Från Atari till Doom: Hur Google omdefinierar videospel med AI

Videospelindustrin, som nu är värd 347 miljarder dollar, har vuxit till en betydande aktör i underhållningsvärlden, med över tre miljarder människor världen över. Det som började med enkla titlar som Pong och Space Invaders har utvecklats till mer avancerade spel som Doom, som satte nya standarder med sina 3D-grafik och hemkonsolupplevelse. Idag står industrin på tröskeln till en ny era, påverkad av framstegen inom artificiell intelligens (AI). Google (GOOGL ) leder denna transformation, med hjälp av sina omfattande resurser och teknologi för att omdefiniera hur videospel skapas, spelas och upplevs. Den här artikeln utforskar Googles resa i att omdefiniera videospel.

Beginningen: AI för att spela Atari-spel

Googles användning av AI i videospel började med en avgörande utveckling: att skapa en AI som kunde känna igen spelmiljöer och reagera som en mänsklig spelare. I detta tidiga arbete introducerade de en djup förstärkt inlärningsagent som kunde lära sig kontrollstrategier direkt från gameplay. Centralt för denna utveckling var ett konvolutionsneuronnät, tränat med Q-lärande, som bearbetade råa skärm pixlar och omvandlade dem till spelsspecifika åtgärder baserat på den aktuella tillståndet.

Forskarna tillämpade denna modell på sju Atari 2600-spel utan att modifiera arkitekturen eller läralgoritmen. Resultaten var imponerande – modellen överträffade tidigare metoder i sex spel och överträffade mänsklig prestanda i tre. Denna utveckling belyste AI:s potential att hantera komplexa, interaktiva videospel med ingenting mer än visuell inmatning.

Denna genombrott lade grunden för senare prestationer, som DeepMinds AlphaGo som besegrade en världsmästare i Go. Framgången för AI-agenter i att bemästra utmanande spel har sedan dess lett till ytterligare forskning inom realvärldsapplikationer, inklusive interaktiva system och robotik. Inflytandet från denna utveckling känns fortfarande i fälten maskinlärande och AI idag.

AlphaStar: AI för att lära komplex spelstrategi för StarCraft II

Byggande på tidigare AI-framgångar, satte Google sitt mål på en mer komplex utmaning: StarCraft II. Detta realtidsstrategispel är känt för sin komplexitet, eftersom spelare måste kontrollera arméer, hantera resurser och utföra strategier i realtid. 2019 introducerade Google AlphaStar, en AI-agent som kunde spela StarCraft II professionellt.

AlphaStars utveckling använde en blandning av djup förstärkt inlärning och imitationslärande. Den lärde sig först genom att titta på repriser av professionella spelare, sedan förbättrades den genom självspel, med miljontals matcher för att finslipa sina strategier. Denna prestation demonstrerade AI:s förmåga att hantera komplexa, realtidsstrategispel, och uppnådde resultat som matchade mänskliga spelare.

Bortom individuella spel: Mot en mer allmän AI för spel

Googles senaste framsteg markerar en övergång från att bemästra individuella spel till att skapa en mer allmän AI-agent. Nyligen introducerade Google-forskare SIMA, en förkortning för Scalable Instructable Multiworld Agent, en ny AI-modell som är utformad för att navigera i olika spelmiljöer med hjälp av naturliga språkinstruktioner. Till skillnad från tidigare modeller som krävde tillgång till ett spills källkod eller anpassade API:er, fungerar SIMA med två inmatningar: skärm bilder och enkla språk kommandon.

SIMA översätter dessa instruktioner till tangentbords- och musåtgärder för att kontrollera spelets centrala karaktär. Denna metod möjliggör att den interagerar med olika virtuella miljöer på ett sätt som liknar mänskligt spel. Forskning har visat att AI som tränas över flera spel presterar bättre än de som tränas på ett enda spel, vilket understryker SIMA:s potential att driva en ny era av allmän eller grundläggande AI för spel.

Googles pågående arbete syftar till att utöka SIMA:s förmågor, med att utforska hur sådana flexibla, språkdrivna agenter kan utvecklas över olika spelmiljöer. Denna utveckling representerar ett betydande steg mot att skapa AI som kan anpassa sig och trivas i olika interaktiva sammanhang.

Generativ AI för spelutveckling

Nyligen har Google utvidgat sitt fokus från att förbättra spelupplevelsen till att utveckla verktyg som stöder spelutveckling. Denna förändring drivs av framsteg inom generativ AI, särskilt inom bild- och videogenerering. En betydande utveckling är att använda AI för att skapa adaptiva icke-spelaraktörer (NPC) som svarar på spelaråtgärder på mer realistiska och oförutsägbara sätt.

Dessutom har Google utforskat procedurgenererad innehållsskapelse, där AI hjälper till att designa nivåer, miljöer och hela spelveckor baserat på specifika regler eller mönster. Denna metod kan rationalisera utvecklingsprocessen och erbjuda spelare unika, personliga upplevelser med varje genomspelning, vilket väcker en känsla av nyfikenhet och förväntan. Ett anmärkningsvärt exempel är Genie, ett verktyg som möjliggör användare att designa 2D-videospel genom att tillhandahålla en bild eller en beskrivning. Denna metod gör spelutveckling mer tillgänglig, även för de som saknar programmeringskunskaper.

Genies innovation ligger i dess förmåga att lära sig från olika videofilm av 2D-plattformsspel snarare än att förlita sig på explicita instruktioner eller märkta data. Denna förmåga möjliggör att Genie förstår spelmechanik, fysik och designelement mer effektivt. Användare kan börja med en grundläggande idé eller skiss, och Genie kommer att generera en komplett spelmiljö, inklusive inställningar, karaktärer, hinder och spelmechanik.

Generativ AI för spelutveckling

Byggande på tidigare framsteg, har Google nyligen introducerat sitt mest ambitiösa projekt hittills, med målet att förenkla den komplexa och tidskrävande spelutvecklingsprocessen som traditionellt krävt omfattande kodning och specialiserade färdigheter. Nyligen introducerade de GameNGen, ett generativt AI-verktyg som är utformat för att förenkla spelutvecklingsprocessen. GameNGen tillåter utvecklare att bygga hela spelveckor och berättelser med hjälp av naturliga språkprompt, vilket betydligt minskar den tid och ansträngning som krävs för att skapa ett spel. Genom att utnyttja generativ AI kan GameNGen generera unika speltillgångar, miljöer och berättelser, vilket möjliggör att utvecklare kan fokusera mer på kreativitet snarare än teknikaliteter. Till exempel har forskare använt GameNGen för att utveckla en fullständig version av Doom, vilket demonstrerar dess förmågor och banar väg för en mer effektiv och tillgänglig spelutvecklingsprocess.

Teknologin bakom GameNGen involverar en tvåfassträningsprocess. Först tränas en AI-agent för att spela Doom, vilket skapar speldata. Denna data tränar sedan en generativ AI-modell som förutsäger framtida ramar baserat på tidigare åtgärder och visuella element. Resultatet är en generativ diffusionsmodell som kan producera realtids-spel utan traditionella spelmotor-komponenter. Denna övergång från manuell kodning till AI-driven generering markerar ett betydande steg i spelutveckling, och erbjuder en mer effektiv och tillgänglig metod för att skapa högkvalitativa spel för mindre studior och enskilda skapare.

 Slutsatsen

Googles senaste framsteg inom AI är på väg att omdefiniera spelindustrin på ett grundläggande sätt. Med verktyg som GameNGen som möjliggör skapandet av detaljerade spelveckor och SIMA som erbjuder flexibla spelinteraktioner, förvandlar AI inte bara hur spel skapas, utan också hur de upplevs.

Såsom AI fortsätter att utvecklas, lovar det att förbättra kreativitet och effektivitet i spelutveckling. Utvecklare kommer att ha nya möjligheter att utforska innovativa idéer och leverera mer engagerande och immersiva upplevelser. Denna förändring markerar ett betydande ögonblick i den pågående utvecklingen av videospel, och understryker AI:s växande roll i att forma framtiden för interaktiv underhållning.