ゲームにおける AI の多くは煙と鏡であり、知的な印象を与えるように設計されています。キャラクターは、開発者が手動で配置したナビゲーション ノード マップの周りを移動し、レベル デザイナーが最もドラマチックに見える隠れ場所としてマークしたオブジェクトの背後に隠れようとします。
シード(Search for Extraordinary Experiences Division) は EA の研究グループで、とりわけ、より有機的に成長した別の形式の AI を実験しています。 6日間続いた後、バトルフィールド 1訓練を受けているうちに、彼らの中立的なネットから生まれた小さな兵士たちは、確かに独自の人生のようなものを開発したようです。
正確な方法と理由を読むことができますEA の小さな研究プロジェクトはこちらしかし、単純なバージョンでは、内部プロトタイプの自己学習 AI ネットワークに「良い」プレイの例を研究するために 30 分間のゲームプレイ映像を与え、その後システムに 6 日間のリアルタイム (約 300 CPU 日) を与えたということです。並列化と加速時間を数えて) ゲームを学びます。最終結果には欠陥があるかもしれませんが、ゲームの性質を考慮すると非常に優れています。
AI が互いに追いかけっこをするのを笑いものにするのは簡単ですが、AI が 1 週間未満のトレーニングで互いに (ほぼ) 一貫したバトルフィールド ラウンドをプレイする方法を学習したという事実は、その時間を考えると本当に印象的です。現在のゲーム AI には努力が注がれていますが、世代ごとに大きな改善は見られません。また、AI によってその多くが取り消される可能性もあります。単一のタイプミス。また、トレーニングにさらに 1 週間、1 か月、またはそれ以上の時間がかかり、人間との対戦もあれば、ニューラル ネットワーク フレームワークはまだいくつかの新しいトリックを習得できる可能性があります。
現時点では、おそらくこのような独学 AI は、『バトルフィールド』のようなシューティング ゲームにとってすぐに前進する方法ではありません。中途半端な人間のような方法で彼らに視界を処理させようとするのは計算負荷が大きすぎるため、彼らの感覚は少数の重要なデータポイントに限定されなければなりません。それでも、これらは総当りの QA テストの材料としては便利です。なぜなら、時折不器用な態度を取るため、ハードコードされたものよりもはるかに多様な状況に陥ることになるからです。
ただし、他のジャンル（特にターン制戦略、 そしてその後はリアルタイムのもの) ニューラルネットはすぐに優位に立つように思われます。優れたニューラル ネット ベースの AI で重要なのは、煙や鏡がないことです。ゲームの捉え方は人間とは若干異なるかもしれませんが、戦術も含めてゲームを基礎から学んでおり、さらに多くを学ぶ可能性を秘めています。もちろん、AI には人間よりもはるかに高い精度と応答時間をもつ昔からのバグベアが存在しますが、それらは人為的に比較的簡単に下げることができます。
アクション ゲームにおける AI はここ数年あまり進歩していません。 2020 年に向けて、特に学習を外部のクラウドベースのシステムにオフロードできる場合、このようなニューラル ネットワークがどのような成果をもたらすのかを見るのは興味深いでしょう。
