Κάθε χρόνο βλέπουμε όλο και περισσότερα παιχνίδια να ανεβάζουν τον πήχη σε διάφορους τομείς – η τεχνητή νοημοσύνη είναι ένας από αυτούς.
Είτε έχει να κάνει με την αυξημένη λεπτομέρεια των γραφικών, την πολυπλοκότητα των gameplay mechanics και τους τρόπους αλληλεπίδρασης με το περιβάλλον, αν σκεφτεί κανείς ότι όλα αυτά ξεκίνησαν το 1977 στην εποχή των Atari 2600 και NES – είναι σίγουρα αξιοθαύμαστο. Τα συστήματα αυτά μονοπωλούσαν το ενδιαφέρον πριν από περίπου τρεις δεκαετίες και στον κύκλο των enthusiast αποτελούν την κορυφή.
Φυσικά, η ανάπτυξη της τεχνητής νοημοσύνης στα παιχνίδια δεν θα μπορούσε να μείνει πίσω καθώς βλέπουμε διάφορες βελτιώσεις με την πάροδο του χρόνου.
Πολύς κόσμος – είτε είναι developers είτε απλοί gamer – όταν ακούνε τεχνητή νοημοσύνη το πρώτο πράγμα που θα φανταστούν είναι οι NPC, οι non playable characters στα παιχνίδια.
Παρόλα αυτά υπάρχουν πολλοί διαφορετικοί τρόποι με τους οποίους μπορεί να εφαρμοστεί η τεχνητή νοημοσύνη όπως πχ. μέσω μηχανικής μάθησης.
Εδώ θα δούμε 6 παιχνίδια που κατάφεραν να καινοτομήσουν στον τομέα του A.I. ανά τα χρόνια, ωθώντας έτσι τη βιομηχανία να αξιοποιήσει τέτοιου είδους τεχνικές σε περισσότερα projects.
Ας ξεκινήσουμε!
1. Creatures: Πειραματισμοί με τη μηχανική μάθηση στα 90’s
Δεν είναι λίγες οι φορές που έχουμε δει μελέτες και ερευνητικά άρθρα με θέμα τη βαθιά μάθηση (Deep Learning) και εστιάζοντας στα βιντεοπαιχνίδια.
Ναι μεν η ιδέα του Machine Learning ή Deep Learning σε πιο δημοφιλείς τίτλους δε συνηθίζεται – όντας σε σχετικά πρώιμο στάδιο – αλλά αυτό δε σταματάει αρκετές εταιρείες της βιομηχανίας από το να πειραματίζονται.
Ένα αξιοσημείωτο παράδειγμα και ίσως όχι τόσο γνωστό στο κοινό, είναι το παιχνίδι Creatures από την Creature Labs που κυκλοφόρησε το 1996.
Στο Creatures συμβαίνουν τα εξής: Οι παίκτες είναι υπεύθυνοι να μεγαλώσουν κάποια μικρά πλάσματα που ονομάζονται Norns. Τα πλάσματα αυτά αλληλεπιδρούν με το περιβάλλον τους, μαθαίνουν μέσω των αλληλεπιδράσεων μεταξύ τους και αναπτύσσουν ακόμη και την δική τους γλώσσα επικοινωνίας!
Όλα αυτά είναι αποτέλεσμα τεχνητών νευρωνικών δικτύων τα οποία εξελίσσονται όσο ένα Norn μεγαλώνει και έτσι το καθένα αναπτύσσει διαφορετική συμπεριφορά.
Στις μέρες μας μπορεί αυτό να μην ακούγεται πολύπλοκο, είναι όμως ένα από τα πρώτα παιχνίδια που ανέδειξε την ικανότητα των NPC στο να μαθαίνουν, να εξελίσσονται και να προσαρμόζονται χάρη στη τεχνητή νοημοσύνη.
2. Βελτιωμένο gameplay στο Tomb Raider: Underworld χάρη στην επιστήμη των δεδομένων
Μία κατηγορία παιχνιδιών που όχι μόνο είναι ευρέως γνωστή αλλά συνεχίζει την ανοδική της πορεία τα τελευταία χρόνια είναι τα live-service games, κάτι που δεν είναι το Underworld που θα δούμε εδώ!
Τα στούντιο ανάπτυξης καλούνται να βρουν τρόπους για να παραμείνουν ανταγωνιστικά και ταυτόχρονα σχετικά με το αγοραστικό κοινό τους, έτσι ώστε το προϊόν που προσφέρουν να παραμένει ‘ελκυστικό’.
Ο καλύτερος τρόπος για να επιτευχθεί κάτι τέτοιο είναι να μπούμε – κατά κάποιο τρόπο – στη θέση του κάθε παίκτη. Να κατανοήσουμε δηλαδή τη συμπεριφορά τους με απώτερο στόχο τη βελτίωση της συνολικής εμπειρίας.
Για παράδειγμα, ένα perk στο Call of Duty ή ακόμα και ένας ήρωας στο League of Legends να χρειάζονται nerf λόγω του ότι είναι πολύ δυνατοί για τα δεδομένα των υπολοίπων παικτών, διαταράσσοντας την ισορροπία του παιχνιδιού και ωθώντας τους παίκτες σε… rage quit!
Το εν λόγω παράδειγμα αναφέρεται σε έρευνες που αποτελούν τμήματα της επιστήμης των δεδομένων ή αλλιώς data science, με στόχο την επίλυση τέτοιων προβλημάτων. Στην σύγχρονη αγορά παιχνιδιών έχει αποδειχθεί άκρως αποτελεσματικό.
Η γέννηση αυτής της ιδέας προήλθε από εργασίες που διεξήχθησαν μεταξύ της Eidos Interactive και του Πανεπιστημίου της Κοπεγχάγης (ITU) με αφορμή την ανάπτυξη και κυκλοφορία του Tomb Raider Underworld.
Το 2009 και όντας η ένατη κατά σειρά προσθήκη στο διάσημο franchise, το Underworld αποτέλεσε αντικείμενο έρευνας ώς ένα από τα πρώτα έργα της επιστήμης των δεδομένων σε πιο εμπορικά παιχνίδια.
Τους πρώτους μήνες κυκλοφορίας του στο XBOX 360 το παιχνίδι σύλλεξε δεδομένα με βάση την απόδοση των παικτών μέσω της υπηρεσίας XBOX Live και ύστερα τα έστελνε στην ομάδα ανάπτυξης.
Αν και σήμερα αυτό θα μπορούσε κάλλιστα να θεωρηθεί παραβίαση προσωπικών δεδομένων χάρη στο GDPR, η εκτενής ανάλυση αυτών των δεδομένων οδήγησε σε εντυπωσιακές παρατηρήσεις από τους developer.
Συγκεκριμένα, εντόπισαν χαρακτηριστικά και τύπους προσωπικότητας μεταξύ των παικτών όπως επίσης και σημεία του παιχνιδιού στα οποία οι παίκτες πέθαιναν πιο συχνά.
Το ακόμα πιο εντυπωσιακό ήταν πως οι developer μπορούσαν να προβλέψουν πόσο γρήγορα θα προχωρήσει ένας παίκτης στην ιστορία του παιχνιδιού απλά βασιζόμενοι στην πρώτη πίστα.
3. Τα Drivatar του Forza και η μοντελοποίηση των παικτών
Μία ακόμα ενδιαφέρουσα τεχνική είναι η δυνατότητα αναπαραγωγής της συμπεριφοράς ενός συγκεκριμένου παίκτη.
Μπορεί να φαντάζει σενάριο επιστημονικής φαντασίας για κάποιους αλλά το πιο τρανταχτό παράδειγμα αυτής της τεχνικής είναι τα Drivatars του Forza.
Κάθε drivatar που συναντάτε δεν είναι ένα απλό σύστημα τεχνητής νοημοσύνης αλλά ένα εκπαιδευμένο bot μηχανικής μάθησης που οδηγεί όπως ακριβώς ένας άλλος παίκτης μέσα στο παιχνίδι.
Ξεκινώντας σαν μια συνεργασία μεταξύ της ομάδας ανάπτυξης του Forza Motorsport, Turn 10 Studios και της Microsoft Research, τα drivatar ήταν μια ιδέα με σκοπό την εκπαίδευση εικονικών οδηγών παίζοντας time trial αγώνες στο Forza Motorsport series το 2005. Ότι είναι η Sophy για το Gran Turismo! (περισσότερα παρακάτω).
Ο τρόπος που λειτουργούσε αυτό το σύστημα ήταν με την εκπαίδευση agents νευρωνικών δικτύων τύπου Bayesian (βασισμένων δηλαδή στον κανόνα του Μπέυζ). Αυτό γινόταν τοπικά στην κονσόλα του παίκτη, δεδομένου ότι για την τότε εποχή το Xbox ήταν το μόνο που είχε σκληρό δίσκο και επέτρεπε την αποθήκευση τέτοιου είδους δεδομένων.
Προχωρώντας με σταθερά βήματα η ανάπτυξη των Drivatars συνέχισε να αναπτύσσεται μέχρι και το Forza Motorsport 4 το 2011 στο πολυβραβευμένο Xbox 360.
Δύο χρόνια αργότερα το 2013 η ομάδα ανάπτυξης των Drivatar θέλησε να το ανανεώσει και να το επεκτείνει ριζικά παράλληλα με το λανσάρισμα του Forza Motorsport 5.
Η έκδοση λοιπόν που κρατάει και μέχρι σήμερα δεν τρέχει πια τοπικά στις κονσόλες αλλά online στο δίκτυο του Xbox χάρη στο Azure Cloud της Microsoft. Πλέον το σύστημα τροφοδοτείται και εκπαιδεύεται με αμέτρητα και λεπτομερή δεδομένα, καταγράφοντας ακριβώς το πως παίζει ο κάθε παίκτης.
Συγκεκριμένα, το πως οδηγεί υπό διάφορα καιρικά φαινόμενα, το πως χειρίζεται τις στροφές της πίστας κ.ο.κ.
Τέλος, μετά το στάδιο της εκμάθησης, όλα αυτά τα δεδομένα ανεβαίνουν στο cloud και ενημερώνουν το ήδη υπάρχον Drivatar ώστε να αντικατοπτρίζει με μεγαλύτερη ακρίβεια τις ικανότητες του κάθε παίκτη.
4. Δοκιμές με Τεχνητή Νοημοσύνη στο The Division 2 & Battlefield V
Ένας άγραφος νόμος λέει ότι δεν υπάρχει παιχνίδι ή πρόγραμμα που να είναι bug-free.
Η αλήθεια είναι όμως ότι τα τελευταία 10 χρόνια περίπου το λανσάρισμα κάθε νέου παιχνιδιού συνοδεύεται από έναν μεγάλο αριθμό bugs φέρνοντας σχεδόν πάντοτε κακά μαντάτα σε όσους θέλουν να τα απολαύσουν από την πρώτη μέρα της κυκλοφορίας τους.
Οι εταιρείες από την άλλη, ανάμεσα στα περιστασιακά ‘crunches’ που έχουμε μάθει από τίτλους όπως το Cyberpunk, στοχεύουν όχι στο να εξαλείψουν εντελώς τα προβλήματα αλλά να τα μειώσουν στο ελάχιστο έτσι ώστε να γίνει το λανσάρισμα όσο πιο πετυχημένο γίνεται.
Εργαλεία δοκιμών με τεχνητή νοημοσύνη έχουν εφαρμογή εδώ και μερικά χρόνια βοηθώντας έτσι τις εταιρίες να αντιμετωπίζουν bugs που μπορούν να αμαυρώσουν την συνολική εμπειρία των παικτών.
Συγκεκριμένα η Massive Entertainment που βρίσκεται πίσω από τη σειρά παιχνιδιών The Division, χρησιμοποιεί bots για να παρακολουθούν και να αξιολογούν τη δραστηριότητα των server τους, να τρέχουν tests στο δίκτυο, ενώ μπορεί επίσης να παίζουν και οι ίδιοι σαν κανονικοί παίκτες.
Άλλη μια εταιρία που εισήγαγε δοκιμαστικά bots από το 2018, είναι η Electronic Arts με το αρκετά δημοφιλές franchise Battlefield. Μπορείτε να δείτε την ομιλία του Jonas Gillberg, Senior AI Engineer στη GDC εδώ.
5. Βελτιωμένα textures για το Mass Effect: Legendary Edition
Μία νέα εφαρμογή που προέκυψε μετά από πειραματισμό με τη βαθιά μάθηση είναι η βελτίωση της ανάλυσης και λεπτομέρειας των υφών (ή textures για τους αγγλομαθείς).
Χρησιμοποιώντας τεχνητή νοημοσύνη παρέχεται η δυνατότητα βελτίωσης των ήδη υπαρχόντων assets αυξάνοντας την ανάλυση και την ευκρίνεια, πολύ χρήσιμο για παλαιότερους τίτλους.
Το σύστημα λειτουργεί ως εξής:
Αρχικά, τα πρωτότυπα αρχεία τροφοδοτούν μια γεννήτρια που είναι εκπαιδευμένη στο να δημιουργεί μια ‘απομίμηση’ ή νέο αντίγραφο των πρωτοτύπων αλλά σε μεγαλύτερη ανάλυση και με μεγαλύτερη ευκρίνεια.
Ταυτόχρονα, το δεύτερο στοιχείο της διαδικασίας είναι αυτό του ελεγκτή. Ο ρόλος του ελεγκτή είναι να αξιολογήσει τα νέα αντίγραφα και να καθορίσει αν είναι πραγματικά ή όχι.
Η ιδέα πίσω από αυτό είναι πως αν ο ελεγκτής-διαχωριστής καταφέρει να εντοπίσει τα ‘ψεύτικα’ αντίγραφα εύκολα, τότε η γεννήτρια θα πρέπει να δημιουργήσει πιο σύνθετα assets έτσι ώστε να αποφύγει τον έλεγχο την επόμενη φορά.
Στην κοινότητα των modders η τεχνική των παραγωγικών αντιπαραθετικών δικτύων (generative adversarial networks) έχει τρομερή απήχηση.
Πασίγνωστοι τίτλοι όπως το DOOM (το ορίτζιναλ), Deus Ex, Max Payne και πολλοί ακόμα δείχνουν την ηλικία τους σε σχέση με τα παιχνίδια του σήμερα. Και αυτό λόγω των χαμηλής ανάλυσης/ποιότητας textures που για την εποχή τους ήταν άψογα.
Μπορεί η συγκεκριμένη τεχνική να προσελκύει κυρίως modders αλλά υπάρχουν μεγαθήρια της βιομηχανίας πουν αξιοποιούν αντίστοιχες τεχνικές στις ΑΑΑ παραγωγές τους.
Μιλάμε για την (σ.σ. προσωπικά αγαπημένη) Bioware η οποία το 2021 βελτίωσε περίπου 30.000 textures για το remaster της τριλογίας, Mass Effect: Legendary Edition, στην προσπάθειά της να βελτιώσει την ποιότητα της εικόνας από τα πρωτότυπα παιχνίδια (720p) σε native 4K.
6. Βαθιά μάθηση για πιο απαιτητικά racing παιχνίδια
Λαμβάνοντας υπόψη τις σχετικά πρόσφατες καινοτομίες στην βαθιά μάθηση είναι θέμα χρόνου να δούμε την συγκεκριμένη τεχνολογία και σε άλλες μεγάλες παραγωγές.
Παρόλο που τα πιο πολλά NPCs δεν χρησιμοποιούν τη βαθιά μάθηση μιας και οι προγραμματιστές θέλουν την ευελιξία του προγραμματισμού τους, υπάρχει ένας κλάδος που μπορεί να δει σημαντική βελτίωση. Και αυτός είναι τα racing παιχνίδια!
Η κατηγορία των racing games ενέχει πολλούς περιορισμούς όταν πρόκειται για την είσοδο οποιουδήποτε τύπου τεχνητής νοημοσύνης αλλά αποτελεί γόνιμο έδαφος για τους πιο ‘τολμηρούς’ game developers.
Για παράδειγμα, οι οδηγοί θα πρέπει να ακολουθούν πάντα την αγωνιστική γραμμή που είναι συνήθως και η πιο βέλτιστη. Παράλληλα όμως, έχουμε και τους νόμους της φυσικής (μάζα, συνθήκες της πίστας, ελαστικά κλπ.) οι οποίοι παίζουν πολύ σημαντικό ρόλο στο πως θα τρέξει ένα NPC το αυτοκίνητό του.
Αυτό όμως δε σημαίνει ότι δεν είδαμε μερικές πολύ ενδιαφέρουσες προσθήκες τεχνητής νοημοσύνης στα racing games.
Το 2019 η σειρά παιχνιδιών MotoGP δημιούργησε ένα νευρωνικό δίκτυο με την κωδική ονομασία A.N.N.A. (Artificial Neural Network Agent) για τον τρόπο που χειρίζονται τα NPC τις μοτοσυκλέτες τους.
Από την άλλη το διάσημο και γνωστό σε όλους Gran Turismo 7, το οποίο βγήκε στην αγορά τον Μάρτιο του 2022, εισήγαγε την Gran Turismo SOPHY. Σε αντίθεση με τα Drivatar του Forza τα εν λόγω μοντέλα εκπαιδεύονται χωρίς να χρειάζεται να συλλέξουν και να επεξεργαστούν δεδομένα από ήδη υπάρχοντες παίκτες.
Αντιθέτως οδηγούν όσο καλύτερα και πιο αποτελεσματικά γίνεται αλλά με τρόπο που σέβεται τους ηθικούς και αγωνιστικούς κανόνες, διασφαλίζοντας ότι δεν θα γίνουν τοξικοί απέναντι στους gamer.
Κλείνοντας
Τα παραδείγματα που αναφέρθηκαν τονίζουν τους τρόπους με τους οποίους η βιομηχανία μπορεί να εφαρμόσει την τεχνητή νοημοσύνη και γενικότερα τις σύγχρονες τεχνολογίες για να δώσει λύσεις σε γνωστά προβλήματα – ή και για να βελτιώσουν τη συνολική gaming εμπειρία.
Το σίγουρο είναι ότι το μέλλον μας επιφυλάσσει ολοένα και περισσότερες καινοτομίες στον κλάδο της τεχνητής νοημοσύνης και της μηχανικής μάθησης. Βλέπουμε ότι λύσεις υπάρχουν δεκάδες. Το θέμα είναι να υπάρχει η αντίστοιχη όρεξη και χρηματοδότηση για να μπουν εν τέλει στα παιχνίδια και φτάσουν στο κοινό.
Με πληροφορίες από το άρθρο του Modl.ai.
