Tutarlı bir dünyaya sahip video oyunlarının görüntülerini üretmek için AI kullanmak ve kurallar oyun tasarımcıları için yararlı olabilir
Muse Ai video oyununda eğitildi Kanama kenarı
Microsoft’tan yapay bir zeka modeli, şirketin tasarımcıların oyun yapmasına yardımcı olabileceğini söylediği gerçekçi video oyunu görüntülerini yeniden oluşturabilir, ancak uzmanlar aracın çoğu oyun geliştiricisi için yararlı olacağına inanmıyor.
Video oyunlarından tutarlı ve doğru görüntüler üretebilen sinir ağları yeni değil. Yakın zamanda oluşturulan bir yapay zeka, klasik bilgisayar oyununun tamamen oynatılabilir bir versiyonunu oluşturdu Kıyameti temel oyun motoruna erişim olmadan. Orijinal Doom, Ancak 1993 yılında piyasaya sürüldü; Daha modern oyunlar, AIS’in sadakatle yeniden yaratması için daha zor olan sofistike fizik ve hesaplamalı yoğun grafiklerle çok daha karmaşıktır.
Şimdi, Microsoft Research’teki Katja Hofmann ve meslektaşları, çok oyunculu çevrimiçi savaş oyununun tam dizilerini yeniden oluşturabilen Muse adlı bir AI modeli geliştirdiler Kanama kenarı. Hofmann, bu dizilerin oyunun altında yatan fiziğe uyduğu ve oyuncuları ve oyun içi nesneleri zamanla tutarlı tutuyor gibi görünüyor, bu da modelin oyunun derin bir anlayışını kavradığını ima ediyor.
Muse, hem denetleyici hem de video görüntüleri dahil olmak üzere yedi yıllık insan oyun verileri konusunda eğitildi. Kanama kenarıMicrosoft’a ait geliştirici Ninja Studios. ChatGPT gibi büyük dil modellerine benzer şekilde çalışır; Bir giriş verildiğinde, bir video oyun çerçevesi ve ilişkili denetleyici eylemleri şeklinde, daha sonra gelebilecek oyunu tahmin etmekle görevlendirilir. Hofmann, “Şimdi benim için bile, sadece eğitim modellerinden bir sonraki adımda ne olacağını tahmin etmek gerçekten oldukça akıl almaz… bu karmaşık 3D ortamın sofistike ve derin bir anlayışını öğreniyor” diyor Hofmann.
İnsanların Muse gibi bir AI aracını nasıl kullanabileceğini anlamak için ekip, hangi özellikleri yararlı bulacaklarını öğrenmek için oyun geliştiricilerini de araştırdı. Sonuç olarak, araştırmacılar, bir oyuncunun karakteri değiştirme veya bir sahneye giren yeni nesneler gibi anında yapılan değişikliklere yinelemeli olarak ayarlama yeteneğini eklediler. Hofmann, bu yeni fikirler bulmak ve geliştiriciler için ne varsa senaryoları denemek için yararlı olabilir.
Ancak Muse, orijinalin sınırları içinde diziler üretmekle sınırlıdır. Kanama kenarı Oyun – yeni konseptler veya tasarımlar bulamaz. King’s College London’daki Mike Cook, bunun modelin doğal bir sınırlaması mı yoksa diğer oyunlardan daha fazla eğitim verisi ile aşılabilecek bir şey olup olmadığı belirsiz. “Bu, AI sistemlerinin oyunları kendi başlarına tasarlayabileceği fikrinden uzun, uzun bir yol.”
Tutarlı oyun dizileri oluşturma yeteneği etkileyici olsa da, geliştiriciler daha fazla kontrole sahip olmayı tercih edebilir, diyor Cook. “Oyununuzu gerçekten test eden, oyun kodunu çalıştıran bir araç oluşturursanız, kalıcılık veya tutarlılık konusunda endişelenmenize gerek yoktur, çünkü gerçek oyunu çalıştırır. Bunlar, üretken AI’nın kendisinin tanıttığı problemleri çözüyor. ”
Malta Üniversitesi Dijital Oyunlar Enstitüsü’nde Georgios Yannakis, modelin geliştiriciler göz önünde bulundurularak tasarlanması umut vericidir, ancak çok fazla eğitim verisi olmayan çoğu geliştirici için mümkün olmayabilir. “Yapmaya değer mi?” diyor Yannakis. “Microsoft yedi yılını veri toplamak ve bu modelleri gerçekten yapabileceğinizi göstermek için eğitti. Ama gerçek bir oyun stüdyosu bunu karşılayacak mı? ”
Microsoft’un kendisi bile AI tarafından tasarlanan oyunların ufukta olup olamayacağı konusunda eklidir: Xbox oyun bölümündeki geliştiricilerin aracı kullanıp kullanamayacağını sorduğunda, şirket yorum yapmayı reddetti.
Hofmann ve ekibi, Muse’un gelecekteki versiyonlarının eğitim verilerinin ötesinde genelleme yapabileceğinden – eğitildikleri oyunlar için yeni senaryolar ve seviyeler ve farklı oyunlar için çalışabileceğinden umutlu olsa da, bu önemli bir olacaktır. Meydan okuma, diyor Cook, çünkü modern oyunlar çok karmaşık.
“Bir oyunun kendisini ayırt etmesinin yollarından biri, sistemleri değiştirmek ve yeni kavramsal düzey fikirler sunmaktır. Bu, makine öğrenme sistemlerinin eğitim verilerinin dışına çıkmasını ve gördüklerinin ötesinde yenilik yapmasını ve icat etmesini çok zorlaştırıyor ”diyor.
