Изкуственият интелект се обучава да прави оръжия и да предсказва изхода от битките. Но не се страхувайте – зад тази работа в Института по дигитални игри не стои престъпна цел; изследването има за цел да направи игрите по-балансирани и приятни.
Страхът от въстание на роботи е реален. Ужасни измислени творения като Терминатора и HAL са ясно доказателство. Но когато изкуственият интелект (AI) си взема почивен ден, за да се самоосъзнае и да се опита да унищожи света, той също играе важна роля в дизайна на съвременните видеоигри.
AI не е толкова мистериозен, колкото много научна фантастика го представят. „AI“ е общ термин, който се отнася до всяко устройство, което възприема околната среда и предприема действия, за да увеличи максимално шанса си за успех при постигане на дадена цел. В Института за цифрови игри (IDG, Университет на Малта) изследователи разработват програми, които ще създават оръжия и ще предсказват изхода от битките. Не за да им помогнете по пътя им към световно господство, а за да намерите идеалния баланс на играта.
Учебен баланс
Балансът на играта е в основата на „добрия“ дизайн на играта. Футболното игрище е идеално симетрично с врати с еднакъв размер от всяка страна. Увеличаването на размера на една греда или стесняването на една част от полето би нарушило баланса на играта и би я направило много по-малко забавна за игра. Във видеоигрите игралните полета включват различни оръжия, специални способности и дори няколко етажа. Тази повишена сложност кара баланса на играта да стане малко по-сложен.
Докато балансът на играта често е в ръцете на човешки дизайнери, ние в IDG се опитваме да автоматизираме част от процеса с помощта на AI.
Хората, занимаващи се с проектиране на нива, разчитат на вътрешно усещане, опит и безброй часове тестване на игра, за да създадат балансирано ниво, и със сигурност биха имали нужда от малко помощ от своите приятели машини. Един от методите за помощ би бил използването на невронни мрежи - специфична форма на машинно обучение, която прогресивно подобрява изпълнението на своята задача. Това са тези невронни мрежи, които Daniel Karavolos, Ph.D. студент в IDG, в момента преподава как да предсказва резултатите от мултиплейър игри със стрелба от първо лице (FPS).
Даниел Караволос
Защо е готино?
Дизайнерите на игри настройват игралното поле за баланс на играта, но това е по-голямо предизвикателство в жанра FPS, тъй като наличието на идеално симетрично отворено поле не е опция. Престрелка на открито поле би била толкова вълнуваща, колкото тегленето на сламки. Моделът за предсказуемо дълбоко обучение, който Караволос разработва, може да помогне на дизайнерите да видят как промените в нивото влияят върху баланса на мача в реално време. Това ще спести безброй часове тестване на играта, като същевременно ще спести компанията от обичайните баражни оплаквания за небалансирани нива. В крайна сметка използването на AI за прогнозиране на баланса на играта ще намали разходите за разработка на игри и ще намали загубите от продажби. Трагично обаче, това също така ще остави безброй хронични оплакващи се в интернет без какво да правят.
Как работи?
Не всички AI са създадени еднакви. Изследователи като Караволос трябва да намерят най-ефективния AI за целта си.
Генерирането на достатъчно данни, за да може една машина да открие модел точно, отнема време, така че изборът на правилния алгоритъм за машинно обучение е ключов. Караволос тества голям брой различни мрежи, но най-ефективните мрежи бяха конволюционната невронна мрежа (CNN) и напълно свързаната изкуствена невронна мрежа (ANN).
Тези невронни мрежи бяха „обучени“ с над 50 000 3v3 смъртни мача в разнообразен набор от нива, създадени от 39 генератора. Нивата бяха създадени с 50 препятствия и оръжия като пушка, пушка, картечен пистолет, снайперска пушка и ракетна установка. Всяко ниво променя размера на обекта и разположението на обекта.
Тези нива бяха въведени като изображения от 100 × 100 пиксела с три цвята, което позволява на мрежата да прави разлика между големи обекти, блокиращи линията на видимост, малки обекти, осигуряващи прикритие, и никакви обекти. След това невронните мрежи анализираха параметрите на нивата и оръжията, преди да предскажат резултатите от игрите.
Тъй като изиграването на ниво 50 000 пъти е трудна задача, дори и за най-твърдия геймър, AI агентите бяха използвани за симулиране на играта и обучение на невронната мрежа. Всеки агент имаше неограничен живот, но след като бяха постигнати 20 убийства, мачът приключваше. След това балансът беше изчислен чрез съотношението на убийствата на всеки отбор. Мачът е балансиран, когато убийствата на всеки отбор са равни или имат само незначителна разлика.
След като обучителните монтажи на мрежите бяха завършени, беше време да ги изправим един срещу друг.
Близък бой
Дълъг срещу малък обсег
Какво представляват невронните мрежи?
ANN
Изкуствената невронна мрежа е изчислителна система, вдъхновена от режимите на обработка на биологична информация в мозъка и нервната система. Вместо да има програмиране за конкретни задачи, системата се подобрява постепенно благодарение на голяма банка от подобни сценарии, които може да препрати. Например, ANN може да се научи да идентифицира изображения на котки, като анализира голямо количество изображения, маркирани като „котка“ или „не котка“.
CNN
Конволюционните невронни мрежи са изкуствени мрежи, които често съдържат слоеве за откриване на различни части от по-сложен обект. При лицевото разпознаване, например, може да открие зеници, след това да премине към следващия слой, който открива окото, след това следващия за устата и така нататък, докато накрая сложният обект на лицето бъде разпознат. За разлика от конвенционалните невронни мрежи, тази архитектура изрично показва, че входът е изображение. Това позволява кодиране на определени свойства в архитектурата, което прави функцията за препращане от един слой към следващия по-ефективна и драстично намалява параметрите в мрежата.
ANN прогнозираха мачовете, които ще доведат до балансирано съотношение на убийства със 75% точност, докато CNN прогнозираха предимството на отбор със 74% точност. И двете също имаха много ниска вероятност да идентифицират грешния отбор за победа, което означава, че веднъж обучени невронните мрежи са в състояние да предскажат баланса на играта с около 75% точност като цяло.
Изненадващи оръжия
Процедурно генерираното съдържание се създава от алгоритъм, а не от дизайнери на игри и графични художници. Процедурно генерираните светове на No Man's Sky предизвикаха много шум, но също така отчетливо подчертаха предизвикателствата в играта, които идват с генерираното от алгоритъм съдържание – липса на всеобхватна история или структура, която често водеше до безцелно скитане и повтарящи се действия.
Даниеле Гравина
За да преодолее този проблем, д-р. студент Даниеле Гравина се занимава с процедурно генериране на балансирани оръжия с изненадващи характеристики. Те ще бъдат използвани в Unreal Tournament III: FPS на арена, фокусиран върху директни смъртни мачове.
Защо е готино?
Алгоритъмът на Gravina ще генерира чифт оръжия с необичайни и неочаквани свойства. Това би трябвало да насърчи нетрадиционния геймплей, но все пак успява да запази усещането за баланс. Ако стандартните оръжия предпочитат един играч, дуелът ще бъде разочароващ и скучен за противника, тъй като те се борят безполезно. Използвайки този нов алгоритъм, оръжията могат да варират значително, изненадвайки играчите и ги насърчавайки да адаптират стратегията си към специфичните силни страни на оръжието, като същевременно поддържат баланса на дуела.
Как работи?
Оръжията се генерират чрез генетичен алгоритъм, който използва
характеристиките на оригиналните оръжия, за да разработи нови. Основните оръжия имат 11 параметъра като скорост на огън, разпространение, скорост, щети и брой куршуми на изстрел. Когато се сдвоят, те правят малки оръжейни бебета, които са еволюционен продукт на техните родители.
Когато генерира новите бебешки оръжия, алгоритъмът ще избере различни стойности въз основа на параметрите на родителските оръжия. Когато се избират стойностите, разпределението на вероятностите е изкривено от средните стойности, за да се избегне това бебетата с оръжия просто да се превърнат в средните за своите родители и да са лишени от истинска новост. Едновременно с това се въвеждат и определени прагове, за да се определи балансът, ефективността и безопасността, за да се осигури възможност за игра. В крайна сметка не можете да донесете ядрено оръжие на престрелка.
Сега еволюцията не би била забавна без няколко мутации, където се появяват „топлинните карти на смъртта“. Възможните оръжия бяха тествани от AI агенти на ниво Biohazard на Unreal Tournament III и убийствата бяха картографирани. Тези топлинни карти показват най-често срещаните зони, където агентите с изкуствен интелект умират. За да добави доза изненада към балансираните оръжия, AI претърси топлинната карта и се опита да намери начини да се отклони от генерираните топлинни карти на смъртта.
„Изключителното разнообразие от действия засилва илюзията, че играчът е потопен в различна реалност“
Като се има предвид, че оръжията с определени характеристики имат предимства в определени части на картата - идеалното място за снайпер или този коридор, където можем да отидем до града с гранатомет - AI ще използва тази информация, за да коригира оръжието и да причини смърт на неочаквани места . Промяната на оръжието, така че топлинната карта на убийството да не е същата, прави нивото по-динамично и вълнуващо.
Daniele Gravina: Изненадващо първо оръжие Daniele Gravina: Трето оръжие
Без телесно равновесие ще паднете. Без баланс на нивата играта ще се провали. Игрите често се основават на набор от действия в рамка. Изключителното разнообразие на действията засилва илюзията, че играчът е потопен в различна реалност. Дизайнерите работят интензивно върху всяко ниво и всяко оръжие, за да гарантират, че този баланс ограничава възможностите на играча. Дори когато дизайнерите отделят време за това, се случват грешки и небалансирани оръжия намират място в игрите. Комбинирането на процедурно генериране на съдържание с инструменти за балансиране на AI е пътят на бъдещето. Това може да доведе до игри, в които всяко ниво е различно; където оръжията и структурата на нивата ви принуждават да измисляте нови стратегии всеки път, когато играете.
Дойде времето машините да разтърсят света на дизайна на игрите, като му помогнат да остане балансиран. Може би някой ден те ще поемат, но засега са доволни да правят игрите по-страхотни, обширни и по-евтини за производство. Стъпка по стъпка светът на игрите е на прага на промяна. игра ли си
Статия, първоначално публикувана в списание THINK. Повторно публикуване от оригиналния автор с разрешение. Оригинал „тук“.
Институтът за дигитални игри е класиран като едно от 25-те най-добри висши училища по дизайн на игри от Princeton Review (№16 през 2020 г.) ). Това е мултидисциплинарен център за изучаване на игри, фокусиран върху анализа на играта и технологията на играта. Институтът за дигитални игри извършва авангардни изследвания на кръстопътя между AI, игри и хуманитарни науки, разширявайки границите на областта с иновативна работа «наградена на множество конференции и състезания, като си сътрудничи активно с гиганти в индустрията като Ubisoft. В допълнение към академичните изследвания, подкрепени от Европейско и национално финансиране.
