چگونه هوش مصنوعی (AI) باعث ارتقای بازی‌ها می‌شود

کاربرد‌های بسیار متنوعی از هوش مصنوعی در بازی‌ها وجود دارد. از جمله این کاربرد‌ها می‌توان به بهبود تصویرسازی‌، تولید سطح خودکار‌، سناریو‌ها و داستان‌ها، متعادل‌سازی پیچیدگی درون بازی و اضافه کردن قابلیت هوش مصنوعی به کاراکتر‌های غیر انسان (NPC‌ها‌) اشاره کرد.

ارتقا کیفیت تصویر به کمک AI

در خط مقدم روند بهبود تصویر، مهندسان هوش مصنوعی در تلاش هستند با استفاده از یک سیستم یادگیری عمیق، گرافیک سه بعدی رندر گرفته شده را به تصاویر واقعی تبدیل کنند. چنین سیستمی در بازی Grand Theft Auto 5 مورد آزمایش قرار گرفت. این شبکه عصبی توسعه‌یافته، قادر است مناظر لس‌آنجلس و کالیفرنیای جنوبی را با جزئیات کامل شبیه‌سازی کند. پیشرفته‌ترین الگوریتم‌های هوش مصنوعی مبتنی‌بر بهبود تصویر قادرند تا تصاویر سه بعدی با کیفیت بالای مصنوعی را به تصاویر حقیقی تبدیل کنند.

یکی از کاربردهای ارتقاء کیفیت تصویر در بازی‌های ویدیویی، بهبود گرافیک در بازی‌های کلاسیک است. ایده اصلی پشت الگوریتم‌های مورد استفاده در این کار، تبدیل یک تصویر با وضوح پایین به نسخه مشابه آن، اما این‌ بار با تعداد بسیار بیشتری پیکسل است. این فرایند تحت عنوان «افزایش سطح مقیاس AI» نامیده می‌شود.

تولید سطح بازی

تولید سطح بازی با نام تولید محتوای رویه (PCG) نیز شناخته می‌شود. این دو، نام‌ روش‌هایی هستند که با استفاده از الگوریتم‌های پیشرفته هوش مصنوعی، محیط‌های جهان‌باز (Open World) و بسیار وسیع، سطوح (درجه) مختلف و وسایل مختلف در بازی را می‌سازند. این یکی از نوید‌بخش‌ترین کاربردهای هوش مصنوعی در طراحی بازی است. تا به امروز، بازی‌های جهان‌باز یا نقشه‌باز شامب بازی‌های بسیار محبوبی می‌شوند. ساخت چنین بازی‌هایی از هر دو منظر طراحی و توسعه بازی بسیار زمان‌بر هستند؛ اما الگوریتم‌های AI قادرند تا مناظر نوینی به صورت مرتبط با بازی بسازند و آنها را بهینه‌سازی کنند. به عنوان مثال به No Man’s Sky می‌توان اشاره کرد که یک بازی مبتنی‌بر AI بوده و از قابلیت خلق بی‌نهایت سطح جدید در هنگام بازی برخوردار است.

سناریو‌ها و داستان‌ها

از هوش مصنوعی برای تولید داستان‌ها و سناریو‌ها نیز استفاده می‌شود. در اکثر اوقات، AI برای ساخت روایت مورد استفاده قرار می‌گیرد که از بیشترین میزان تعامل بهره ببرد. در بازی‌هایی که به صورت تعاملی هستند، کاربران با انجام مجموعه‌ای از اقدامات، یک روند داستانی دراماتیک می‌سلزند یا بر آن تاثیر می‌گذارند.

برنامه‌های هوش مصنوعی با استفاده از تجزیه‌وتحلیل متون و داستان‌هایی که قبلا آموخته‌اند، سناریو تولید می‌کنند. AI Dungeon 2 یکی از معروف‌ترین مثال‌های مربوط به این کاربرد است. این بازی از پیشرفته‌ترین سیستم تولید متن‌ باز برای تولید متن استفاده می‌کند.

متعادل‌سازی پیچیدگی درون بازی

مزیت اصلی الگوریتم‌های مبتنی‌بر هوش مصنوعی، قابلیت آنها برای مدل‌سازی سیستم‌های پیچیده است. توسعه‌دهندگان بازی به صورت مداوم در تلاش برای ساخت بازی‌های همه‌جانبه و واقع‌گرایانه‌تر هستند.

این الگوریتم‌ها قادرند تا تاثیرات آتی اقدامات بازیکنان را پیش‌بینی کنند و حتی چیز‌های مختلفی مثل آب‌وهوا و احساسات را برای متعادل‌سازی پیچیدگی درون بازی مدل‌سازی کنند.

مثال واقعی این کاربرد در مد ultimate بازی فیفا (FIFA) قابل مشاهده است. فیفا به صورت خودکار امتیاز قابلیت‌های بدنی بازیکنان یک تیم را به صورت مبتنی‌بر خصوصیت‌های یک بازیکن در تیم فوتبال محاسبه می‌کند. روحیه تیم نیز بر اساس اتفاقات و رویدادهای داخل بازی (از دست دادن توپ، پاس دادن به موقع و…) از میزان کم به زیاد در نوسان است. با توجه به این موضوع، تیم‌هایی که از بازیکنان بهتری تشکیل شده‌اند نیز ممکن است در صورت پایین بودن روحیه در مقابل تیم‌های ضعیف‌تر شکست بخورند؛ بنابراین می‌توان از AI برای افزودن لایه پیچیدگی به بازی استفاده کرد.

اعطا کردن هوش به کاراکتر‌های غیر انسان (NPC‌ها)

در اکثر بازی‌های فعلی، دشمنانی که با آنها مواجه می‌شوید NPC‌هایی هستند که از پیش برنامه‌ریزی شده‌اند. با این حال، AI درصدد افزودن هوش به این کاراکتر‌هاست. این امر به غیرقابل پیش‌بینی شدن کاراکتر‌ها و جذاب‌تر شدن بازی، منجر می‌شود. علاوه بر این‌، هوش مصنوعی موجب باهوش‌تر شدن کاراکتر‌های درون بازی می‌شود.

بسیاری از شرکت‌های بازی‌سازی در حال کار کردن بر روی NPC‌های مبتنی‌بر AI هستند. به عنوان مثال، SEED (EA) به واسطه تقلید از شیوه عملکرد بازیکنان حرفه‌ای، NPC‌های درون بازی را توسعه می‌دهد. این رویکرد به کمتر شدن زمان توسعه کاراکتر‌های غیر انسان منجر می‌شود؛ زیرا کدنویسی رفتار آنها فرایندی طاقت‌فرسا و طولانی است.

رویکرد‌های مبتنی بر AI مورد استفاده در بازی‌ها

به صورت سنتی، رفتار NPC‌ها به صورت مبتنی‌بر قانون و حالت‌های محدود برنامه‌ریزی می‌شد. توسعه این کاراکتر‌ها با استفاده از چنین رویکرد‌هایی، نیاز به اعمال برنامه‌های شرطی متعددی می‌شد که به NPC‌ها رفتار‌های قاطعانه می‌داد. توسعه‌دهندگان برای کاهش تلاش‌های مورد نیاز و تعریف سطحی از غیرقابل پیش‌بینی بودن در بازی‌ها، از منطق فازی استفاده می‌کنند.

یکی از اولین کاربرد‌های هوش مصنوعی در برنامه‌ریزی درون بازی‌ها از طریق «الگوریتم مسیر‌یابی A» که رفتار کاراکتر‌های غیر انسان و فرایند کاوش آنها در جهان باز را تعریف می‌کند، صورت می‌گیرد. سایر تکنیک‌های این زمینه اسکریپت‌نویسی‌، سیستم‌های خبره و رویکرد‌های زندگی مصنوعی (A-life) را شامل می‌شود.

بسیاری از بازی‌های محبوب مثل Black & White‌ ،Battlecruiser 3000AD‌ ،Creatures‌ ،Dirt Track Racing‌ ،Fields of Battle و Heavy Gear از روش‌های غیرقطعی مثل درخت تصمیم‌گیری‌، شبکه عصبی (عمیق)‌، الگوریتم‌های ژنتیکی و روش‌های فراگیری تقویتی استفاده می‌کنند. در ادامه به بررسی جزئیات این شیوه‌های می‌پردازیم.

درخت‌های تصمیم‌گیری

درخت‌های تصمیم‌گیری (DT‌ها) مدل‌های فراگیر نظارت‌شده‌ای هستند. این مدل می‌تواند یاد بگیرد که دسته‌بندی و رگرسیون انجام دهد. این درخت‌ها یکی از پایه‌ای‌ترین شیوه‌های یادگیری ماشین (Machine Learning) برای طراحی بازی هستند. آن‌هامی‌توانند ارزش متغیر مورد نظر را از طریق یادگیری قوانین تصمیم‌گیری ساده و به‌دست آمده از خصوصیات داده، پیش‌بینی کنند.

درک درخت‌های تصمیم‌گیری بسیار آسان است و نتایج حاصل‌شده نیز به راحتی قابل تفسیر هستند. تکنیک‌های مورد استفاده برای تجسم این درخت‌ها نیز بسیار پیشرفته هستند. مدل‌های توسعه‌یافته نیز تحت عنوان مدل‌های جعبه سفید شناخته می‌شوند و با استفاده از آزمایش‌های آماری مختلف قابل تایید هستند.

در طراحی بازی مبتنی‌بر هوش مصنوعی‌، DT‌ها در راستای تعریف انتخاب‌ها و پیامد‌ها (پیش‌بینی اقدامات) مورد استفاده قرار می‌گیرند. اکثر بازی‌های مدرن و در وهله اول، بازی‌های مبتنی‌بر روایت از درخت‌های تصمیم‌گیری استفاده می‌کنند. به عنوان مثال در بازی Star Wars Jedi: Fallen Order‌، درخت‌های تصمیم‌گیری در صورت وقوع شرایط خاص نکات و راهنمایی‌هایی را در مورد گذشته و آینده شخصیت اصلی ارائه می‌کنند.

از آن‌جایی که درخت تصمیم‌گیری یک الگوریتم در یادگیری ماشین است، در روش‌های مختلف این حوزه مورد استفاده قرار می‌گیرد. الگوریتم جنگل تصادفی (Random Forest) یکی از الگوریتم‌های دیگر در یادگیری ماشین است که بخشی از آن، به درخت تصمیم‌گیری مربوط می‌شود. الگوریتم جنگل تصادفی در بازار ارزهای دیجیتال مورد استفاده قرار می‌گیرد و بسیاری از تحلیل‌گران، برای پیش‌بینی قیمت بیت کوین، از آن استفاده می‌کنند

شبکه‌های عصبی (عمیق)

شبکه‌های عصبی مصنوعی یا Neural Networks (NN‌ها) ساختار‌هایی شبیه به مغز انسان هستند که قادر به یادگیری خصوصیت‌های مختلفی از داده‌های آموزشی هستند. بر اساس مجموعه بزرگی از داده‌ها‌، NN‌ها قادر به مدل‌سازی دنیای واقعی بسیار پیشرفته و سناریو‌های درون بازی هستند. این شبکه‌ها قادرند تا بر برخی از کمبود‌های تکنیک‌های مورد استفاده در هوش مصنوعی کلاسیک در طراحی عامل بازی را پوشش دهند. علاوه‌بر این، شبکه‌های عصبی مصنوعی، خودسازگار بوده و به خوبی با محیط بازی سازگار می‌شوند تا زمان حقیقی را تغییر دهند.

عوامل بازی مبتنی‌بر NN به دو طریق قادرند تا فرایند یادگیری را به انجام برسانند. در طول این روند، شبکه‌ها یا قبل از استقرار در یک بازی (آفلاین) آموزش داده می‌شوند یا اینکه فرایند فراگیری به صورت زمان واقعی و در طول روند بازی (آنلاین) اعمال می‌شود. آموزش آنلاین این امکان را فراهم می‌کند تا عوامل بازی به صورت مداوم و در طول بازی، بهتر شوند.

عوامل مبتنی‌بر شبکه عصبی مصنوعی قادر به سازگاری سریع با تاکتیک‌ها متغیر بازیکنان حقیقی و سایر NPC‌ها هستند و از چالش‌برانگیز ماندن بازی حتی در طول روند بازی طولانی‌مدت اطمینان حاصل می‌کنند.

اخیرا، شبکه عصبی مصنوعی عمیق (فراگیری عمیق) به انتخاب رایج‌تری برای طراحی عوامل بازی مبدل شده‌اند. فراگیری عمیق درون بازی از لایه‌های چندگانه‌ای از شبکه‌های عصبی برای استخراج «تدریجی» خصوصیت‌ها از داده‌های ورودی استفاده می‌کند. با توجه به رویکرد چند لایه و پیچیدگی رو به رشد معماری، NN عمیق قادر است تا نتایج بهتری را در هنگام کنترل یکی از چندین عامل درون بازی به دست بیاورد. این عوامل یا کاراکتر‌های غیر انسان هستند و یا تبدیل به محیط خود بازی می‌شوند.

الگوریتم‌های ژنتیکی

به عبارت ساده، یک الگوریتم ژنتیکی (GA) یک شیوه سطح بالا، اکتشافی و برگرفته از نظریه تکامل طبیعی است. این الگوریتم از فرایند انتخاب طبیعی تقلید می‌کند، که در طول آن مناسب‌ترین گزینه‌ها انتخاب می‌شوند تا نسل بعدی را تولید کنند.

الگوریتم‌های ژنتیکی از اقدامات بهینه‌سازی مختلفی استفاده می‌کنند. در مقایسه با تکنیک‌های بهینه‌سازی مختلف، این الگوریتم‌ها قادرند تا نتایج مطلوبی را برای عوامل بهینه‌سازی چند معیاری به ارمغان بیاورند. در گذشته، الگوریتم‌های ژنتیکی جایگاه خود را در میان بازی‌های رومیزی یا بردگیم‌هایی پیدا کرده بودند که تکنیک‌های جستجوی گوناگونی را در هنگام انتخاب بهترین اقدامات پیش رو استفاده می‌کردند.

به عنوان آخرین مزیتی که این الگوریتم‌ها برای ما به ارمغان می‌آورند، می‌توان به تکرارپذیری بیشتر فرایند بازی اشاره کرد.

فراگیری تقویتی

فراگیری تقویتی (RL) شیوه یادگیری ماشین مبتنی بر آموختن از آزمون و خطا است. در طول فرایند آموزش، این مدل اجازه دارد تا سناریو‌هایی را پیش ببرد و از نتایج خوب یا بد حاصل شده درس گرفته و داده جمع‌آوری کنند.

استفاده از فراگیری تقویتی در هنگام طراحی NPC‌ها برای اتخاذ تصمیماتی در محیط‌های پویا و ناشناخته کارآمد است. این شیوه یادگیری مدت زمان زیادی است که در بستر بازی‌ها مورد استفاده قرار می‌گیرد؛ بنابراین بازی‌ها به عنوان یک دامنه غنی برای آزمایش الگوریتم‌های فراگیری تقویتی به حساب می‌آیند. به صورت همزمان، برخی از بهترین بازیکنان کامپیوتری از فراگیری تقویتی (AlphaGo) استفاده می‌کنند. با این حال، الگوریتم‌های اصلی این فرایند فراگیری برای بازی کردن در سطوح بالا کافی نیستند؛ بنابراین چنین شیوه‌هایی معمولا به همراه سایر رویکرد‌های مبتنی‌بر هوش مصنوعی مثل فراگیری عمیق مورد استفاده قرار می‌گیرند.

بررسی بازی‌های محبوب مبتنی‌بر هوش مصنوعی

مثال‌های زیادی در زمینه کاربرد‌های هوش مصنوعی در طراحی بازی وجود دارند. هر یک از این AI‌ها از میزان پیچیدگی متفاوتی برخوردار هستند. در ادامه، چند نمونه از قابل توجه‌ترین موارد هوش مصنوعی مورد استفاده در صنعت گیمینگ لیست شده است.

صرفه‌جویی در بودجه و زمان

صنعت گیمینگ یکی از صنایعی است که بودجه و زمان زیادی برای توسعه آن سرمایه‌گذاری می‌شود. علاوه بر این، همواره این خطر وجود دارد که مخاطبان هدف، بازی منتشر شده را قبول نکنند و از آن خوششان نیاید. برای اجتناب از خطر‌های احتمالی این‌چنینی، پیش از انتشار بازی در بازار مورد نظر، فرایند تضمین کیفیت دقیق و تست‌های گروهی متمرکزی بر روی آن صورت می‌گیرند. در نتیجه این امر، یک روند واحد توسعه بازی در رابطه با یک بازی پیچیده ممکن است سال‌ها به طول بیانجامد.

هوش مصنوعی ابزاری مهمی است که به شرکت‌های بازی‌سازی این امکان را می‌دهد تا به صورت قابل توجهی در زمان و بودجه مورد نیاز برای توسعه صرفه‌جویی کنند. هنگامی که از این تکنولو‌ژی در سطح تولید خودکار استفاده می‌شود، می‌توان به میزان هزاران ساعت در زمینه کار توسعه صرفه‌جویی کرد.

تجربه کاربری بهتر

در مشاغل مرتبط با گیمینگ تجربه کاربری نهایی یکی از مولفه‌های بسیار مهم در کسب موفقیت است. تجربه کاربری یکی از اجزاء یکپارچه در زمینه مشاغل گیمینگ برای تعیین حجم فروش، سطوح وفاداری، موفقیت بازاریابی و بسیاری از عوامل دیگر تجاری است.

آینده بازی‌های مبتنی‌بر هوش مصنوعی

با توجه به امکانات نوینی مثل تکامل خودکار کاراکتر‌ها، فراگیری و سازگاری انتظار می‌رود تا تاثیرات AI در صنعت گیمینگ نیز در آینده رشد زیادی داشته باشد. ایده اصلی موجود در این عرصه این است که بازی‌هایی را با استفاده از عواملی غیر ثابت یا غیراستاتیک طراحی کنیم، به این صورت که با ادامه داشتن روند بازی این عوامل نیز به صورت مداوم تکامل پیدا کنند. کاراکتر‌های غیر انسان آینده نیز قادر خواهند بود تا در روند بازی تکامل پیدا کنند و پیش‌بینی رفتار‌های این NPC‌ها برای پلیر‌ها سخت‌تر خواهد شد.

با افزایش زمان روند بازی، پیش‌بینی بازی‌های مبتنی بر هوش مصنوعی نیز برای گیمر‌ها پیشرفته‌تر و چالش‌برانگیز‌تر می‌شود. در نتیجه، ماندگاری یا در اصطلاح طول عمر بازی‌ها نیز به صورت قابل توجهی افزایش پیدا می‌کند. تکنیک‌های مورد استفاده در حوزه این تکنولوژی که چنین فرصت‌هایی را فراهم می‌کنند نیز پیچیده‌تر خواهند شد.

هدف غایی این تکنولوژی در بازی‌ها ارائه ترکیبی نامحدود از داستان‌ها، مناظر و سطوح در کنار NPC‌های واقع‌گرایانه و ارائه امکانات انتخابی یا سفارشی بدون حد و مرز است

منبع : pixelplex.io