Ubisoft Trenar AI-Agent Til Å Kjøre En Bil I Et Racingspill

Begrepet “AI” brukes mye i diskusjoner om videospill, men det brukes vanligvis til å referere til logikken som styrer ikke-spillerkarakterer i videospill, snarere enn å referere til noen system drevet av hva datavitenskapsmenn ville erkjenne som AI. Ekte anvendelser av AI som anvender kunstige neurale nettverk er ganske sjeldne innen videospillindustrien, men ifølge VentureBeat har spillutvikleren Ubisoft nylig publisert en rapport som undersøker mulige anvendelser for en AI-agent trenet med forsterkninglæring.

Mens enheter som DeepMind og OpenAI har undersøkt hvordan AI fungerer i en rekke videospill, som StarCraft 2, Dota 2 og Minecraft, har det blitt gjort svært lite forskning på bruken av AI under de spesifikke begrensningene som ofte møter spillutviklere. Ubisoft La Forge, prototyperingsarmen til Ubisoft, har nylig publisert en rapport som detaljerer en algoritme i stand til å utføre forutsigbare handlinger innen en kommersiell videospill. Ifølge rapporten var AI-algoritmene i stand til å nå nåværende benchmark og utføre komplekse oppgaver pålitelig.

Forfatterne av rapporten påpeker at selv om forsterkninglæring har blitt brukt til stor effekt i sammenheng med visse videospill, ofte oppnådde likhet med de beste menneskelige spillerne av disse spillene, er systemene skapt av OpenAI og DeepMind sjeldent nyttige for spillutviklere. Forfatterne påpeker at mangelen på tilgjengelighet er et stort problem og at de mest imponerende resultater … blir produsert av store forskningsgrupper med beregningsressurser langt utenfor hva som vanligvis er tilgjengelig innen videospillstudioer. Skrev forskerne:

“Disse systemene har sammenlignet sett liten bruk innen videospillindustrien, og vi tror mangelen på tilgjengelighet er en stor årsak til dette. Faktisk, virkelig imponerende resultater … blir produsert av store forskningsgrupper med beregningsressurser langt utenfor hva som vanligvis er tilgjengelig innen videospillstudioer.”

Forskningsgruppen fra Ubisoft hadde som mål å rette opp noen av disse problemene ved å skape en forsterkninglæringstilnærming som optimaliserte for problemer som datasampleinnsamling og runtime-budsjettbegrensninger. Ubisofts løsning var tilpasset fra forskning gjort ved University of California, Berkeley. Den myke skuespiller-kritikeren-modellen utviklet av UC Berkely-forskere er i stand til å skape en modell som kan generalisere effektivt til nye forhold og er mye mer samples-effektiv enn de fleste modeller. Ubisoft-teamet tok denne tilnærmingen og tilpasset den for både diskrete og kontinuerlige handlinger.

Ubisoft-forskningsgruppen evaluerte ytelsen til deres algoritme på tre forskjellige spill. Det var to fotballspill som ble brukt til å teste algoritmen, samt et enkelt plattformspill. Mens resultater for disse spillene var litt dårligere enn industristandardresultatene, ble en annen test gjennomført hvor algoritmene fungerte mye bedre. Forskerne brukte et racingspill som testtilfelle, hvor AI-agenten fulgte en gitt bane og forhandlet hindringer i en miljø som agenten ikke hadde vært vitne til under trening. Det var to kontinuerlige handlinger, styring og akselerasjon, samt en binær handling (bremsing).

Forskerne sammenfattet resultater i rapporten, og erklærte at den hybride myke skuespiller-kritikeren-tilnærmingen var suksessfull når det gjaldt å trene en AI-agent til å kjøre i høye hastigheter i et kommersielt tilgjengelig videospill. Ifølge forskerne kan deres treningsmetode potensielt fungere for en rekke mulige interaksjonsmetoder. Dette inkluderer eksempler hvor AI-agenten har de samme inndataalternativene som spilleren har, og demonstrerer den “praktiske nyttigheten av en slik algoritme for videospillindustrien.”