التعلم الآلي يمكن أن يصنع الزعماء المثاليين لألعاب الفيديو

يمكن دعم الجيل القادم من شخصيات ألعاب الفيديو بواسطة الذكاء الاصطناعي، ما يجعلها أكثر متعة وتحديًا.

إنها خلفك تمامًا، أنفاسها على عنقك، ويبدو أنها على دراية بكل حركاتك. تلتفت يميناً ويساراً، تتخبط بين الأعمدة لتجمع الحجارة الثمينة بينما تتفادى تقدمها. للحظة، يبدو أنك فقدتها. ولكن بعد ذلك يظهر خصمك في زاوية ما، و….بوم، لقد أمسك بك.

تظهر شاشة Game Over المعروفة، ولكن بعد ذلك، يظهر شيء مختلف تمامًا في الأسفل. “الرجاء الإبلاغ عن مستوى الصعوبة” لقد استغرقت بضع ثوانٍ فقط في هذه المطاردة المثيرة، لكن ما زال الأدرينالين يقفز في عروقك، تنقر على المستوى الصعب. في المرة القادمة، سيكون الشيء الذي يطاردك في كل خطوة أقل عدوانية.

-الذكاء الآلي ينضم للحرب!

عرض كل من Romain Trachel وAlexandre Peyrot، المتخصصين في التعلم الآلي في شركة Eidos-Sherbrooke، اللعبةَ التي وصفتها للتو في Unreal Fest 2022. هي تجمع بين التعلم الآلي ومحرك Unreal Engine، تسمى نظام استعلام البيئة (EQS)، والتي تتيح للمطورين استخدام البيانات الحيزية لتمكين قرارات الذكاء الاصطناعي.

عادةً، يتم التعامل مع هذا من خلال مخططات السلوك التي تقوم بترتيب المتغيرات وإمكانيات التفرع. لكن في هذا العرض التجريبي، يتحكم نموذج التعلم الآلي بسلوك الذكاء الاصطناعي. تعمل Unreal EQS كعيون وآذان الذكاء الاصطناعي، حيث توفر معلومات حول المحيط الموجود فيه، بينما يصبح نموذج التعلم الآلي عقله ويقرر كيف يجب أن يستجيب.

اللعبة ليست مخيفة كما جعلتها تبدو، في الغالب بسبب عرضها التنازلي والمؤثرات الانتقالية، ولكن طريقة اللعب هي مطاردة كلاسيكية النوع تكلف اللاعبين بجمع الحجارة المتناثرة عبر الخريطة. إنها لعبة Pac-Man، بشكل أساسي، لكن سلوك الأشباح أصبح من شأنهم.

يقول Trachel وPeyrot في رسالة بريد إلكتروني:

“على سبيل المثال، إذا قرر أحد المطورين تنشيط وضع مطاردة أقوى، فإن الشيء الوحيد الذي يجب فعله هو زيادة قيمة مرجعية في اختبارات EQS”. “لديها حقاً القدرة على تبسيط سير عمل التطوير، لأنه في عملية إنتاج اللعبة الفعلي، سيكون الأمر متروكًا لمصمم اللعبة ليقرر أي متغيرات اللعبة يجب ضبطها من أجل تغيير الصعوبة”.

العبارة الرئيسية في هذا الشرح هي “متروك لمصمم اللعبة”. يمكن أن يصبح مخطط السلوك التقليدي غير عملي، ويتطلب الانتقال بين أيدي المصممين والمبرمجين والمطورين الآخرين لضبط السلوك. يمكن أن يكون تعديل نموذج التعلم الآلي خياراً أسهل، ما يمنح المصممين طريقة لتعديل الصعوبة دون الغوص في فروع مخطط السلوك، بوضع ذلك جانباً فقد يتمكن المطورين من أن يكونوا أكثر قدرة على التركيز على ما هو مهم: ما إذا كان الذكاء الاصطناعي يجعل اللعبة أكثر تحدياً وأكثر متعة.

-زعيم أفضل لا يعني زعيم أذكى دائماً.

يمكن استخدام التعلم الآلي لخلق عدو وحشي. وقد أثبت ذلك برنامج Deep Blue من IBM وDeepMind AlphaStar من Google. مع ذلك، هذا الأمر غير مرغوب به دائماً؛ ليس فقط لأنه يزيد من الصعوبة، ولكن أيضًا لأن التكتيكات المحددة للذكاء الاصطناعي قد تتعارض مع طريقة اللعب الممتعة.

حاول Trachel وPeyrot استخدام الذكاء الاصطناعي في العديد من أوضاع اللعبة، بما في ذلك “نموذج متعدد المخارج” الذي تعلم التنبؤ بنتيجة اللاعب (التي حصل عليها من خلال جمع الأحجار) وقطعها. “ولكن في وضع اللعبة هذا، كان العدو يميل إلى التخييم في مواقع الأحجار. لم يكن اللعب ضده ممتعًا وجذابًا، لذلك لم نظهر هذه النتائج”.

يعد التخييم في موقع الأحجار استراتيجية قوية: يجب على اللاعب التقاط الأحجار للفوز (تخيل ما إذا كانت أشباح باك مان تتحرك بالقرب من مداخل كل ركن من أركان الخريطة). كما أنه يجعل اللعبة أقل متعة. لم يعد اللاعبون يختبرون مطاردة مثيرة. بدلاً من ذلك قد يتسبب الذكاء الاصطناعي في وقوع كمين لا يمكن التنبؤ به. يقول Trachel وPeyrot إن هدفهما هو “عدم إنشاء روبوتات خارقة -لن يكون ذلك ممتعًا وجذابًا للاعب مبتدئ- ولكن بدلاً من ذلك لإيجاد طرق لدمج التعلم الآلي في أدوات الذكاء الاصطناعي للألعاب المستخدمة بالفعل في الإنتاج”.

قد يبدو هذا مملًا للاعبين الذين يتوقون إلى ذكاء اصطناعي أفضل. ومع ذلك، تظل تقنيات التعلم الآلي التي أظهرها Trachel وPeyrot مفيدة في ضبط الصعوبة حتى عندما لا يستخدمها الأعداء الذين يواجههم اللاعبون في اللعبة النهائية. أمضى جوليان توجيليوس، الشريك المؤسس ومدير الأبحاث في Modl. ai، ما يقرب من خمس سنوات في استخدام الذكاء الاصطناعي لاختبار الألعاب. تستخدم شركة Modl. ai الروبوتات للبحث عن مواطن الخلل الرسومية، واكتشاف العيوب في قياسات العالم، واكتشاف الحالات التي من المستحيل الفوز بها.

“يمكنك إخبارنا بنوع حالة الفشل التي تهتم بها، وبعد ذلك يتم تشغيلها بشكل أساسي. يقول توجيليوس:” تبعث بمهمة، ويتم تشغيلها اعتماداً على مقدار ما تريد استكشافه “.” وبالطبع، يمكننا تجميعها لك وتقديم تقرير يقول لك أين تكمن المشاكل التي تواجهها، وما إلى ذلك “.

تستخدم روبوتات الاختبار الخاصة ب Modl. ai التعلم الآلي للتكيف مع كل لعبة تم اختبارها، على الرغم من أن تنفيذها الحالي يحد من تلك التكيفات لكل عنوان محدد. يقول Togelius إن الشركة تقوم بوضع نماذج أولية لإضافة التعلم العميق الذي من شأنه تدريب سلوك الروبوت عبر ألعاب متعددة. بمجرد الاستخدام، ستتعلم روبوتات Modl. ai محاكاة سلوك اللاعبين الحقيقيين، الأمر الذي يجب أن يكشف بكفاءة أكبر عن المشكلات التي سيجدها اللاعبون.

-من أجل التعلم الآلي الحقيقي، تحتاح محركات الألعاب إلى ثورة.

عندما يتعلق الأمر بالصعوبة، يمكن أن يكون التعلم الآلي مشكلة وحلاً في نفس الوقت. لكن صياغة تحدٍ عادل وممتع ليس هو العقبة الوحيدة التي تواجه المطورين الذين يرغبون في استخدام التعلم الآلي في الألعاب. المشاكل عميقة للغاية وفي الواقع، قد تجبرهم على إعادة التفكير في كيفية بناء الألعاب.

الأداء هو أحد العوائق. يتطلب التعلم الآلي الكثير من بيانات التدريب للحصول على نتائج جديرة بالاهتمام، ولا يمكن الحصول على هذه البيانات إلا من خلال لعب لعبة آلاف أو عشرات الآلاف من المرات. وبمجرد جمع بيانات التدريب، يمكن أن يصبح النموذج الناتج باهضاً للتنفيذ في الوقت الفعلي.

قال Trachel وPeyrot في رسالة بالبريد الإلكتروني: “نعم، من الواضح أن الأداء يمثل مشكلة، لا سيما مع نماذج ML الكبيرة التي تعالج الإطارات لكل دقة على ساعة اللعبة”. “في حالتنا، لتجنب مشاكل الأداء، استخدمنا شبكة عصبية صغيرة كانت تظهر في لحظات محددة من اللعبة”. إن الارتقاء إلى بيئات العالم المفتوح الضخمة التي يتوقعها اللاعبون المعاصرون هو أمر آخر تمامًا.

يقول Togelius إن الطريقة التي تعمل بها محركات الألعاب الحديثة تؤدي إلى تفاقم المشكلة. ويقول إن التعلم الآلي “سيكون بالضرورة بطيئاً لأن محركات الألعاب ليست مصممة لهذا الغرض. أحد الأسباب العديدة التي تجعلنا لا نرى ذكاءً اصطناعياً حديثاً أكثر إثارة للاهتمام في الألعاب هو أن محركات Unreal وUnity وجميع أمثالهما ضد الذكاء الآلي أساساً”.

الرسوم المتحركة هي قضية أخرى. تتوقع معظم محركات الألعاب الحديثة أن تكون الرسوم المتحركة محددة بدقة إطاراً تلو الآخر. يعمل هذا جيداً عندما يعرف الرسامين على وجه اليقين كيف ستتصرف شخصيات اللعبة، لكن الذكاء الاصطناعي الذي يتحكم فيه التعلم الآلي قد يتصرف بطرق لم يتوقعها الرسامون. يمكن للمصممين حل هذا الأمر من خلال نهج قائم على الفيزياء للرسوم المتحركة، ولكن هذا يضع مزيداً من الضغط على أداء وحدة التحكم في الألعاب أو أجهزة الكمبيوتر ويأتي مع تحديات تطوير خاصة به.

باختصار، يواجه المطورون وحشاً من صنعهم. تم تصميم محركات الألعاب لاستخدام مخططات السلوك والتعليمات لصياغة عوالم من الشخصيات الثانوية التي يتحكم فيها الذكاء الاصطناعي والتي تعمل بشكل جيد حتى على الأجهزة الضعيفة. ولكن مع اكتساب التعلم الآلي زخماً، سنحتاج إلى إعادة النظر في هذه الحلول التقليدية.

يقول Togelius: “إذا تحدثت إلى باحث في التعلم الآلي لا يعرف تصميم الألعاب، فسيقول الآتي،” لماذا لا تستخدم أشياء جديدة وتحصل على شخصيات ثانوية أكثر واقعية وتتكيف مع طريقة لعبك “، لكن لا يمكنك فقط إدخال هذا بلعبة موجودة. عليك إعادة التفكير في ماهية اللعبة”.