세계와 내러티브를 구축할 수 있도록 설계되었습니다. 이는 게임을 생성하는 데 필요한 시간과 노력을 크게 줄입니다. 생성적 AI를 활용하여 GameNGen은 고유한 게임 자산, 환경 및 스토리라인을 생성할 수 있으며, 개발자가 기술적인 측면보다 창의성에 집중할 수 있도록 합니다. 예를 들어, 연구자들은 GameNGen을 사용하여 Doom의 전체 버전을 개발하여, 게임 개발 프로세스를 더 효율적이고 접근하기 쉽게 만드는 데 잠재력을 입증했습니다.
GameNGen의 기술은 두 단계의 훈련 프로세스를 포함합니다. 먼저, AI 에이전트가 Doom을 플레이하도록 훈련하여 게임플레이 데이터를 생성합니다. 이 데이터는 이후 게임의 미래 프레임을 이전 동작 및 시각적 정보를 기반으로 예측하는 생성적 AI 모델을 훈련하는 데 사용됩니다. 결과는 전통적인 게임 엔진 구성 요소를 사용하지 않고 실시간 게임플레이를 생성할 수 있는 생성적 확산 모델입니다. 이 전환은 수동 코딩에서 AI 주도 생성으로 이동하여, 더 작은 스튜디오와 개인 창작자를 위한 게임 개발을 더 효율적이고 접근하기 쉽게 만드는 중요한 里程碑을 나타냅니다.
결론
Google의 최근 AI 발전은 게임 산업을 근본적으로 재정의할 것입니다. GameNGen과 같은 도구가詳細한 게임 세계를 생성할 수 있고, SIMA가 다양한 게임 상호 작용을 제공할 수 있는 동안, AI는 게임이 생성되는 방식과 경험되는 방식을 변환하고 있습니다.
AI가 계속 발전함에 따라, 게임 개발에서 창의성과 효율성을 향상시킬 것입니다. 개발자는 새로운 아이디어를 탐색하고, 더 매력적이고 몰입감 있는 경험을 제공할 수 있는 새로운 기회를 가질 것입니다. 이 전환은 비디오 게임의 지속적인 발전에 중요한 시점을 나타내며, AI가 상호 작용형 엔터테인먼트의 미래를 형성하는 데 점점 더 중요한 역할을 함을 강조합니다.
