Արհեստական ինտելեկտը (AI) հեղափոխություն է անում աշխարհն այնպիսին, ինչպիսին մենք գիտենք: Նկարներում օբյեկտների հայտնաբերման և տեղայնացման պարզ ալգորիթմներից մինչև իրական ժամանակում առողջապահական հսկողության համակարգերի ներդրումը, AI-ն մեծ չափերով բարելավել է անհամար ոլորտներ: Նման ոլորտներից մեկը, որը տասնամյակներ շարունակ օգտագործել է AI-ը, տեսախաղերի արդյունաբերությունն է:
Այս հոդվածը ներառում է AI-ի և մեքենայական ուսուցման հիմունքները, ինչպես նաև դրանց ներդրումը տեսախաղերում: Եթե դուք հետաքրքրված եք խաղերի մշակմամբ, Machine Learning կամ երկուսն էլ, այս գրառումը ձեզ համար է:
Արհեստական ինտելեկտ և մեքենայական ուսուցում
Արհեստական ինտելեկտը տվյալների գիտության ոլորտի կիրառություն է, որը կենտրոնանում է խելացի մեքենաների ստեղծման վրա, որոնք կարող են կատարել այնպիսի առաջադրանքներ, որոնք ընդհանուր առմամբ պահանջում են մարդկային ինտելեկտի որոշակի աստիճան: Այս մոդելավորված բանականությունը չի բաղկացած վերացական մտքից. ավելի շուտ միջոց է տվյալ խնդրի համար ավելի խելացի կամ ամենախելացի լուծման ճանապարհը գնալու համար:
Machine Learning (ML) AI-ի ենթաոլորտ է, որտեղ համակարգչային ալգորիթմները փորձում են ինքնաբերաբար կատարելագործվել փորձի և տվյալների օգտագործման միջոցով: Այս ալգորիթմները կառուցում և պատրաստում են մոդել՝ օգտագործելով վիճակագրական վերլուծություն տվյալ տվյալների բազայի վրա և կանխատեսումներ անել կամ որոշումներ՝ առանց դրա համար հստակ ծրագրված լինելու:
AI/ML-ը խաղերում
AI-ն տասնամյակներ շարունակ եղել է խաղերի ոլորտում: Սակայն ժամանակակից գործիքների և տեխնոլոգիաների ներդրմամբ, ինչպիսիք են Գրաֆիկական մշակման միավորները (GPU-ները), թվային արվեստի ընդլայնված ծրագրաշարը և խաղացողների տվյալների հսկայական հավաքածուները, և՛ AI-ի, և՛ ML-ի ներուժը կտրուկ աճել է:
Ստորև ներկայացված են AI/ML-ի հիմնական ներդրումները տեսախաղերում:
1. Ավելի խելացի NPC-ներ
Չխաղարկվող կերպարները (NPC) խաղի այլ կերպարներ են, բացի հիմնական խաղացողից: Ավանդաբար, NPC-ները ծրագրավորվում էին նախապես գրված գործողություններով՝ օգտագործելով պետական մեքենա: Նշանակում է, որ նրանց գործողությունները կապված էին սյուժեի հետ կամ ի պատասխան խաղացողի գործողությունների, ուստի NPC-ն ուներ սահմանափակ և կանխատեսելի գործողություններ:
Այնուամենայնիվ, AI-ի և ML-ի միջոցով մեր NPC-ներն այժմ ի վիճակի են սովորել խաղացողների խաղային ոճը և ունենալ գործողությունների դինամիկ շարք, ինչը նրանց դարձնում է ավելի քիչ կանխատեսելի և ավելի դժվար՝ խաղալով խաղացողի դեմ: Հակառակորդից սովորելու հենց այս ռազմավարությունը մեզ հնարավորություն է տվել ստեղծել AlphaZero-ի պես գերժամանակակից շախմատային շարժիչներ:
2. Դինամիկ մատուցում
Վիդեոխաղերի ընկերությունները փորձում են վերացնել AI-ն և ML-ն օգտագործելով՝ հեռանկարային աղավաղման խնդիրներից մեկը: Այս երևույթը տեղի է ունենում, երբ առարկան լավ տեսք ունի, երբ խաղացողը հեռու է, բայց դառնում է աղավաղված և պիքսելացված, երբ խաղացողը մոտենում է նշված օբյեկտին:
Խաղային ընկերությունները օգտագործում են մեքենայական ուսուցման ալգորիթմներ՝ պատկերները և արտապատկերումը դինամիկ կերպով բարելավելու համար: Սա կհակազդի պատկերի աղավաղման էֆեկտին և թույլ կտա առարկան ավելի նուրբ երևալ, երբ ավելի մոտ է նվագարկիչին:
3. Երկխոսության ստեղծում և իրատեսական փոխազդեցություններ
Մենք արդեն տեսել ենք, թե ինչպես AI-ն և ML-ն կարող են օգտագործվել NPC-ի գործողությունները բարելավելու համար: Այնուամենայնիվ, այս տեխնոլոգիաները կարող են օգտագործվել նաև խաղային փորձը բարելավելու համար՝ ձևակերպելով ավելի ճշգրիտ և իրատեսական NPC պատասխաններ:
Մի շարք դերախաղեր օգտագործում են երկխոսության մեխանիզմը, որոնք զգալիորեն բարելավվում են դրա օգնությամբ Բնական լեզվի մշակում և զգացմունքների վերլուծություն ML ալգորիթմների օգտագործմամբ տեխնիկա: Զարգացած AI երկխոսության և իրատեսական փոխազդեցության լավ օրինակ կարելի է տեսնել նման խաղերում The Elder պտտվում IV. Մոռացության.
4. Համաշխարհային սերունդ
ML-ի մեկ այլ հզոր կիրառություն խաղերի մշակման մեջ համաշխարհային սերնդի կիրառությունն է: Մի շարք հայտնի խաղեր, ինչպիսիք են Minecraft և Grand Theft Auto շարքը օգտագործում է բաց աշխարհի խաղային սցենար:
Այս խաղերը չափազանց դժվար կլիներ ստեղծել առանց համաշխարհային սերնդի որոշ առանձնահատկությունների, և որն ավելի լավ միջոց է տեղանքները դինամիկ կերպով քարտեզագրելու, NPC-ներ ստեղծելու և թալանը թաքցնելու համար: Machine Learning տեխնոլոգիան
5. Ընկղմվող խաղերի ստեղծում
Տեսախաղեր մշակողների ամենաբարձր առաջնահերթություններից մեկը այնպիսի խաղ ստեղծելն է, որը հնարավորինս սուզվող և իրական աշխարհին մոտ լինի: Այնուամենայնիվ, իրական աշխարհի մոդելավորումը կարող է աներևակայելի բարդ գործընթաց լինել:
Այս գործընթացը կարող է զգալիորեն հեշտացնել Machine Learning տեխնոլոգիայի օգնությամբ: ML ալգորիթմը կարող է օգտագործվել խաղացողի գործողությունների հետևանքները կանխատեսելու կամ նույնիսկ խաղի եղանակի նման բաներ մոդելավորելու համար:
Եզրափակում
Արհեստական բանականություն և Machine Learning-ը մի քանի հզոր հավելվածներ են գտել վիդեո խաղերի ոլորտում: Տեսախաղերի ժամանակակից ընկերությունները մեծ ներդրումներ են կատարում արհեստական ինտելեկտի և ML-ի ներդրման համար՝ բարելավելու իրենց խաղերի տրամադրած խաղացողների փորձը: Հաշվի առնելով տեխնոլոգիաների աճի տեմպերը, անակնկալ չի լինի շուտով մեր տրամադրության տակ ունենալ վիդեո խաղերի աներևակայելի փորձառություններ: Դուք հուզված եք:
Եթե ձեզ դուր եկավ այս հոդվածը, բաժանորդագրվել HashDork-ի շաբաթական տեղեկագրին, որտեղ մենք կիսում ենք AI, ML, DL, Ծրագրավորում և ապագա տեխնոլոգիաների վերջին նորությունները:
Թողնել գրառում