Video game terus menehi tantangan kanggo milyaran pemain ing saindenging jagad. Sampeyan bisa uga durung ngerti, nanging algoritma pembelajaran mesin uga wis mulai tantangan.
Saiki ana jumlah riset sing signifikan ing bidang AI kanggo ndeleng apa metode pembelajaran mesin bisa ditrapake ing game video. Kemajuan substansial ing lapangan iki nuduhake manawa learning machine agen bisa digunakake kanggo niru utawa malah ngganti pamuter manungsa.
Apa iki tegese kanggo masa depan saka video game?
Apa proyek kasebut mung kanggo seneng-seneng, utawa ana alasan sing luwih jero kenapa akeh peneliti fokus ing game?
Artikel iki bakal njelajah sedhela sejarah AI ing game video. Sabanjure, kita bakal menehi ringkesan cepet babagan sawetara teknik machine learning sing bisa digunakake kanggo sinau carane ngalahake game. Banjur kita bakal ndeleng sawetara aplikasi sing sukses jaring saraf kanggo sinau lan nguwasani game video tartamtu.
Sajarah Brief saka AI ing Gaming
Sadurunge kita ngerti kenapa jaring saraf wis dadi algoritma sing cocog kanggo ngrampungake game video, ayo goleki kanthi ringkes kepiye para ilmuwan komputer nggunakake game video kanggo maju riset ing AI.
Sampeyan bisa mbantah manawa, wiwit wiwitan, game video wis dadi area riset panas kanggo peneliti sing kasengsem ing AI.
Sanajan ora mung game video sing asale, catur wis dadi fokus gedhe ing wiwitan AI. Ing taun 1951, Dr. Dietrich Prinz nulis program main catur nggunakake komputer digital Ferranti Mark 1. Iki minangka cara bali ing jaman nalika komputer gedhe iki kudu maca program saka tape kertas.
Program kasebut dhewe dudu AI catur lengkap. Amarga watesan komputer, Prinz mung bisa nggawe program sing bisa ngatasi masalah catur pasangan. Rata-rata, program njupuk 15-20 menit kanggo ngetung saben pamindhahan sing bisa ditindakake kanggo pemain Putih lan Ireng.
Ngapikake catur lan catur AI wis saya maju kanthi mantep sajrone pirang-pirang dekade. Kemajuan kasebut tekan puncak ing taun 1997 nalika Deep Blue IBM ngalahaké grandmaster catur Rusia Garry Kasparov ing pasangan enem pertandhingan. Saiki, mesin catur sing bisa ditemokake ing ponsel sampeyan bisa ngalahake Deep Blue.
Lawan AI wiwit entuk popularitas nalika jaman emas game arcade video. 1978's Space Invaders lan 1980s Pac-Man minangka sawetara pionir industri ing nggawe AI sing cukup bisa tantangan malah paling veteran saka tukang game arcade.
Pac-Man, utamane, minangka game populer kanggo para peneliti AI kanggo eksperimen. Macem-macem kompetisi kanggo Ms.. Pac-Man wis diatur kanggo nemtokake kang tim bisa teka munggah karo AI paling apik kanggo ngalahake game.
Game AI lan algoritma heuristik terus berkembang amarga perlu kanggo mungsuh sing luwih pinter. Contone, AI pertempuran dadi populer amarga genre kayata penembake wong pisanan dadi luwih mainstream.
Machine Learning ing Video Game
Nalika teknik machine learning cepet dadi populer, macem-macem proyek riset nyoba nggunakake teknik anyar iki kanggo main video game.
Game kayata Dota 2, StarCraft, lan Doom bisa dadi masalah kanggo iki algoritma pembelajaran mesin kanggo ngrampungake. Algoritma sinau jero, utamane, bisa nggayuh lan malah ngluwihi kinerja tingkat manungsa.
The Lingkungan Pembelajaran Arcade utawa ALE marang peneliti antarmuka kanggo liwat atus Atari 2600 game. Platform open-source ngidini para peneliti menehi pathokan kinerja teknik pembelajaran mesin ing game video Atari klasik. Google malah nerbitake dhewe kertas nggunakake pitung game saka ALE
Kangge, proyek kaya VizDoom menehi peneliti AI kesempatan kanggo nglatih algoritma machine learning kanggo muter 3D first-person shooters.
Cara Kerjane: Sawetara Konsep Kunci
Jaringan saraf
Umume pendekatan kanggo ngrampungake game video kanthi pembelajaran mesin kalebu jinis algoritma sing dikenal minangka jaringan saraf.
Sampeyan bisa mikir jaring saraf minangka program sing nyoba niru cara otak bisa digunakake. Kaya carane otak kita dumadi saka neuron sing ngirim sinyal, jaring saraf uga ngemot neuron buatan.
Neuron buatan iki uga nransfer sinyal menyang siji liyane, kanthi saben sinyal minangka nomer nyata. Jaringan saraf ngemot pirang-pirang lapisan ing antarane lapisan input lan output, sing diarani jaringan saraf jero.
Pembuatan sing dikuwatake
Teknik pembelajaran mesin umum liyane sing cocog kanggo sinau game video yaiku ide sinau penguatan.
Teknik iki minangka proses nglatih agen nggunakake ganjaran utawa paukuman. Kanthi pendekatan iki, agen kudu bisa nemokake solusi kanggo masalah liwat nyoba lan kesalahan.
Ayo kita ngomong yen kita pengin AI kanggo mangerteni carane muter game Snake. Tujuane game kasebut gampang: entuk akeh poin kanthi ngonsumsi barang lan ngindhari buntut sing tuwuh.
Kanthi sinau penguatan, kita bisa nemtokake fungsi ganjaran R. Fungsi nambah poin nalika Snake ngonsumsi barang lan nyuda poin nalika Snake kenek alangan. Amarga lingkungan saiki lan sawetara tindakan sing bisa ditindakake, model pembelajaran penguatan bakal nyoba ngetung 'kabijakan' optimal sing ngoptimalake fungsi ganjaran.
Neuroevolusi
Tetep ing tema karo inspirasi dening alam, peneliti uga wis sukses ing aplikasi ML kanggo video game liwat technique dikenal minangka neuroevolution.
Daripada nggunakake keturunan gradien kanggo nganyari neuron ing jaringan, kita bisa nggunakake algoritma evolusi kanggo entuk asil sing luwih apik.
Algoritma evolusi biasane diwiwiti kanthi ngasilake populasi awal individu acak. Kita banjur ngevaluasi individu kasebut nggunakake kritéria tartamtu. Individu sing paling apik dipilih minangka "wong tuwa" lan dikembangake bebarengan kanggo mbentuk generasi anyar individu. Wong-wong iki banjur bakal ngganti individu sing paling ora pas ing populasi.
Algoritma iki uga biasane ngenalake sawetara bentuk operasi mutasi sajrone langkah silang utawa "breeding" kanggo njaga keragaman genetik.
Riset Sample babagan Machine Learning ing Video Game
OpenAI Lima
OpenAI Lima iku program komputer saka OpenAI sing tujuane kanggo muter DOTA 2, game multiplayer mobile battle arena (MOBA) populer.
Program kasebut nggunakake teknik sinau penguatan sing wis ana, diskalakake kanggo sinau saka jutaan pigura per detik. Thanks kanggo sistem latihan sing disebarake, OpenAI bisa main game 180 taun saben dina.
Sawise periode latihan, OpenAI Five bisa nggayuh kinerja tingkat pakar lan nuduhake kerjasama karo pemain manungsa. Ing 2019, OpenAI limang bisa kekalahan 99.4% pemain ing pertandhingan umum.
Napa OpenAI mutusake game iki? Miturut peneliti, DOTA 2 duwe mekanika kompleks sing ana ing njaba jangkauan jero sing ana learning reinforcement kalkulus
Super Mario Bros.
Aplikasi liyane sing menarik saka jaring saraf ing video game yaiku nggunakake neuroevolution kanggo muter platformer kayata Super Mario Bros.
Contone, iki entri hackathon wiwit karo ora duwe kawruh saka game lan alon-alon mbangun madegé apa perlu kanggo kemajuan liwat tingkat.
Jaring saraf sing berkembang dhewe njupuk kahanan saiki minangka kothak kothak. Ing wiwitan, jaring saraf ora ngerti apa tegese saben kothak, mung yen kothak "udara" beda karo "ubin lemah" lan "ubin mungsuh."
Penerapan neuroevolusi proyek hackathon nggunakake algoritma genetik NEAT kanggo ngasilake jaring saraf sing beda-beda kanthi selektif.
pentinge
Saiki sampeyan wis ndeleng sawetara conto jaring saraf sing main game video, sampeyan bisa uga mikir apa gunane kabeh iki.
Amarga game video kalebu interaksi kompleks antarane agen lan lingkungane, iki minangka papan uji coba sing sampurna kanggo nggawe AI. Lingkungan virtual aman lan bisa dikontrol lan nyedhiyakake pasokan data tanpa wates.
Riset sing digawe ing lapangan iki wis menehi peneliti wawasan babagan carane jaring saraf bisa dioptimalake kanggo sinau carane ngatasi masalah ing donya nyata.
Jaringan saraf diilhami dening cara kerja otak ing alam donya. Kanthi nyinaoni kepriye tumindake neuron buatan nalika sinau dolanan video, kita uga bisa ngerteni kepiye carane otak manungsa nyambut gawe.
kesimpulan
Persamaan antarane jaringan saraf lan otak wis nyebabake wawasan ing loro lapangan kasebut. Panliten sing terus-terusan babagan carane jaringan saraf bisa ngatasi masalah bisa uga bakal nyebabake bentuk sing luwih maju Kacerdhasan gawéyan.
Bayangake nggunakake AI sing cocog karo spesifikasi sampeyan sing bisa muter kabeh game video sadurunge sampeyan tuku supaya sampeyan ngerti yen sampeyan butuh wektu. Apa perusahaan video game nggunakake jaring saraf kanggo nambah desain game, level tweak, lan kesulitan mungsuh?
Apa sampeyan mikir sing bakal kelakon nalika jaring saraf dadi tukang game utama?
Ninggalake a Reply