Fra Atari til Doom: Hvordan Google gjendefinierer videospill med AI

Videospillindustrien, som nå er verdt 347 milliarder dollar, har vokst til å bli en betydelig aktør i underholdningsverdenen, med over tre milliarder mennesker engasjert globalt. Det som startet med enkle titler som Pong og Space Invaders har utviklet seg til mer sofistikerte spill som Doom, som satte nye standarder med sine 3D-visuelle effekter og hjemmekonsoll-erfaring. I dag står industrien på terskelen til en ny æra, påvirket av fremgangen i kunstig intelligens (AI). Google leder denne transformasjonen, og utnytter sine omfattende ressurser og teknologi til å gjendefinere hvordan videospill skapes, spilles og oppleves. Denne artikkelen utforsker Googles reise i å gjendefinere videospill.

Starten: AI for å spille Atari-spill

Googles bruk av AI i videospill begynte med en kritisk utvikling: å skape en AI som kunne gjenkjenne spillmiljøer og reagere som en menneskelig spiller. I dette tidlige arbeidet introduserte de en dypt forsterkingslæringssagent som kunne lære kontrollstrategier direkte fra spill. Sentral for denne utviklingen var et konvolusjonsnevralt nettverk, trent med Q-læring, som prosesserte rå skjerm-piksler og konverterte dem til spillspesifikke handlinger basert på den nåværende tilstanden.

Forskerne anvendte denne modellen på syv Atari 2600-spill uten å modifisere arkitekturen eller læringsalgoritmen. Resultatene var imponerende – modellen overgikk tidligere metoder i seks spill og overgikk menneskelig ytelse i tre. Denne utviklingen viste potensialet for AI til å håndtere komplekse, interaktive videospill med kun visuell innputt.

Denne gjennombruddet la grunnlaget for senere prestasjoner, som DeepMinds AlphaGo som beseiret en verdensmester i Go. Suksessen med AI-agenter i å mestre utfordrende spill har siden ført til videre forskning i virkelige anvendelser, inkludert interaktive systemer og robotikk. Innflytelsen av denne utviklingen er fortsatt å føle i feltene maskinlæring og AI i dag.

AlphaStar: AI for å lære kompleks spillstrategi for StarCraft II

Bygget på tidlige AI-suksesser, satte Google sine søkelys på en enda mer kompleks utfordring: StarCraft II. Dette sanntidsstrategispillet er kjent for sin kompleksitet, da spillere må kontrollere hærer, forvalte ressurser og utføre strategier i sanntid. I 2019 introduserte Google AlphaStar, en AI-agent som kunne spille StarCraft II profesjonelt.

AlphaStars utvikling brukte en blanding av dypt forsterkingslæring og imitativ læring. Den lærte først ved å se på replay av profesjonelle spillere, og forbedret seg deretter gjennom selv-spill, kjørende millioner av kamper for å forfine sine strategier. Denne prestasjonen viste AI sin evne til å håndtere komplekse, sanntidsstrategispill, og oppnådde resultater som matchet menneskelige spillere.

Bortenfor enkeltspill: Mot en mer allsidig AI for spill

Googles siste fremgang indikerer en bevegelse fra å mestre enkeltspill til å skape en mer allsidig AI-agent. Nylig introduserte Google-forskere SIMA, forkortelse for Scalable Instructable Multiworld Agent, en ny AI-modell designet til å navigere i ulike spillmiljøer ved hjelp av naturlig språkinstrukser. I motsetning til tidligere modeller som krevde tilgang til spillkoden eller tilpassede API-er, opererer SIMA med to innputt: skjermbilder og enkle språkinstrukser.

SIMA oversetter disse instruksjonene til tastatur- og musebevegelser for å kontrollere spillfiguren. Denne metoden tillater den å interagere med ulike virtuelle miljøer på en måte som speiler menneskelig spill. Forskning har vist at AI trent over flere spill utfører bedre enn de som er trent på ett enkelt spill, og høydepunktet SIMAs potensiale til å drive en ny æra av allsidig eller grunnleggende AI for spill.

Googles pågående arbeid har som mål å utvide SIMAs evner, og utforsker hvordan slike allsidige, språk-drevne agenter kan utvikles over ulike spillmiljøer. Denne utviklingen representerer et betydelig skritt mot å skape AI som kan tilpasse seg og trives i ulike interaktive sammenhenger.

Generativ AI for spilldesign

Nylig har Google utvidet sin fokus fra å forbedre spill til å utvikle verktøy som støtter spilldesign. Denne skiftet er drevet av fremgang i generativ AI, spesielt i bilde- og video-generering. En betydelig utvikling er å bruke AI til å skape adaptive ikke-spiller-karakterer (NPC-er) som reagerer på spillernes handlinger på mer realistiske og uforutsigbare måter.

I tillegg har Google utforsket prosedyrisk innholdsgenerering, der AI hjelper til å designe nivåer, miljøer og hele spillverden basert på bestemte regler eller mønster. Denne metoden kan strømlinjeforme utviklingen og tilby spillere unike, personlige erfaringer med hver gjennomgang, og fremkalle en følelse av nysgjerrighet og forventning. Et bemerkelsesverdig eksempel er Genie, et verktøy som gjør det mulig for brukere å designe 2D-videospill ved å gi en bilde eller en beskrivelse. Denne tilnærmingen gjør spillutvikling mer tilgjengelig, selv for de som ikke har programmeringsferdigheter.

Genies innovasjon ligger i dens evne til å lære fra ulike videoopptak av 2D-plattformspill, i stedet for å stole på eksplisitte instruksjoner eller merket data. Denne evnen tillater Genie å forstå spillmekanikker, fysikk og designelementer mer effektivt. Brukere kan starte med en grunnleggende ide eller skisse, og Genie vil generere et fullstendig spillmiljø, inkludert innstillinger, karakterer, hindringer og spillmekanikker.

Generativ AI for spillutvikling

Bygget på tidligere fremgang, har Google nylig introdusert sitt mest ambisiøse prosjekt hittil, med mål om å forenkle den komplekse og tidskrevende spillutviklingsprosessen som tradisjonelt har krevd omfattende kode og spesialiserte ferdigheter. Nylig introduserte de GameNGen, et generativt AI-verktøy designet til å forenkle spillutviklingsprosessen. GameNGen tillater utviklere å bygge hele spillverden og narrativer ved hjelp av naturlig språk-instrukser, og reduserer betydelig tiden og anstrengelsen som trengs for å skape et spill. Ved å utnytte generativ AI, kan GameNGen generere unike spill-ressurser, miljøer og historier, og gjøre det mulig for utviklere å fokusere mer på kreativitet enn tekniske detaljer. For eksempel har forskere brukt GameNGen til å utvikle en fullstendig versjon av Doom, og demonstrert dens evner, og åpner vei for en mer effektiv og tilgjengelig spillutviklingsprosess.

Teknologien bak GameNGen involverer en to-fase treningprosess. Først blir en AI-agent trent til å spille Doom, og skaper spill-data. Denne dataen trener deretter en generativ AI-modell som forutsier fremtidige rammeverk basert på tidligere handlinger og visuelle effekter. Resultatet er en generativ diffusjonsmodell som kan produsere sanntidsspill uten tradisjonelle spillmotor-komponenter. Denne skiftet fra manuell kode til AI-drevet generering markerer en betydelig milepæl i spillutvikling, og tilbyr en mer effektiv og tilgjengelig måte å skape høykvalitets-spill for mindre studioer og enkelt- skapere.

Bunnen av saken

Googles nylige fremgang i AI er satt til å fundamentalt endre spillindustrien. Med verktøy som GameNGen som muliggjør skapelsen av detaljerte spillverden og SIMA som tilbyr allsidig spill-interaksjon, transformerer AI ikke bare hvordan spill skapes, men også hvordan de oppleves.

Ettersom AI fortsetter å utvikle seg, lover det å forbedre kreativitet og effisiens i spillutvikling. Utviklere vil ha nye muligheter til å utforske innovative ideer og levere mer engasjerende og immersive erfaringer. Denne skiftet markerer en betydelig øyeblikk i den pågående utviklingen av videospill, og understreker AI sin voksende rolle i å forme fremtiden for interaktiv underholdning.