Videoludoj daŭre provizas defion al miliardoj da ludantoj tra la mondo. Vi eble ankoraŭ ne scias ĝin, sed maŝinlernado-algoritmoj ankaŭ komencis leviĝi al la defio.
Nuntempe ekzistas signifa kvanto da esplorado en la kampo de AI por vidi ĉu maŝinlernado metodoj povas esti aplikitaj al videoludoj. Granda progreso en ĉi tiu kampo montras tion maŝinlernado agentoj povas esti uzitaj por kopii aŭ eĉ anstataŭigi la homan ludanton.
Kion ĉi tio signifas por la estonteco de Videoludoj?
Ĉu ĉi tiuj projektoj estas simple por amuzo, aŭ ĉu ekzistas pli profundaj kialoj kial tiom da esploristoj koncentriĝas pri ludoj?
Ĉi tiu artikolo mallonge esploros la historion de AI en videoludoj. Poste, ni donos al vi rapidan superrigardon pri iuj maŝinlernadaj teknikoj, kiujn ni povas uzi por lerni kiel venki ludojn. Ni tiam rigardos kelkajn sukcesajn aplikojn de neŭralaj retoj lerni kaj regi specifajn videoludojn.
Mallonga Historio de AI en Videoludado
Antaŭ ol ni ekkomprenos kial neŭralaj retoj fariĝis la ideala algoritmo por solvi videoludojn, ni mallonge rigardu kiel komputilaj sciencistoj uzis videoludojn por progresigi sian esploradon en AI.
Vi povas argumenti, ke de ĝia komenco, videoludoj estis varma areo de esplorado por esploristoj interesitaj pri AI.
Kvankam ne strikte videoludo en origino, ŝako estis granda fokuso en la fruaj tagoj de AI. En 1951, D-ro Dietrich Prinz verkis ŝakludan programon uzante la Ferranti Mark 1 ciferecan komputilon. Ĉi tio estis reen en la epoko, kiam ĉi tiuj dikaj komputiloj devis legi programojn de papera bendo.
La programo mem ne estis kompleta ŝaka AI. Pro la limigoj de la komputilo, Prinz povis nur krei programon kiu solvis mate-en-du ŝakproblemojn. Averaĝe, la programo daŭris 15-20 minutojn por kalkuli ĉiun eblan movon por la Blankaj kaj Nigraj ludantoj.
Laboro pri plibonigo de ŝako kaj damludo AI pliboniĝis konstante dum la jardekoj. La progreso atingis sian kulminon en 1997 kiam Deep Blue de IBM venkis rusan ŝakgrandmajstron Garry Kasparov en paro de ses-matĉaj matĉoj. Nuntempe, ŝakmotoroj, kiujn vi povas trovi sur via poŝtelefono, povas venki Deep Blue.
AI-kontraŭuloj komencis akiri popularecon dum la ora epoko de videoludoj. 1978-aj Space Invaders kaj 1980-aj jaroj Pac-Man estas kelkaj el la pioniroj de la industrio en kreado de AI kiu povas sufiĉe defii eĉ la plej veteranajn arkadludantojn.
Pac-Man, precipe, estis populara ludo por AI-esploristoj por eksperimenti. Diversaj konkursoj ĉar S-ino Pac-Man estis organizitaj por determini kiu teamo povus elpensi la plej bonan AI por venki la ludon.
Luda AI kaj heŭristikaj algoritmoj daŭre evoluis kiam la bezono de pli inteligentaj kontraŭuloj ekestis. Ekzemple, batala AI pliiĝis en populareco kiam ĝenroj kiel mi-perspektivaj pafistoj iĝis pli ĉefaj.
Maŝina Lernado en Videoludoj
Ĉar maŝinlernadteknikoj rapide altiĝis en populareco, diversaj esplorprojektoj provis uzi tiujn novajn teknikojn por ludi videoludojn.
Ludoj kiel Dota 2, StarCraft kaj Doom povas funkcii kiel problemoj por ĉi tiuj maŝinlernaj algoritmoj solvi. Algoritmoj de profunda lernado, precipe, povis atingi kaj eĉ superi homnivelan efikecon.
la Arcade Lerna Medio aŭ ALE donis al esploristoj interfacon por pli ol cent ludoj de Atari 2600. La malfermfonta platformo permesis al esploristoj komparmarki la agadon de maŝinlernado teknikoj sur klasikaj Atari-videoludoj. Guglo eĉ publikigis sian propran papero uzante sep ludojn de la ALE
Dume, projektoj kiel VizDoom donis al esploristoj de AI la ŝancon trejni maŝinlernajn algoritmojn por ludi 3D unuapersonajn pafistojn.
Kiel Ĝi Funkcias: Kelkaj Ŝlosilaj Konceptoj
Neŭralaj Retoj
Plej multaj aliroj al solvi videoludojn kun maŝina lernado implikas specon de algoritmo konata kiel neŭrala reto.
Vi povas pensi pri neŭrala reto kiel programo kiu provas imiti kiel cerbo povus funkcii. Simile al kiel nia cerbo estas kunmetita de neŭronoj kiuj elsendas signalon, neŭrala reto ankaŭ enhavas artefaritajn neŭronojn.
Tiuj artefaritaj neŭronoj ankaŭ transdonas signalojn al unu la alian, kie ĉiu signalo estas fakta nombro. Neŭrala reto enhavas multoblajn tavolojn inter la eniga kaj eligotavoloj, nomitaj profunda neŭrala reto.
Plifortiga lernado
Alia ofta maŝinlernado tekniko signifa al lernado de videoludoj estas la ideo de plifortiga lernado.
Ĉi tiu tekniko estas la procezo de trejnado de agento uzante rekompencojn aŭ punojn. Kun ĉi tiu aliro, la agento devus povi elpensi solvon al problemo per provo kaj eraro.
Ni diru, ke ni volas AI por ekscii kiel ludi la ludon Snake. La celo de la ludo estas simpla: akiri kiel eble plej multajn poentojn konsumante erojn kaj evitante vian kreskantan voston.
Kun plifortiga lernado, ni povas difini rekompencan funkcion R. La funkcio aldonas poentojn kiam Serpento konsumas objekton kaj subtrafas poentojn kiam la Serpento trafas malhelpon. Konsiderante la nunan medion kaj aron da eblaj agoj, nia plifortiga lernmodelo provos komputi la optimuman "politikon" kiu maksimumigas nian rekompencan funkcion.
Neŭroevoluo
Tenante en temo kun esti inspiritaj de naturo, esploristoj ankaŭ trovis sukceson en aplikado de ML al videoludoj per tekniko konata kiel neŭroevoluo.
Anstataŭ uzi gradienta descendo por ĝisdatigi neŭronojn en reto, ni povas uzi evoluajn algoritmojn por atingi pli bonajn rezultojn.
Evoluaj algoritmoj tipe komenciĝas generante komencan populacion de hazardaj individuoj. Ni tiam taksas ĉi tiujn individuojn uzante certajn kriteriojn. La plej bonaj individuoj estas elektitaj kiel "gepatroj" kaj estas breditaj kune por formi novan generacion de individuoj. Tiuj individuoj tiam anstataŭigos la malplej-taŭgajn individuojn en la populacio.
Tiuj algoritmoj ankaŭ tipe lanĉas iun formon de mutaciooperacio dum la interkruciĝo aŭ "reproduktado-" paŝo por konservi genetikan diversecon.
Specimena Esplorado pri Maŝina Lernado en Videoludoj
OpenAI Kvin
OpenAI Kvin estas komputila programo de OpenAI, kiu celas ludi DOTA 2, popularan plurludantan moveblan batalan arenon (MOBA).
La programo utiligis ekzistantajn plifortigajn lernajn teknikojn, skalitajn por lerni de milionoj da kadroj je sekundo. Danke al distribuita trejna sistemo, OpenAI povis ludi 180 jarojn da ludoj ĉiutage.
Post la trejna periodo, OpenAI Five povis atingi ekspertnivelan agadon kaj pruvi kunlaboron kun homaj ludantoj. En 2019, OpenAI kvin povis malvenko 99.4% de ludantoj en publikaj matĉoj.
Kial OpenAI decidis pri ĉi tiu ludo? Laŭ la esploristoj, DOTA 2 havis kompleksajn mekanikojn, kiuj estis ekster la atingo de ekzistanta profunda plifortiga lernado algoritmoj.
Super Mario Bros.
Alia interesa apliko de neŭralaj retoj en videoludoj estas la uzo de neŭroevoluo por ludi platformojn kiel Super Mario Bros.
Ekzemple ĉi tio hakatona eniro komencas havi neniun scion pri la ludo kaj malrapide konstruas fundamenton de kio necesas por progresi tra nivelo.
La mem-evoluanta neŭrala reto prenas la nunan staton de la ludo kiel krado de kaheloj. Komence, la neŭrala reto ne komprenas, kion signifas ĉiu kahelo, nur ke la "aeraj" kaheloj estas diferencaj de "grundaj kaheloj" kaj "malamikaj kaheloj".
La efektivigo de la hackathon-projekto de neŭroevoluo uzis la NEAT-genetikan algoritmon por bredi malsamajn neŭralajn retojn selekteme.
graveco
Nun kiam vi vidis kelkajn ekzemplojn de neŭralaj retoj ludantaj videoludojn, vi eble demandas, kio estas la signifo de ĉio ĉi.
Ĉar videoludoj implikas kompleksajn interagojn inter agentoj kaj iliaj medioj, ĝi estas la perfekta testejo por fari AI. Virtualaj medioj estas sekuraj kaj kontroleblaj kaj provizas senfinan provizon de datumoj.
Esplorado farita en ĉi tiu kampo donis al esploristoj sciojn pri kiel neŭralaj retoj povas esti optimumigitaj por lerni kiel solvi problemojn en la reala mondo.
Neŭronaj retoj estas inspiritaj de kiel cerboj funkcias en la natura mondo. Studante kiel artefaritaj neŭronoj kondutas kiam lernas kiel ludi videoludon, ni ankaŭ povas akiri sciojn pri kiel la homa cerbo laboras.
konkludo
Similecoj inter neŭralaj retoj kaj la cerbo kondukis al komprenoj en ambaŭ kampoj. La daŭra esplorado pri kiel neŭralaj retoj povas solvi problemojn eble iam kondukos al pli progresintaj formoj de artefarita inteligento.
Imagu uzi AI adaptitan al viaj specifoj, kiu povas ludi tutan videoludon antaŭ ol vi aĉetas ĝin por sciigi vin ĉu ĝi valoras vian tempon. Ĉu videoludaj kompanioj uzus neŭralajn retojn por plibonigi luddezajnon, ĝustigi nivelon kaj kontraŭulmalfacilon?
Kion vi pensas okazos kiam neŭralaj retoj fariĝos la finaj ludantoj?
Lasi Respondon