Maschinelles Lernen könnte die perfekten Spielbosse schaffen

Dasjenige Zelten an jener Stelle von Kugeln ist eine solide Strategie: Dieser Spieler muss Kugeln aufheben, um zu Vorteil verschaffen (stellen Sie sich vor, Pac-Mans Geister würden nur in jener Nähe jener Eingänge zu jeder Stück jener Speisenkarte verweilen). Außerdem macht dies Spiel weniger Spaß. Spieler erleben keine aufregende Verfolgungsjagd mehr. Stattdessen könnte die KI verdongeln unvorhersehbaren Hinterhalt hervorrufen. Trachel und Peyrot sagen, ihr Ziel sei es, „nicht übermenschliche Bots zu gedeihen – dies wäre zu Händen verdongeln unerfahrenen Spieler weder lustig noch fesselnd – sondern stattdessen Wege zu finden, maschinelles Lernen in schon in jener Produktion verwendete KI-Tools zu Händen Spiele zu integrieren.“

Dasjenige mag zu Händen Spieler tote Hose tönen, die sich nachdem einer besseren KI sehnen. Die von Trachel und Peyrot gezeigten maschinellen Lerntechniken bleiben jedoch hilfreich, um den Schwierigkeitsgrad abzustimmen, wenn auch die Feinde, denen die Spieler im fertigen Spiel gegenüberstehen, sie nicht verwenden. Julian Togelius, Mitbegründer und Forschungsleiter wohnhaft bei Modl.ai, hat so gut wie fünf Jahre damit verbracht, KI zum Testen von Spielen einzusetzen. Modl.ai verwendet Bots, um Grafikfehler zu zur Strecke bringen, Fehler in jener Weltgeometrie zu finden und Situationen aufzuspüren, die es unmöglich zeugen, zu Vorteil verschaffen.

„Sie können uns sagen, an welcher Stil von Fehlerzustand Sie neugierig sind. Und dann läuft es im Grunde. Du schickst verdongeln Auftrag ab und er läuft ab, je nachdem, wie viel du erkunden möchtest“, sagt Togelius. „Und natürlich können wir solche zu Händen Sie kapseln und verdongeln Informationsaustausch erstellen, in dem Sie sagen, dass Sie hier Probleme zu nach sich ziehen scheinen, und so weiter.“

Die Test-Bots von Modl.ai verwenden maschinelles Lernen, um sich an jedes getestete Spiel anzupassen, obwohl die aktuelle Implementierung solche Anpassungen gen jeden einzelnen Titel unverbesserlich. Laut Togelius entwickelt dies Unternehmen verdongeln Urbild zu Händen die Hinzufügung von Deep Learning, dies dies Bot-Verhalten darüber hinaus mehrere Spiele hinweg trainieren wird. Einmal im Hinterlegung, werden die Bots von Modl.ai lernen, dies Verhalten echter Spieler zu modellieren, wodurch Probleme, die Spieler finden würden, effizienter aufgedeckt werden sollten.

Zum Besten von echtes maschinelles Lernen nötig haben Game Engines eine Revolution

Wenn es um Schwierigkeiten geht, kann maschinelles Lernen sowohl ein Problem wie unter ferner liefen eine Störungsbehebung sein. Im Kontrast dazu eine faire, unterhaltsame Herausforderung zu gestalten, ist nicht die einzige Hürde zu Händen Entwickler, die maschinelles Lernen in Spielen einsetzen möchten. Die Probleme umziehen tiefer – so tief, dass sie sogar ein Umdenken in jener Stil und Weise erfordern, wie Spiele entwickelt werden.

Leistung ist eine Hindernis. Maschinelles Lernen erfordert viele Trainingsdaten zu Händen lohnende Ergebnisse, und solche Datenansammlung können nur erfasst werden, während ein Spiel tausend- oder zehntausendmal gespielt wird (obwohl Bots die Last verringern können, eine Taktik, die Trachel und Peyrot beim Erstellen ihrer Protest verwendet nach sich ziehen). Und sowie die Trainingsdaten gesammelt sind, kann es schwierig werden, dies resultierende Prototyp in Echtzeit auszuführen.

„Ja, die Leistung ist unzweideutig ein Problem, insbesondere wohnhaft bei großen ML-Modellen, die Frames zu Händen jeden Tick jener Spieluhr verarbeiten“, sagten Trachel und Peyrot in einer elektronischer Brief. „In unserem Kernpunkt nach sich ziehen wir zur Vermeidung von Leistungsproblemen ein kleines neuronales Netzwerk verwendet, dies nur in bestimmten Momenten des Spiels Schlussfolgerungen gezogen hat.“ Die Skalierung gen die riesigen Open-World-Umgebungen, die moderne Spieler erwarten, ist eine ganz andere Sache.

Togelius sagt, dass die Stil und Weise, wie moderne Spiele-Engines tun, dies Problem verschärft. Maschinelles Lernen, sagt er, „wird zwangsläufig langsam sein, weil Spiele-Engines nicht hierfür gebaut sind. Einer jener vielen Gründe, warum wir in Spielen keine interessantere moderne KI sehen, ist, dass Unreal und Unity und all ihre Stil im Grunde schrecklich sind – in so vielerlei Hinsicht Dagegen-KI.“

Animation ist ein weiteres Themenkreis. Die meisten modernen Spiele-Engines erwarten, dass Animationen Grafik zu Händen Grafik streng definiert sind. Dies funktioniert gut, wenn Animatoren mit Sicherheit wissen, wie sich Spielfiguren verhalten werden, trotzdem eine durch maschinelles Lernen gesteuerte KI kann sich gen eine Weise verhalten, die die Animatoren nicht erwartet nach sich ziehen. Gestalter können dies mit einem physikbasierten Animationsansatz umgehen, trotzdem dies belastet die Leistung einer Spielkonsole oder Computerhardware noch stärker und bringt eigene Entwicklungsherausforderungen mit sich.

Von kurzer Dauer gesagt, Entwickler stillstehen vor einem Monster, dies sie selbst erschaffen nach sich ziehen. Spiel-Engines sind so gebaut, dass sie Verhaltensbäume und vorgeschriebene Aktionen verwenden, um Welten von KI-gesteuerten NPCs zu erschaffen, die selbst gen magerer Hardware gut tun. Da maschinelles Lernen jedoch an Reise gewinnt, sollen solche klassischen Lösungen überdacht werden.

„Wenn Sie mit einem Forscher zu Händen maschinelles Lernen sprechen, jener sich nicht mit Spieldesign auskennt, werden sie sagen: ‚Warum verwenden Sie nicht neue Gimmick und erhalten NPCs, die lebensechter sind und sich an Ihre Spielweise individuell herrichten?’ und und so weiter“, sagt Togelius. „Im Kontrast dazu man kann dies nicht problemlos in ein bestehendes Spiel entwickeln. Man muss reflektieren, welches dies Spiel gar ist.“