Brug af AI til at producere optagelser af videospil med en konsekvent verden og regler kan vise sig at være nyttige for spildesignere
Muse AI blev trænet i videospillet Blødende kant
En kunstig intelligensmodel fra Microsoft kan genskabe realistiske videospiloptagelser, som virksomheden siger, kunne hjælpe designere med at lave spil, men eksperter er ikke overbeviste om, at værktøjet vil være nyttigt for de fleste spiludviklere.
Neurale netværk, der kan producere sammenhængende og nøjagtige optagelser fra videospil, er ikke nye. En nylig Google-oprettet AI genererede en fuldt spillbar version af det klassiske computerspil Doom uden adgang til den underliggende spilmotor. Originalen Undergang, Imidlertid blev frigivet i 1993; Mere moderne spil er langt mere komplekse med sofistikeret fysik og beregningsmæssigt intensiv grafik, som har vist sig vanskeligere for AIS at trofast genskabe.
Nu har Katja Hofmann hos Microsoft Research og hendes kolleger udviklet en AI -model kaldet Muse, som kan genskabe fulde sekvenser af multiplayer -online kampspil Blødende kant. Disse sekvenser ser ud til at overholde spillets underliggende fysik og holde spillere og genstande i spillet konsistente over tid, hvilket indebærer, at modellen har forstået en dyb forståelse af spillet, siger Hofmann.
Muse er trænet på syv års data Blødende kantMicrosoft-ejede udvikler, Ninja Studios. Det fungerer på samme måde som store sprogmodeller som Chatgpt; Når det får et input, i form af en videospilramme og dets tilknyttede controller -handlinger, har det til opgave at forudsige gameplayet, der muligvis kommer næste. ”Det er virkelig ret forbløffende, selv for mig nu, der rent fra træningsmodeller for at forudsige, hvad der vil vises næste… Det lærer en sofistikeret, dyb forståelse af dette komplekse 3D-miljø,” siger Hofmann.
For at forstå, hvordan folk kan bruge et AI -værktøj som Muse, undersøgte teamet også spiludviklere for at lære, hvilke funktioner de ville finde nyttige. Som et resultat tilføjede forskerne evnen til iterativt at tilpasse sig ændringer foretaget på farten, såsom en spillers karakter, der ændrer sig eller nye objekter, der kommer ind i en scene. Dette kan være nyttigt til at komme med nye ideer og prøve hvad-hvis-scenarier for udviklere, siger Hofmann.
Men Muse er stadig begrænset til at generere sekvenser inden for originalens grænser Blødende kant Game – Det kan ikke komme med nye koncepter eller design. Og det er uklart, om dette er en iboende begrænsning af modellen, eller noget, der kan overvindes med flere træningsdata fra andre spil, siger Mike Cook på King’s College London. ”Dette er en lang, lang vej væk fra tanken om, at AI -systemer kan designe spil på egen hånd.”
Mens evnen til at generere konsistente gameplay -sekvenser er imponerende, foretrækker udviklere måske at have større kontrol, siger Cook. ”Hvis du bygger et værktøj, der faktisk tester dit spil, kører selve spilkoden, behøver du ikke at bekymre dig om vedholdenhed eller konsistens, fordi det kører det faktiske spil. Så disse løser problemer, som generativ AI selv har introduceret. ”
Det lover, at modellen er designet med udviklere i tankerne, siger Georgios Yannakakis på Institute of Digital Games på University of Malta, men det er måske ikke muligt for de fleste udviklere, der ikke har så meget træningsdata. “Det kommer ned på spørgsmålet om, er det værd at gøre?” siger Yannakakis. ”Microsoft brugte syv år på at indsamle data og uddanne disse modeller for at demonstrere, at du faktisk kan gøre det. Men ville et faktisk spilstudio have råd til (at gøre) dette? ”
Selv Microsoft selv er tvetydig over, hvorvidt AI-designede spil kunne være i horisonten: Da virksomheden blev spurgt, om udviklere i sin Xbox Gaming Division muligvis bruger værktøjet, afviste virksomheden at kommentere.
Mens Hofmann og hendes team er håbefulde, at fremtidige versioner af Muse vil være i stand til at generalisere ud over deres træningsdata – kommer med nye scenarier og niveauer for spil, som de er trænet på, samt arbejde for forskellige spil – dette vil være en betydelig Udfordring, siger Cook, fordi moderne spil er så komplekse.
”En af måderne, hvorpå et spil adskiller sig, er ved at ændre systemer og introducere nye ideer på konceptuelle niveauer. Det gør det meget svært for maskinlæringssystemer at komme uden for deres træningsdata og innovere og opfinde ud over, hvad de har set, ”siger han.