Fra Atari til Doom: Hvordan Google gjenskaper 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 verden over. 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 (GOOGL ) leder denne transformasjonen, ved å bruke sine omfattende ressurser og teknologi til å gjenskape hvordan videospill blir laget, spilt og opplevd. Denne artikkelen utforsker Googles reise i å gjenskape videospill.

Starten: AI for å spille Atari-spill

Googles bruk av AI i videospill begynte med en kritisk utvikling: å lage en AI som kunne gjenkjenne spillmiljøer og reagere som en menneskelig spiller. I dette tidlige arbeidet introduserte de en dybforsterkingslæringssagent som kunne lære kontrollstrategier direkte fra spill. Sentral til 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 læringssalgoritmen. Resultatene var imponerende – modellen overgikk tidligere metoder i seks spill og overgikk menneskelig ytelse i tre. Denne utviklingen understreket potensialet for AI til å håndtere komplekse, interaktive videospill med bare visuell innputt.

Denne gjennombruddet la grunnlaget for senere prestasjoner, som DeepMinds AlphaGo som beseiret en Go-verdensmester. Suksessen med AI-agenter i å mestre utfordrende spill har siden spurt videre forskning innen reelle verden-applikasjoner, 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

Bygging på tidligere AI-suksesser, satte Google sine sikter på en 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 dybforsterkingslæring og imitativ læring. Den lærte først ved å se på replay av profesjonelle spillere, og deretter forbedret seg gjennom selv-spill, hvor den kjørte millioner av kamper for å finjustere sine strategier. Denne prestasjonen demonstrerte AI sin evne til å håndtere komplekse, sanntidsstrategispill, og oppnådde resultater som matchet menneskelige spillere.

Bortenfor individuelle spill: Mot en mer generalistisk AI for spill

Googles siste fremgang markerer en overgang fra å mestre individuelle spill 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 naturlige 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 instruksene til tastatur- og musebevegelser for å kontrollere spillfiguren. Denne metoden tillater den å interagere med ulike virtuelle miljøer på en måte som ligner menneskelig spill. Forskning har vist at AI som er trent over flere spill, utfører bedre enn de som er trent på ett enkelt spill, og understreker SIMAs potensiale til å drive en ny æra av generalist- eller grunnleggende AI for spill.

Googles pågående arbeid retter seg mot 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 kontekster.

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 fremgangen i generativ AI, spesielt i bilde- og video-generering. En betydelig utvikling er å bruke AI til å lage adaptive ikke-spiller-figurer (NPC-er) som reagerer på spillernes handlinger på mer realistiske og uforutsigbare måter.

I tillegg har Google utforsket prosedyrisk innholdsgenerering, hvor 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 videofotage av 2D-plattformspill, i stedet for å stole på eksplisitte instruksjoner eller merket data. Denne evnen gjør det mulig for Genie å forstå spillmekanikker, fysikk og designelementer mer effektivt. Brukere kan starte med en grundig idé eller skisse, og Genie vil generere et fullstendig spillmiljø, inkludert innstillinger, figurer, hindringer og spillmekanikker.

Generativ AI for spillutvikling

Bygging 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 gjør det mulig for utviklere å bygge hele spillverden og fortellinger ved hjelp av naturlige språkinstrukser, og betydelig reduserer tiden og anstrengelsen som trengs for å lage et spill. Ved å utnytte generativ AI, kan GameNGen generere unike spill-asset, miljøer og fortellinger, 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 demonstrere dens evner og åpne veien 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 deretter genereres 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 et betydelig skritt i spillutvikling, og tilbyr en mer effektiv og tilgjengelig måte å lage høykvalitets-spill for mindre studioer og enkelt-utviklere.

 Sluttorden

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 allsidige spillinteraksjoner, transformerer AI ikke bare hvordan spill blir laget, men også hvordan de oppleves.

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