Video igre še naprej predstavljajo izziv za milijarde igralcev po vsem svetu. Morda še ne veste, a tudi algoritmi strojnega učenja so začeli kos izzivu.
Trenutno je na področju AI veliko raziskav, da bi ugotovili, ali je mogoče metode strojnega učenja uporabiti v video igrah. To kaže velik napredek na tem področju strojno učenje agente je mogoče uporabiti za posnemanje ali celo zamenjavo človeškega igralca.
Kaj to pomeni za prihodnost video igre?
Ali so ti projekti preprosto za zabavo ali obstajajo globlji razlogi, zakaj se toliko raziskovalcev osredotoča na igre?
Ta članek bo na kratko raziskal zgodovino AI v video igrah. Nato vam bomo dali hiter pregled nekaterih tehnik strojnega učenja, s katerimi se lahko naučimo premagati igre. Nato si bomo ogledali nekaj uspešnih aplikacij nevronske mreže naučiti in obvladati določene video igre.
Kratka zgodovina umetne inteligence v igrah
Preden se lotimo vprašanja, zakaj so nevronske mreže postale idealen algoritem za reševanje video iger, si na kratko poglejmo, kako so računalniški znanstveniki uporabili video igre za napredek pri svojih raziskavah na področju umetne inteligence.
Lahko trdite, da so bile videoigre že od samega začetka vroče področje raziskav za raziskovalce, ki jih zanima umetna inteligenca.
Čeprav po izvoru ni izključno video igra, je bil šah v zgodnjih dneh umetne inteligence velik poudarek. Leta 1951 je dr. Dietrich Prinz napisal program za igranje šaha z uporabo digitalnega računalnika Ferranti Mark 1. To je bilo daleč nazaj v obdobju, ko so ti zajetni računalniki morali brati programe s papirnatega traku.
Sam program ni bil popoln šahovski AI. Zaradi omejitev računalnika je Prinz lahko ustvaril le program, ki je reševal šahovske probleme mate in two. V povprečju je program porabil 15-20 minut, da je izračunal vse možne poteze belih in črnih igralcev.
Delo na izboljšanju umetne inteligence pri šahu in dami se je skozi desetletja vztrajno izboljševalo. Napredek je dosegel vrhunec leta 1997, ko je IBM-ov Deep Blue premagal ruskega šahovskega velemojstra Garija Kasparova v paru šestih partij. Dandanes lahko šahovski motorji, ki jih najdete na svojem mobilnem telefonu, premagajo Deep Blue.
Nasprotniki umetne inteligence so začeli pridobivati na priljubljenosti v zlati dobi video arkadnih iger. Space Invaders iz leta 1978 in Pac-Man iz leta 1980 sta nekaj pionirjev v industriji pri ustvarjanju umetne inteligence, ki lahko zadosti izzove tudi najbolj veterane arkadnih iger.
Zlasti Pac-Man je bila priljubljena igra za eksperimentiranje raziskovalcev umetne inteligence. Različno Tekmovanja za gospo Pac-Man so bili organizirani, da bi ugotovili, katera ekipa bi lahko pripravila najboljši AI za premagovanje igre.
Umetna inteligenca v igri in hevristični algoritmi so se še naprej razvijali, ko se je pojavila potreba po pametnejših nasprotnikih. Priljubljenost bojne umetne inteligence je na primer narasla, ko so žanri, kot so prvoosebne strelske igre, postali bolj razširjeni.
Strojno učenje v video igrah
Ker so tehnike strojnega učenja hitro postale priljubljene, so različni raziskovalni projekti poskušali uporabiti te nove tehnike za igranje video iger.
Težave lahko predstavljajo igre, kot so Dota 2, StarCraft in Doom algoritmi strojnega učenja rešiti. Algoritmi globokega učenjaso lahko dosegli in celo presegli zmogljivost na človeški ravni.
O Arkadno učno okolje ali ALE je raziskovalcem dal vmesnik za več kot sto iger Atari 2600. Odprtokodna platforma je raziskovalcem omogočila primerjavo učinkovitosti tehnik strojnega učenja na klasičnih video igrah Atari. Google je celo objavil svoje papirja z uporabo sedmih iger iz ALE
Medtem projekti, kot so VizDoom dal raziskovalcem AI priložnost, da usposobijo algoritme strojnega učenja za igranje 3D prvoosebnih strelcev.
Kako deluje: nekaj ključnih konceptov
Nevronske mreže
Večina pristopov k reševanju videoiger s strojnim učenjem vključuje vrsto algoritma, znanega kot nevronska mreža.
Nevronsko mrežo si lahko predstavljate kot program, ki poskuša posnemati delovanje možganov. Podobno kot so naši možgani sestavljeni iz nevronov, ki prenašajo signal, tudi nevronska mreža vsebuje umetne nevrone.
Ti umetni nevroni med seboj prenašajo tudi signale, pri čemer je vsak signal dejansko število. Nevronska mreža vsebuje več plasti med vhodno in izhodno plastjo, imenovano globoka nevronska mreža.
Okrepitveno učenje
Druga pogosta tehnika strojnega učenja, ki je pomembna za učenje video iger, je zamisel o krepitvenem učenju.
Ta tehnika je proces usposabljanja agenta z uporabo nagrad ali kazni. S tem pristopom mora biti agent sposoben najti rešitev problema s poskusi in napakami.
Recimo, da želimo, da AI ugotovi, kako igrati igro Snake. Cilj igre je preprost: pridobiti čim več točk z zaužitjem predmetov in izogibanjem naraščajočemu repu.
Z učenjem z okrepitvijo lahko definiramo funkcijo nagrajevanja R. Funkcija dodaja točke, ko kača zaužije predmet, in odšteje točke, ko kača zadene oviro. Glede na trenutno okolje in nabor možnih dejanj bo naš model učenja z okrepitvijo poskušal izračunati optimalno 'politiko', ki maksimira našo funkcijo nagrajevanja.
Nevroevolucija
Raziskovalci, ki jih navdihuje narava, so bili uspešni tudi pri uporabi strojnega jezika v video igrah s tehniko, imenovano nevroevolucija.
Namesto uporabe gradientni spust za posodobitev nevronov v omrežju lahko uporabimo evolucijske algoritme za doseganje boljših rezultatov.
Evolucijski algoritmi se običajno začnejo z ustvarjanjem začetne populacije naključnih posameznikov. Te posameznike nato ocenimo po določenih kriterijih. Najboljši posamezniki so izbrani za "starše" in so vzrejeni skupaj, da tvorijo novo generacijo posameznikov. Ti posamezniki bodo nato nadomestili najmanj primerne posameznike v populaciji.
Ti algoritmi običajno uvedejo tudi neko obliko delovanja mutacije med križanjem ali korakom "vzreje", da se ohrani genetska raznolikost.
Vzorčna raziskava o strojnem učenju v video igrah
OpenAI Five
OpenAI Five je računalniški program podjetja OpenAI, ki je namenjen igranju DOTA 2, priljubljene igre MOBA (mobilna bojna arena) za več igralcev.
Program je izkoristil obstoječe tehnike učenja s krepitvijo, prilagojene za učenje iz milijonov sličic na sekundo. Zahvaljujoč porazdeljenemu sistemu usposabljanja je OpenAI vsak dan lahko igral 180 let iger.
Po obdobju usposabljanja je OpenAI Five lahko dosegel zmogljivost na strokovni ravni in pokazal sodelovanje s človeškimi igralci. Leta 2019 je OpenAI pet uspelo poraz 99.4 % igralcev na javnih tekmah.
Zakaj se je OpenAI odločil za to igro? Po mnenju raziskovalcev je imela DOTA 2 zapleteno mehaniko, ki je bila zunaj dosega obstoječe globine okrepljeno učenje algoritmi.
Super Mario Bros
Druga zanimiva uporaba nevronskih mrež v video igrah je uporaba nevroevolucije za igranje platformnih iger, kot je Super Mario Bros.
Na primer to prijava na hackathon začne s tem, da nima znanja o igri in počasi gradi osnovo, kaj je potrebno za napredovanje skozi stopnjo.
Samorazvijajoča se nevronska mreža trenutno stanje igre obravnava kot mrežo ploščic. Nevronska mreža sprva ne razume, kaj posamezna ploščica pomeni, le to, da se "zračne" ploščice razlikujejo od "zemeljskih ploščic" in "sovražnih ploščic".
Izvedba nevroevolucije projekta hackathon je uporabila genetski algoritem NEAT za selektivno razmnoževanje različnih nevronskih mrež.
Pomembnost
Zdaj, ko ste videli nekaj primerov nevronskih mrež, ki igrajo video igre, se morda sprašujete, kaj je smisel vsega tega.
Ker video igre vključujejo zapletene interakcije med agenti in njihovimi okolji, je to popoln poligon za testiranje umetne inteligence. Virtualna okolja so varna in nadzorovana ter zagotavljajo neskončno količino podatkov.
Raziskave na tem področju so raziskovalcem dale vpogled v to, kako je mogoče optimizirati nevronske mreže, da se naučijo reševati probleme v resničnem svetu.
Nevronske mreže se zgleduje po tem, kako možgani delujejo v naravnem svetu. S preučevanjem, kako se umetni nevroni obnašajo, ko se učijo igrati video igro, lahko dobimo tudi vpogled v to, kako človeških možganov dela.
zaključek
Podobnosti med nevronskimi mrežami in možgani so vodile do vpogledov na obeh področjih. Nenehne raziskave o tem, kako lahko nevronske mreže rešujejo težave, lahko nekega dne vodijo do naprednejših oblik Umetna inteligenca.
Predstavljajte si uporabo umetne inteligence, prilagojene vašim specifikacijam, ki lahko predvaja celotno video igro, preden jo kupite, da boste vedeli, ali je vredna vašega časa. Ali bi podjetja za videoigre uporabila nevronske mreže za izboljšanje zasnove igre, ravni prilagajanja in težavnosti nasprotnika?
Kaj mislite, da se bo zgodilo, ko bodo nevronske mreže postale ultimativni igralci iger?
Pustite Odgovori