در بازی‌های ویدیویی، هوش مصنوعی (AI) برای ایجاد رفتارهای سازگارانه و یا هوشمند استفاده می‌شود.
به گزارش گرداب - در بازی‌های ویدیویی هدف این نیست که بهترین هوش مصنوعی ممکن ساخته شود؛ بلکه به دنبال ساختن لذت‌بخش‌ترین هوش مصنوعی برای تعامل بازیکن با آن است.
اما آیا هوش مصنوعی به کار رفته در بازی‌های ویدیویی در جهان واقعی هیچ کاربردی ندارند؟ در این پرونده به دنبال پاسخگویی به این مسئله و همینطور مشاهده روند کلی حضور هوش مصنوعی در بازی‌های ویدیویی هستیم.
یادگیری و هوشمندتر شدن الگوریتم‌ها
اگرچه طراحان هوش مصنوعی در دهه ۱۹۹۰ تلاش بسیاری کردند که NPCs و بات‌ها هوشمند به نظر برسند، اما این کاراکتر‌ها فاقد یک خصیصه بسیار مهم بودند و آن توانایی یادگیری بود. در اغلب بازی‌های ویدیویی، الگوی رفتاری بات‌ها برنامه‌ریزی شده است و آن‌ها قادر به یادگیری چیزی از بازیکن‌ها نیستند. به عبارت دیگر آن‌ها براساس ورودی‌هایی که بازیکن‌ها دریافت می‌کنند تکامل پیدا نمی‌کنند.
دلیل این که اغلب بات‌ها توانایی یادگیری ندارند، صرفاً دشواری برنامه‌نویسی ماشین‌هایی که بتوانند یاد بگیرند، نیست؛ بلکه به این دلیل است که اغلب طراحان بازی ترجیح می‌دهند که از هرگونه رفتار غیرمنتظره بات‌ها که ممکن است به تجربه کاربر انسانی لطمه وارد کند، اجتناب شود.
با این وجود در بعضی حیطه‌ها از دنیای بازی، ما شاهد ساخته شدن و حضور عامل‌های هوش مصنوعی هستیم. عامل‌های هوش مصنوعی نه به عنوان یک کاراکتر غیرقابل بازی، بلکه به عنوان جایگزین بازیکن انسانی استفاده می‌شود که به‌طور عامدانه در طراحی بازی وارد می‌شود.
ویدیو : هوش مصنوعی امکان ساخت بازی‌های ویدیویی شبیه واقعیت را فراهم کرده‌اند.
این عامل‌های هوش مصنوعی که اکثراً با اهداف تحقیقاتی ساخته شده‌اند، از شیوه‌های یادگیری ماشین و یادگیری عمیق بهره می‌برند و توانسته‌اند پیشرفت‌های چشمگیری را در این حوزه رقم بزنند.
ویدیو ۶: هوش مصنوعی امکان ساخت بازی‌های ویدیویی شبیه واقعیت را فراهم کرده‌اند.
سایر کاربردهای هوش مصنوعی در بازی ویدیویی
با پیشرفت‌های اخیر، هوش مصنوعی می‌تواند فراتر از نقش سنتی کنترل رفتار کاراکتر‌های غیرقابل بازی (NPCs) نقش‌های متفاوتی در بازی ویدیویی برعهده بگیرد.در ادامه تعدادی از این کاربرد‌ها را معرفی می‌کنیم.
مدل‌سازی تجربه کاربر: تشخیص توانایی و وضعیت احساسی بازیکن، تا به‌طور مناسب امکانات بازی را به او عرضه کرد.
این می‌تواند شامل شیوه «متعادل کردن سطح دشواری بازی به‌طور پویا» باشد که براساس توانایی‌ها و تجربه بازیکن میزان دشواری بازی را در لحظه تعیین می‌کند.
هوش مصنوعی در این حیطه همچنین می‌تواند نیت و اهداف بازیکن را استنتاج کند که به این شیوه «بازشناسی ژست‌ها» گفته می‌شود.
این شیوه از الگوریتم اگر به‌طور موثر در بازی پیاده شود، می‌تواند میان تلاش‌های کاربر و هدفی که او به دنبال آن است، ارتباطی معنادار برقرار کند.
عکس: بازی محبوب Clash of Clans از هوش مصنوعی برای شخصی‌سازی بازی و پیدا کردن رقیبانی همسطح استفاده می‌کند
تولید محتوای فرایندی و شبکه‌های مولد تخاصمی (GANs): تولید محتوای فرایندی یا رویه‌ای اشاره به ساختن عناصری از محیط بازی مانند وضعیت محیطی، مرحله‌ها و حتی موسیقی به شکل خودکار دارد.
با استفاده از تکنیک‌های هوش مصنوعی می‌توان محتوای جدید و یا داستان‌های تعاملی نیز تولید کرد. به‌طور کلی هر چه عناصر بیشتری از گیم‌پلی به الگوریتم‌های موثر هوش مصنوعی واگذار شود، می‌تواند باعث شود که تعامل بازیکن با بازی به بیشترین حد ممکن برسد.
عکس: تولید محتوای فرایندی درخت
به جای تولید محتوای فرایندی، بعضی محققان از شبکه‌های مولد تخاصمی (GANs) برای تولید محتوای جدید استفاده می‌کنند.
به‌طور مثال محققان دانشگاه کورنول یک شبکه GAN را با هزار مرحله ساخته‌شده توسط انسان برای بازی DOOM آموزش دادند و به دنبال این آموزش این سیستم توانست مراحل جدید قابل اجرایی، بدون کمک عامل انسانی، بسازد.
در حال حاضر برای بازی‌های ساده‌تری مانند سوپر ماریو و پک‌من با استفاده از شبکه‌های خصومت تولیدکننده می‌توان به خوبی ساختِ محتوای جدید برای بازی را به‌طور کامل به هوش مصنوعی واگذار کرد.
عکس: شبکه GAN و ساخت مراحلی جدید برای بازی سوپر ماریوداده کاوی بر پایه رفتار کاربر: هوش مصنوعی در این زمینه می‌تواند اطلاعات و داده‌هایی از نحوه بازی بازیکنان به دست آورد و در اختیار سازندگان بازی قرار دهد.
به‌طور مثال افراد چطور بازی می‌کنند، در کدام مناطق بازی بیشتر حضور دارند و چه چیزی باعث توقف بازی کردن آن‌ها می‌شود. این اطلاعات می‌تواند به بهبود بازی و برطرف کردن ایراد‌های آن کمک شایانی بکند.
عکس: شبکه GAN در بهبود کیفیت بازی تاثیر بسیاری دارد. نمونه بازسازی‌شده بازی مکس پین با استفاده از این الگوریتم.
آینده هوش مصنوعی در بازی‌ها
بعد از موفقیت هوش مصنوعی آلفاگو و پیروزی آن بر انسان، برخی این پرسش را مطرح کرده‌اند که آیا هوش مصنوعی می‌تواند بازیکنان انسانی را در بازی‌های استراتژی، چون استارکرفت، وارکرفت و یا فیفا شکست دهد یا خیر. به‌طور کوتاه پاسخ به این سوال آری است؛ هوش مصنوعی به سادگی ظرفیت آن را دارد که از بازیکن‌های انسانی در حیطه انتخاب‌های ممکن و تعداد واحد‌های نیرویی که کنترل می‌کند، به پیش بیفتد.
هرچند که این‌گونه بازی‌ها بسیار پیچیده‌تر از بازی‌های سرراست‌تری، چون شطرنج و گو هستند، اما مزیت بالقوه هوش مصنوعی بر بازیکن انسانی، توانایی انجام چند وظیفه در زمان واحد و پردازش با سرعتی فرابشری است. فی‌الواقع در بعضی از بازی‌ها، طراحان بازی عامدانه ظرفیت هوش مصنوعی را کاهش می‌دهند تا تجربه بازیکن انسانی را بهبود ببخشند.
در آینده پیشرفت‌های هوش مصنوعی در حوزه بازی‌ها به احتمال بسیار زیاد تنها بر روی قوی کردن بات‌ها و کاراکتر‌های غیرقابل بازی (NPCs) که به‌طور موثرتری بازیکن‌های انسانی را شکست دهند، تمرکز نخواهد داشت و هوش مصنوعی بیشتر بر نحوه ساخت تجربه‌ای بهتر، سفارشی‌شده و خاص برای کاربر و همچنین به عهده گرفتن نقشی بیشتر در فرایند تولید بازی به‌طور کلی متمرکز خواهد بود.
با گسترش فناوری‌های واقعیت مجازی (VR، تجربه غوطه‌ور بصری فراهم می‌کند) و واقعیت افزوده (AR، بینایی زیستی انسان را با عناصری مجازی ترکیب می‌کند)، مرز میان جهان مجازی و واقعی کم‌رنگ‌تر و محو‌تر خواهد شد. این فناوری‌ها حیطه‌ها و عرصه‌های جدیدی را به روی هوش مصنوعی و بازی‌های ویدیویی باز خواهد کرد و مرز‌های این دو را به‌گونه‌ای اساسی تغییر خواهد داد.
تفاوت هوش مصنوعی بازی با هوش مصنوعی آکادمیک
هوش مصنوعی در بازی ویدیویی را می‌توان جنبه تجاری و تقلیل‌یافته هوش مصنوعی آکادمیک دانست. در حالی که در هوش مصنوعی آکادمیک به‌طور کلی هدف ساخت سامانه‌ای هوشمند و حل یک مسئله با تاکید کمتر بر سخت‌افزار و محدودیت‌های زمانی است، در هوش مصنوعی بازی‌های ویدیویی هدف ساخت سامانه‌ای واقعاً هوشمند و عرضه این هوشمندی نیست و بازیسازان باید محدودیت‌های سخت‌افزاری و زمانی را همواره در نظر داشته باشند.
به عبارت دیگر در حالی که هوش مصنوعی آکادمیک جنبه‌ای اکتشافی دارد، در هوش مصنوعی بازی‌ها مسئله ایجاد توهمی از هوشمندی برای بالا بردن کیفیت تجربه بازیکن‌هاست و به هیچ وجه مسئله ایجاد هوشمندی واقعی در بازی نیست.
در هوش مصنوعی بازی‌ها سرگرم‌کننده بودن و این که کاربر انسانی در نهایت بتواند بر هوش مصنوعی غلبه کند، اهمیت بسیاری دارد.
با این وجود بازی‌های ویدیویی می‌تواند عرصه مناسبی برای یادگیری ایمن و کارآمد الگوریتم‌های هوش مصنوعی آکادمیک باشد. در پایان به برخی از کاربردهای هوش مصنوعی بازی‌ها برای فوایدی خارج از دنیای بازی می‌پردازیم.
کاربردهای هوش مصنوعی بازی در جهان واقعی
همان نوع یادگیری مقدماتی که در صنعت بازی ویدیویی استفاده می‌شود، می‌تواند با موفقیت در حوزه‌های دیگر نیز اعمال شود. به‌طور مثال در مجموعه بازی‌های GTA که در آن قواعد ترافیکی، جاده‌ها و خودرو‌ها از پیش‌برنامه‌ریزی و طراحی شده‌اند، به عنوان محیطی ایمن و واقع‌گرا برای تست الگوریتم‌های خودروی خودران استفاده شده است.
چنین بازی‌هایی به عنوان محیطی برای تست این الگوریتم‌ها نه تنها ایمن و به اندازه کافی شبیه واقعیت هستند، بلکه سرعت جمع‌آوری را نیز افزایش می‌دهند. بنابر گزارش‌ها سرعت جمع‌آوری اطلاعات در محیط مجازی ۱۰۰۰ برابر بیشتر از محیط واقعی است.
باید گفت بازی‌های ویدیویی عرصه بسیار خوبی برای آموزش الگوریتم‌های هوش مصنوعی است؛ زیرا که بازی‌ها اساساً بر پایه دشوار شدن مرحله به مرحله و تربیت کردن ذهن انسان برای چالش‌های دشوارتر ساخته می‌شوند و این می‌تواند برای الگوریتم‌هایی که باید ساعت‌ها آموزش ببیند، بسیار مناسب باشد.
یکی از آخرین پیشرفت‌هایی که در حوزه هوش مصنوعی بازی‌ها به وقوع پیوسته است، توسط محققان شرکت OpenAi صورت گرفته است. این شرکت پیشرو در حوزۀ هوش مصنوعی، بر پایه الگوریتمی که تنها هدفش جستجو و کاوش ساده به همراه یک حس طبیعی کنجکاوی بود، یک بازی ساخت. هدف این بازی این بود که به صرف کاوش کردن پاداش داده شود و نه به پیشرفت بیشتر در بازی.
محققان این شرکت سپس این مدل مبتنی بر کنجکاوی را در بازی برادران سوپر ماریو قرار دادند و این الگوریتم توانست ۱۱ مرحله بازی را تنها با داشتن کنجکاوی محض با موفقیت طی کند. این پیشرفت، اما جنبه‌های تاریکی نیز دارد؛
حجم وسیعی از نیروی برق برای پردازشگری این الگوریتم لازم است و همچنین حواس ماشین می‌تواند به راحتی پرت شود؛ مسئله‌ای که اگر بازیکن انسانی نیز برای نخستین بار به انجام بازی می‌پرداخت، برای او نیز رخ می‌داد. در صورت برطرف کردن نواقص این الگوریتم و تامین هزینه‌های آن، چنین الگوریتمی می‌تواند آینده هوش مصنوعی در بازی ویدیویی را تغییر دهد.
توانایی یادگیری از کاوش صرف و بدون هدف، چیزی است که در انسان‌ها و به‌خصوص کودکان نیز رخ می‌دهد و از طریق کاوش بی‌هدف مهارت‌های پیچیده‌ای که بعد‌ها برای انجام وظایف دشوار حضورشان ضروری است، به سادگی و به تدریج آموخته می‌شوند. از این‌رو این که یک الگوریتم بتواند از روی کنجکاوی ۱۱ مرحله بازی سوپر ماریو را به اتمام برساند، اتفاق بسیار بزرگی است.
____________________________________
منابع:
https://learningworksforkids.com/wp-content/uploads/۱fcd۵۱۷۶۹f۸d۳۴۵۷۶۰۰c۵fc۸f۲۵۷b۳۷b.jpg
https://www.youtube.com/watch?v=fQlQQSsC۴۷g
http://yannakakis.net/wp-content/uploads/۲۰۱۲/۰۳/gameAI.pdf P۲
https://static.wikia.nocookie.net/clashofclans/images/۹/۹d/Balloon_path.jpg/revision/latest?cb=۲۰۱۲۱۲۰۸۰۲۳۳۳۷
Procedural-content generation
generative adversarial networks
http://ilchoi.weebly.com/uploads/۲/۵/۴/۰/۲۵۴۰۵۸۰۳/۸۶۳۱۰۸۶_orig.jpg
https://arxiv.org/abs/۱۸۰۴.۰۹۱۵۴
https://scx۲.b-cdn.net/gfx/news/۲۰۱۸/۵af۲ac۵۶d۸f۴f.jpg
https://www.youtube.com/watch?v=KZ۷BnJb۳۰Cc
https://miro.medium.com/max/۱۰۸۰/۱*۲۸۳hpi۱NUfGH۵E۸ZRn۱e۲g.png
http://gerdab.ir/۰۰۰۵۹p
https://sitn.hms.harvard.edu/flash/۲۰۱۷/ai-video-games-toward-intelligent-game/
https://miro.medium.com/max/۶۰۰/۱*p-sl۴FXJFZAsH۴sIP۷۳vvQ.jpeg
https://alzaibkarovalia.medium.com/building-a-self-driving-vehicle-in-gta-v-using-deep-learning-and-convolutional-neural-network-۶۹۶b۳۸b۴c۸۱e
https://towardsdatascience.com/video-games-as-a-perfect-playground-for-artificial-intelligence-۳b۴ebeea۳۶ce
https://thumbs-prod.si-cdn.com/FHcULLtl۵betwTm۱Zh۵MhWuoJ_Y=/fit-in/۱۶۰۰x۰/https://public-media.si-cdn.com/filer/b۹/۳f/b۹۳f۶۲۷۶-۲۲a۵-۴b۱۱-۸۷ae-۹b۵۹۰۵۷c۵۵d۳/quake.jpg
https://medium.com/data-from-the-trenches/curiosity-driven-learning-through-next-state-prediction-f۷f۴e۲f۵۹۲fa
https://www.youtube.com/watch?v=e۰ztRdx_۳EQ
