久留米大学講義 ゲーム開発最新トレンド with AI
3.2K Views
January 19, 24
スライド概要
関連スライド
各ページのテキスト
ゲーム開発最新トレンド with AI 株式会社リンクトブレイン 技術戦略顧問 増渕⼤輔 1 Copyright © Linked Brain Inc. All Rights Reserved.
ご清聴ありがとうございました • ゲーム開発最新トレンド with AI • TECHトレンド「生成AI」利活用の最新トレンド • 技術論（クラウド・サーバー開発、サイバーセキュリティ） 2
⾃⼰紹介 増渕⼤輔 株式会社リンクトブレイン 技術戦略顧問 オンラインゲーム技術者およびDXコンサルタント デジタルハリウッド⼤学院ジーズアカデミー・メンター • 講演実績 – – – – – CEDEC（Computer Entertainment Developers Conference） IDGAJ（ International Game Developers Association Japan） Microsoft de:code Xbox, Xfest その他、各種勉強会
リンクトブレインの会社概要 企業名 設⽴ 所在地 株式会社リンクトブレイン 英︓Linked Brain Inc. 2011年10⽉ 本社 〒102-0083 東京都千代⽥区麹町3-7-4 秩⽗屋ビル2F 福岡クリエイティブセンター 〒812-0018 福岡市博多区住吉2-2-1 井⾨博多ビルイースト4F メンバー WEB 取得資格 155名 http://linkedbrain.jp 有料職業紹介事業【13-ユ-305862】 ⼀般労働者派遣事業【派13-305515】 プライバシーマーク認定【17002715(01)】 グループ会社 株式会社ロジックボックスピクチャーズ（東京） 株式会社uzufactory（福岡） OUR MISSION クリエイターが活躍できる 感動にあふれた世界を共創する
事業内容
ゲーム業界特化型 HR事業 正社員・契約社員の転職⽀援、派遣、業務委託案件、様々なニーズに対応 6
エンタープライズ xR事業 7
ゲーム業界の50年史︓収益の流れ（1970-2020） 1970-1983: ゲームクラッシュの前夜 • 初期のビデオゲーム「Pong」 • アーケード → 家庭⽤「Pong」（ 1975 ） • Atari 2600（ 1977 ）が100万台以上を売上げ 1985-2000: 技術進歩競争 • AtariはPac-ManとE.T.のゲームで失敗 • 任天堂のNESは、⾼品質とマーケティングで勝利 • セガ、パナソニック、ソニー、マイクロソフト 2001-現在: オンラインブーム • インターネットとモバイルの台頭 • 業界は数⼗億ドルから数百億ドル規模に成⻑ • MicrosoftはXbox Liveを開始 • BlizzardはWorld of WarcraftでMMO市場を開拓 • Appleがモバイルプラットフォームのゲームを確⽴ 主要なゲーム買収（2014年以降） • Facebook︓Oculus（VR）30億ドル • Amazon︓Twitch（ストリーミング）10億ドル • Microsoft︓Mojang（ゲーム）25億ドル 最近のトレンド • MicrosoftやSonyは新しいコンソールを開発 • 各社は、クラウドベースのサブスクリプション提供 • ダウンロードゲーム ＋クラウドゲーミング • AIの⾼度な活⽤ 2020年時点で、世界中に27億⼈以上のゲーマーが存在 彼らの⽀出⽅法が今後のゲーム業界を形作る 50 Years of Gaming History, by Revenue Stream (1970-2020) https://www.visualcapitalist.com/50-years-gaming-history-revenue-stream/ 8
「⽣成AI」のゲームへの応⽤ – テキスト⽣成系 AI 機械学習 ディープラーニング • • • • ストーリーラインの⽣成 キャラクターのセリフのアイディア チュートリアルや説明⽂の作成 初⼼者向けのゲーム操作ガイド – 画像⽣成系 ⽣成AI テキスト、画像、 ⾳声…etc LLM ⾃然⾔語を 担うモデル • キャラクターデザイン案 • 背景のテクスチャやアセット • マップ情報や構造建築データから3Dモデル作成 – ⾳声⽣成 • ボイスオーバー、ニューラルボイス読み上げ • サウンドエフェクト 9
事例︓No Man's Sky • Hello Gamesが2013に発表 – インディースタジオ • 当初は PS4/PC 向け • 宇宙空間や無数の惑星を⾃由 に探索できるゲーム • 広⼤なワールド – 18,446,744,073,709,551,616 の惑星（ wikiwiki.jp より） • ランダム⽣成: 惑星、⽣物、 • ⾃分の宇宙船を作る • サンドボックス型ゲーム 9年前のPS4 オフィシャル動画（資料上は画像削除） https://www.youtube.com/watch?v=nLtmEjqzg7M
事例︓Middle-earth: Shadow of Mordor 敵NPCの個性、強み、弱みを⽣成 • 各NPCに独⾃の性格と特性 • 動的な関係性 – プレイヤーの⾏動に基づき、 NPC 間のライバル関係や友情が形成 • プレイヤーとの相互作⽤ – 敵NPCの反応や⾏動はプレイヤーと のインタラクションによって変化 • パーソナライズゲーム体験 7年前のPS4 オフィシャル動画（資料上は画像削除） https://www.youtube.com/watch?v=BWkKx0GLa5Q
他にもたくさん • 『Spelunky』 （Mossmouth, LLC） • Derek Yuが開発（2008） • オリジナルはオープンソース、 ソースをフリーで公開 • Spelunky 2はランダムに コンテンツ、レベルを⽣成する Generative AI: The New Architect of Gaming Landscape Wikipediaより転載 https://en.wikipedia.org/wiki/Spelunky#/ media/File:Spelunky_2008vs2012comparison.jpg https://www.linkedin.com/ pulse/generative-ai-newarchitect-gaminglandscape-richard-kemery/ 12
ゲームのプログラミングの仕組み while (true) { processInput(); update(); render(); } ゲームループ、フレームレート、⼀貫したゲーム体験 • ゲームループ – ゲームの基本動作を制御する連続的な処理 – ユーザーの⼊⼒処理、画⾯の描画処理を⾏う – ゲームのロジック（キャラクターの動き、スコア計算）を含む • フレームレート、FPS、Frames Per Second – 1秒間に画⾯が更新される回数 – ⼀般的なフレームレートは、30FPSや60FPSなど • ハードウェアの違いを意識しない体験 – 補間（interpolation）や外挿（extrapolation） – グラフィックス設定やフレームレート制約 – 固定タイムステップ（ゲームロジック処理の更新を 60回／秒にする） https://gameprogrammingpatterns.com/game-loop.html 13
ループでできている 初期化／Initialization Check for Input Update Physics Update world Handle NW Move Player Update Enemy Update State Draw World 終了／Shut Down 14
サンプルゲーム 15
サンプルゲーム • 猫とハンバーガーのオブジェクトの状態: 1. 位置（x と y 座標）: これらはオブジェクトの画⾯上の位置を表します。 2. 速度（speed、dx、dy）: 猫のオブジェクトに関連する速度と⽅向を表します。 3. 画像（catImage、hamburgerImage）: これらはオブジェクトの視覚的表現を提供します。 • ゲーム全体の実⾏On/Offの状態: • gameRunning 変数: ゲームが進⾏中かどうかを表すブール値です。 • これはゲーム全体の「状態」を表しており、ゲームループの実⾏を制御します。 16
ゲームの物理（基本編） • 重⼒ – オブジェクトが、地⾯へ落下する – ジャンプや落下の動きを再現 • 衝突 – オブジェクトどうしが接触するときに発⽣ – オブジェクトが互いを通過しないようにする – AABB、円形、多⾓形の衝突検出が⼀般的 • 応答と反発 – 衝突後、オブジェクトは反発する – 弾⼒性や摩擦などの物理特性を計算 17
ゲームの物理（すこし応⽤編） • 剛体ダイナミクス – 変形しない固体オブジェクトの動きを再現 – ⼒、トルク、運動量などの物理法則を適⽤ – 回転や移動をシミュレート • ソフトボディダイナミクス – 変形可能なオブジェクト – 布やゲルのような柔らかい物質 – 複雑な数学的計算が必要 • 流体ダイナミクス – ⽔や空気などの流体 – 流れのパターン、圧⼒、乱流などを考慮 – 複雑な数学的計算 https://www.youtube.com/watch?v=1o0Nuq71gI4 サポートツールも存在する 記事：リアルタイムVFX用パーティクルベース のシミュレーション技術「PhysX Flex」の最新 映像！剛体、ソフトボディ、流体もお手の物！ https://developer.nvidia.com/content/new-flex-features 18
ゲームの物理（すこし応⽤編・その2） • レイキャスト – オブジェクトから放出する線（レイ） – 視線や射撃軌道の計算、障害物検出に利⽤ • レイトレーシング – よりリアルな光の効果 – 光の屈折や反射を追いかける 19
ゲームの物理（すこし応⽤編・その2） • 物理エンジンの利⽤ – Box2D、UnityのPhysX、Havokなど – 複雑な物理計算を効率的に処理し、 開発者の負担を軽減します • 最適化とリアリズム – 計算コストの削減が必要 – ⽬的に応じて、リアリズムを取る、 特定の物理効果を省略 – リアルな物理シミュレーションは計 算コストが⾼いため、ゲームでは近 似や単純化がしばしば⾏われます Microsoft Acquires Havok Physics from Intel https://www.techpowerup.com/216542/microsoft-acquires-havok-physics-from-intel https://www.youtube.com/watch?v=k7_1HQBnOtU 20
⾼度なグラフィクスの実現 VRS︓ 1x1, 1x2, 2x1, 2x2 の 解像度を使い分ける
リアルタイムレイトレーシング対応の Windows 10向け「Minecraft」の画⾯ リアルタイムレイトレーシング 現実世界における光の振る舞いをそれっぽくイミテート（真似る）のではな く、ゲームの実⾏中にシミュレーションすることで、⼤域照明や反射、陰な どをリアルで美しく描写できる 従来の レイトレーシングはリアルタイム処理ではなかった
「シヴィライゼーション 5」の画⾯ 半分だけにVRS（ Variable Rate Shading︓可変レートシェーディング）を適⽤。 VRS はハードウェアレンダリングが14％⾼速化しているが、⾒た⽬の品質に 違いはない
Real-Time Denoised Ambient Occlusion This sample implements a real-time denoiser for 1spp raytraced Ambient Occlusion. It also demonstrates a physicallybased specular pathtracer implementation and dynamic geometry support.
なぜゲームにはGPUが必要なの・・・︖ • • CPUはユーザーのあらゆる操作を複雑に処理できる数個のユニット GPUはシンプルなことしかできない数千のユニット • ビデオ ゲームは⼩さな三⾓形で構成されてます – それらをさまざまな⽅法で組み合わせて、画⾯上に表⽰される⼟地、空、⼭、宇宙船、⾍の⽬のモンス ターを形成 – これらの三⾓形は、環境内での位置、他の三⾓形に対する⾓度、⾊、テクスチャなどを⽰すさまざまな 数字で構成されています – GPU はこれらの数値を処理し、フラット スクリーン ディスプレイ上のピクセルに変換 – 画⾯が更新されたり、シーンがわずかでも変化するたびに、GPU は新しいピクセルを⽣成するためにさ らに多くの計算を⾏う – ⼈間には、リッチな 3D を実現しているように⾒える – 画像認識の逆（画像の数値化ではなく、数値の画像化） • 毎秒 60 フレームで動作する⾼解像度ディスプレイで⼀度に 1 億 2,000 万ピクセルを⽣成する必 要がある場合 – 強⼒な CPU であっても、1 つのフレームを描画するのに 1 〜 2 秒かかる – GPUで動作させると、瞬時に実⾏されます ビデオゲーム技術がニューラルネットワークを可能にする仕組み https://techcrunch.com/2017/10/27/how-video-game-tech-makes-neural-networks-possible/ 25
GPU駆動のニューラルネットワークのトレーニング • GPU がニューラル ネットワークのトレーニングに優れている理由 • 最近の GPU は⼤量のオンボード メモリを搭載している • 2015 年、Google と Microsoft は、毎年恒例の ImageNet コンピューター ビジョン チャレンジに おいて、画像内の物体を⼈間よりも正確に識別できるディープ ニューラル ネットワークを設計 • エヌビディア は、GPU を使⽤したニューラル ネットワークのトレーニング速度をわずか 3 年間 で 50 倍⾼速化したと発表 • Google は、ニューラル ネットワークでの使⽤に特化して設計され、処理できる新しい「 Tensor プロセッシング ユニット」の開発に取り組んでいる – GPU が⾏列乗算に優れているため – GPU は 1 つの数値テーブル (たとえば、画像のある部分のピクセルの値) を取得し、それを別のテーブルで乗 算することができます (値は別の部分にあります) – ニューラル ネットワークは⾏列の乗算に⼤きく依存しているため、GPU を使⽤すると、トレーニングにかか る 時間がCPUでは、数か⽉、数週間から数⽇、場合によっては数時間まで短縮されます – コンピュータのメイン メモリとの間でデータを往復する遅延がない – プログラム可能なので、⼿書きや⾳声認識など、さまざまなタスクを実⾏する 26
エネミーAI（敵AI ）について エネミーAIはゲームにおけるAIの主要 な⽤途の1つ • コンピュータの対戦相⼿の振る舞い • アクションゲームにおける⽐較的単純なパターン から、⼈間を打ち負かすチェスプログラムまで ⾼度なものは、⽣成的敵対ネットワーク(GAN)技術、 画像認識、などを⽤いることがある 感情を読み取り、テキストから感情を⽣成し、感情 を正確 に描写するアルゴリズム 27
ゲーム AI の進化と歴史 コンピュータサイエンティストは、AIのアルゴリズムと問題解決能⼒を向上さ せるためにゲームAIに注⽬してきました（チェスや囲碁など、シンプルで明確 なルールがあるゲームがAI研究対象として優れていた） 参考︓Microsoft 「ゲーム AI の進化と歴史」 • https://news.microsoft.com/ja-jp/2019/08/19/190819-evolution-and-history-of-game-ai/ ü 1974 Kaissa がス トックホルムで 最初の世界コン ピュータチェス チャンピオンと なる ポーカー ü 1984 年、プ ロのポーカー プレイヤー マ イク カロ （Mike Caro） が Orac を開発 ü 1956 、強化学習アルゴリズ ムがチェッカーに採⽤ 1956 1974 1984 チェス ü 1994 年、ジョナサン シェー ファーがChinook を開発し世 界チャンピオン ü 1997 年、ディープ ブルーは、 チェス世界チャンピオンのガ ルリ カスパロフ との対戦で 勝利 ⿇雀 ü 2015 年に東⼤の⽔上直紀⽒が「爆打」を開発 ü 2018 年にドワンゴが⿇雀AI 「NAGA」を開発 ü 2020 年に、Microsoft 「Suphx」を開発 世界最強⿇雀AIとして名乗りを上げる 囲碁 ü 2015 年、DeepMind が 「AlphaGo」を開発 ハンデなしで 19 路盤 でプロ棋士に勝った初 の囲碁AI 2015 997 1992-1 バックギャモン ü 1992 ジェラルド テサウロが 「 TD-Gammon 」を開発 2016 2017 2019 2018 2020 ポーカー ü 2017 年、カーネギーメロン大学が Libratus を開発 ü 2019 年、カーネギーメロン大学とFacebook AI が Libratus の進化 版として Pluribus を開発し、6 人でのノーリミット・テキサス ホールデムでプロのポーカープレイヤーに勝利 28
AIにとって複雑なゲーム ≠ ゲームの難易度 • • • • 三⽬並べの碁盤には 9 (3 x 3) の格⼦がある 各格⼦には X、O、空⽩という 3 つの状態がある 局⾯数は 3 の 9 乗である、19863 となる 状態空間複雑性は約 104 (19863 ≈ 104) 完全情報ゲーム: 状態空間複雑性とゲーム⽊複雑性 ゲーム 参考 状態空間 複雑性 ゲーム⽊ 複雑性 4 10 10 21 10 チェス 10 46 10 123 中国象棋 10 48 10 150 五⽬並べ 10 105 10 囲碁 10 172 10 三⽬並べ 10 チェッカー ゲーム AI の難易度とは? - News Center Japan (microsoft.com) 5 31 70 360
完全情報ゲーム︖ 不完全情報ゲーム︖ • 不完全情報ゲーム︓ 参加者はゲームの実際の状態を分別することができない – – • 難易度を測りかた – – • 分別できないゲームの状態の集合を情報集合といいます。 合理的なゲーム戦略は、ゲームの状態ではなく、情報集合に基づいて考える 状態空間の⼤きさではなく、情報集合の数を尺度にする 「完全情報ゲーム」の情報集合数は状態空間数と同じ 情報集合の平均的な⼤きさ – – 情報集合の中で区別できないゲームの状態の平均数 ゲームの各局⾯の裏に隠されている情報の数 不完全情報ゲーム: 情報集合数と平均的な⼤きさ ゲーム 情報集合数 14 10 3 162 10 3 67 10 15 10 48 1 対 1 テキサスホールデム （制限付き） 10 1 対 1 テキサスホールデム （無制限） 10 ブリッジ 10 ⿇雀 10 情報集合 の平均的な⼤きさ 121 参考 ゲーム AI の難易度とは? - News Center Japan (microsoft.com) 30
⿇雀AI: Microsoft Suphx オンライン⿇雀プラットフォームの「天鳳」で10段獲得 – 「安定段位」（平均した強さ指標）において スコア8.7 を達成 – 「特上卓」に参加するトッププレイヤーとの5,000回以上の対局における平均の成績 – ⼈間のトッププレイヤーの平均を上回る成績 天鳳 安定段位における⽐較 爆打 （AI：東京⼤学 /HEROZ） NAGA25 （AI：DWANGO） トッププレイヤー （⼈間:10段以上） Suphx （AI：Microsoft） 31
有段者からの評価・評判 「ASAPIN」のプレイヤー名で知られる朝倉康⼼⽒ https://twitter.com/asakurapinpin 「太くないお」⽒ https://twitter.com/Futokunaio_Sota ⽇本の⿇雀プレイヤーの中では神格的存在、世界で初めて天鳳の最⾼ 位である「天鳳位」を獲得 3⼈打ちおよび4⼈打ち⿇雀の両⽅の「天鳳位」を獲得 （＝私より強いかもしれないと感じている） https://twitter.com/asakurapinpin/status/1142473124081913856?s=20 https://twitter.com/Futokunaio_Sota/status/1142398515588374528?s=20 33
• ⿇雀は「不完全情報ゲーム」の代表格 • 不確実性の⾼い隠された情報が⾮常に多い • 優れた仮説、予測、推論、ファジーな意思決定能⼒が必要となる 膨⼤な量の隠された情報 ⾮効率なトレーニング、 ゲームツリーの検索失敗 「先読み」コーチング 複雑な報酬メカニズム 戦略的に負けることで報酬 を最⼤化 全体的な予測 巨⼤な状態空間 完全な情報でトレーニングプロ セスをスピードアップ 報酬の割り当てに ゲーム階層を使⽤ Deep Reinforcement Learning 適応的な 意思決定 34
Suphx は、ゲームAI の可能性を世に知らしめた • ⼈間の本能、予測、推論、あいまいな意思決定能⼒、およびゲーム内の全体 的な状況の感覚を⽰し、⿇雀の⾼い不確実性に効果的に対処 • ⼈間の学習、⿇雀のスキル向上、⿇雀コミュニティの発展を⽀援 • 現実世界のシナリオ – ⾃動運転、⾦融投資など、ゲーム以外の分野のほとんどは未知の情報が多い – さらに、偶発的な要素にも影響を受けやすい – 世の中、社会の、複雑な問題の解決に貢献 • ただし、研究開発のコストは依然として⼤きい 35
Google の 模倣学習によるアプローチ AIの可能性 • ゲームソースへのアクセス • ビデオゲームの対話的性質 RLのデメリットに着⽬ • 固有のネットワークアーキテクチャ • MLアルゴリズムの実装の専⾨知識 • ⼤量のトレーニングデータ Falken https://github.com/google-research/falken ゲームをプレイできる AI をトレーニングできるサービスをGoogleがオープンソースにて提供 報酬やオフライン トレーニングのバッチを通じて学習する従来の RL フレームワークとは異なり、 Falken はリアルタイムの⼈間との対話を介した AI のトレーニングに基づいている模倣学習ます。 36
エネミーAIを作る⼀般的なテクニック • • • • • • ルールベースのAI 有限状態マシン パスファインディングAI 機械学習AI ビヘイビアツリー 強化学習 https://www.engati.com/blog/ai-in-gaming 37
エネミーAIを作る⼀般的なテクニック • • • • • • ルールベースのAI 有限状態マシン パスファインディングAI 機械学習AI ビヘイビアツリー 強化学習 振る舞いをルールで指⽰する 開発者によってプログラムされる 例︓「かくれんぼゲーム」 プレイヤーがNPCに⾒つかるとプレイヤーを捕まえる 38
エネミーAIを作る⼀般的なテクニック • • • • • • ルールベースのAI 有限状態マシン パスファインディングAI 機械学習AI ビヘイビアツリー 強化学習 NPCの振る舞いを異なる状態にわける 各状態は特定の振る舞いやアクションを表す 状態遷移は特定のトリガーや条件に応じて発⽣ 例︓戦闘シナリオでは、NPCはプレイヤーを検出すると 「巡回」状態から「警戒」状態に遷移する 39
エネミーAIを作る⼀般的なテクニック • • • • • • ルールベースのAI 有限状態マシン パスファインディングAI 機械学習AI ビヘイビアツリー 強化学習 NPCがゲーム環境を効率的に移動する「最短経路」 A*（Aスター）などのアルゴリズムを利⽤ 障害物を回避しながら最短経路を計算する NPCは複雑な環境を知的に移動するように演出できる 40
エネミーAIを作る⼀般的なテクニック • • • • • • ルールベースのAI 有限状態マシン パスファインディングAI 機械学習AI ビヘイビアツリー 強化学習 NPCの振る舞いに適応性と学習能⼒を導⼊ AIモデルをトレーニングし、意思決定を⾏う 例︓レーシングゲームをプレイするAIの対戦相⼿は時間の経過とともにより タイトなターンを取り、より良いレーシングラインを選択することを学ぶ 41
エネミーAIを作る⼀般的なテクニック • • • • • • ルールベースのAI 有限状態マシン パスファインディングAI 機械学習AI ビヘイビアツリー 強化学習 特定のアクション、条件、または状態を表すノードの階層構造 で構成され、これらのノードは相互に接続され、NPCの可能な 振る舞いを概説するツリーを形成 ビヘイビアツリーは複雑な意思決定を可能にし、NPCが変化す る状況に動的に適応することを可能にします。 42
エネミーAIを作る⼀般的なテクニック • • • • • • ルールベースのAI 有限状態マシン パスファインディングAI 機械学習AI ビヘイビアツリー 強化学習 ゲーム環境やプレイヤーの⾏動との相互作⽤に基づいて報酬や 罰則のフィードバックを受け取り、学習をすすめる NPCは報酬を最⼤化し、罰則を最⼩限に抑えるために振る舞い を調整することを学ぶ 例︓戦略ゲームのNPCは、勝つ可能性を⾼めるため先にアイテム収集を優先して⾏動する 43
AIの適⽤の実績 • ⼈間対コンピュータのゲームの起源は1952年 – ケンブリッジ⼤学院⽣による「OXO」 • ビデオゲームのAIは1970年代あたりから – ポン・スペースインベーダー・パックマンが、初期の導⼊事例 – 初期のビデオゲームにおいて、⾼度なニューラルネットワークや機械学習は使⽤されず、 基本的なアルゴリズムによる予測可能な⾏動パターンでプレイヤーとの対話を実現 • RL強化学習が主流に・・︖（今後変わるかもしれません） – ⼤規模な試⾏錯誤、加速度的な学習プロセス、何千時間もの学習 – OpenAI Dota 2、1万年以上の⾃⼰対戦で学習、ビデオ事前学習でさらに加速 – Minecraftに、強化学習の微調整に加えて、「模倣学習」（⼈間の⾏動を⾒て学習する ニューラルネットワーク）を応⽤するなど、新しいアプローチも多い 44
AIとヒトの関係はさまざま • ゲームの難易度、課題の複雑化、マルチプレイ化 • オンラインゲーム空間全体のバランスの調整など新たな課題 45
BLUE PROTOCOLのAI実装（ CEDEC 2020 発表 ） • • • • パーティ VS パーティ プレイヤー集団の分析には「階層的ク ラスタリング」 エネミーのパーティ形成は、警戒範囲 内のプレイヤーをターゲットとして攻 撃し、ターゲットリストを基に⾏動を 決定します。 エネミーの⾏動制御には、 3つの階層 – 情報収集の「Perception」 – 意思決定の「Brain」 – 実際の制御の「Action」 • 階層型タスクネットワークを⽤いて、 タスクを細かく分割し、実⾏する – 「HTN Planning」アルゴリズム – タスク実⾏前後の制約を加えることで、 エネミーが状況に応じて最適な⾏動を 選択するように制御 46
「仲間」となるAIが登場 Project Paidiaの発表: Microsoft Researchの強化学習（RL） 協⼒ナビゲーションタスク 「Bleeding Edge」（ Ninja Theory）に採⽤ エージェントが⼀連の決定を⾏うアプローチ 単⼀エージェントおよびマルチエージェントRL、オープンソース RLアルゴリズムへのアクセス、様々なゲーム環境への対応 • TensorFlow、ONNX、PyTorchモデルをゲーム内使⽤ • • • • • https://developer.microsoft.com/en-us/games/articles/2020/08/supercharge-games-with-azure-ai-and-reinforcement-learning/ 47
DEMO動画 Reinforcement Learning Advances With Project Paidia | IGL186 （3年前のIgniteにて公開） https://www.youtube.com/watch?v=rhnGNwTyA-8 48
PlayStationとソニーAI部⾨のゲームAIエージェント PlayStationはソニーの⼈⼯知能部⾨と協⼒して、⼈間のプレイヤーと共にゲーム をプレイできるAI「エージェント」を開発中 エージェントは、プレイヤーのゲーム内の対戦相⼿や協⼒パートナーとなる ゲームAIエージェントの特徴 • 特許技術の関連 – • ⼈間のプレイスタイルの模倣 – • • • ソニーの最近の特許「ゲームアプリケーション中の特定タスクのための⾃動化された⼈⼯知能 （AI）制御モード」に関連している可能性。 ⼈間のユーザーのプレイスタイルに基づいて「プレイをシミュレート」するAI。 ゲーム内AIキャラクターの進化 エージェントは、協⼒プレイやPvPゲームでの⼈間のプレイヤーに近い存在 として設計されている。 マルチプレイヤーゲームにおける「ボット」への適⽤ https://www.ign.com/articles/playstation-game-ai-agents 49
その他のゲーム作りに活⽤されるAI AI in Gamingのシナリオ • プレイヤーエクスペリエンスの強化 • アダプティブなゲームによる単調さの回避 • リアルなノンプレイヤーの特徴 • プロシージャル・コンテンツ⽣成 – 難易度、クエスト、マップ、タスクなど • ゲームバランスとテスト • データマイニング • 効率的なテストとバグ検出 AI for Game Play • ゲームをプレイするAIを作る • ⼈間のテストプレイをサポートできる 50
AIテストをたくさん⾏うことによる品質保証（QA） • • • • • • • • • • • • 複雑なテスト作業 多様なハードウェア 多様なプラットフォーム バグ特定 修正難しさ ユーザーエクスペリエンス AI⾃動化テスト パターン認識 予測モデリング ⾼品質開発 プレイヤー⾏動分析 ユーザーエクスペリエンス向上 出展 Playable! https://playable.qa/ 51
First TextWorld Problems (FTWP) テキストによる問題解決を⾏うAIコンペティション 1980年に発売されたゾーク（Zork）に着想を得て開発された 最初のテキストワールドの問題、競争:テキストベースのゲームを使⽤してAIエージェントの機能を向上させる - マイクロソフトリサーチ (microsoft.com) TextWorld: A learning environment for training reinforcement learning agents, inspired by text-based games - Microsoft Research 52
Minecraft 上に構築された「Project Malmö」 • 2016年7⽉7⽇、GitHub上に公開 https://github.com/microsoft/malmo https://www.youtube.com/watch?v=iOWbeMvml3M 53
Video PreTraining（VPT） • • • • OpenAIのプロジェクト Minecraft エージェント ラベルなし動画データ 半教師あり模倣学習⽅法 • • • • 先に契約者からキーインプットのデータを⼊⼿ Inverse Dynamics Model（IDM）で基礎モデルを先に作成 その後、⼤量データから⾏動クローニングタスク ⛏ ⛏ ⛏ 10分でダイヤモンドのツルハシ作成 54
Inverse Dynamics Model（IDM） 55
⽊を切り倒して丸太を集め、 それらの丸太を板に加⼯し、 さらにそれらの板を作業台に加⼯ ピラージャンプ https://openai.com/research/vpt 56
57
Game Engine Learning from Video • • • 2分未満のビデオゲーム映像を使⽤したゲームエンジンの再作成 AIシステムは、ゲームプレイのビデオを分析 キャラクターの動きや敵の反応を予測することでゲームの動作に関する 独⾃のモデルを構築 • アプローチ • 実証 • ゲーム／ゲーム以外への発展 • 論⽂「Game Engine Learning from Video」 – 研究チームは、AIを「スピードランナー」ビデオでトレーニングし、AIに2Dプ ラットフォームスタイルのゲームの物理現象を説明させました。 – スーパーマリオブラザーズやロックマン、ソニック・ザ・ヘッジホッグなど – 画⾯上でアクションが⾏われるゲームに適している – 教育やトレーニングのシナリオにも応⽤可能です。 – https://faculty.cc.gatech.edu/~riedl/pubs/ijcai17.pdf 58
記事︓AI Uses Less Than Two Minutes of Videogame Footage to Recreate Game Engine Artificial Intelligence Uses Less Than Two Minutes of Videogame Footage to Recreate Game Engine https://gvu.gatech.edu/ai-uses-less-two-minutes-videogame-footage-recreate-game-engine 59
⾮ゲームのために、ゲームAIをトレーニング ゼロックスリサーチセンターの例 • エイドリアン・ガイドン⽒は、リアルなゲーム （アサシンクリード）がAI開発に有効と気づいた • チームはUnityエンジンを使⽤して、深層学習アル ゴリズムのトレーニング⽤シーンを作成 Microsoft Project Malmoの例 • Minecraftを使⽤したAI研究環境 • オープンソースプラットフォーム • 現実世界に役⽴つ機能を学習する プリンストン⼤学の⾃動運転 • アルトゥール・フィリポウィッツ⽒は、ゲーム （グランド・セフト・オート）を使⽤して⾃動運 転のAIをトレーニング • ゲームが、AIのシミュレーターとなる https://bernardmarr.com/artificial-intelligence-theclever-ways-video-games-are-used-to-train-ais/ 60
ChatGPT, Bing, Bard, が注⽬を集めるわけ ⼈⼯知能 機械学習 ディープ ラーニング LLM ⾃然⾔語 処理 （NLP） ⼤規模⾔語モデル（LLM） Transformer https://ai.googleblog.com/2017/08/transformer-novel-neuralnetwork.html Stephen Wolfram has written a detailed explanation of LLMs that is accessible to a technical but non-expert reader: https://writings.stephenwolfram.com/2023/02/what-is-chatgptdoing-and-why-does-it-work/ LLMの正確性 https://openai.com/blog/chatgpt 61
⼈⼯知能（AI）の歴史︓2020年 ⽣成 Q&A 分類 Chat 変換 Completion 出典: “そうだ︕研究しよう 62
GPT/ChatGPTの登場により、AI史が⼤きく変化 GPTがさらに進化し、ChatGPTが誕⽣ ⽣成 Q&A 1. 教師ありのFine Turning 分類 Chat 2. Reward Model の学習 変換 Completion 3. RLHF に基づくモデル学習 InstructGPT と ほぼ同じ 参考１︓ OpenAI https://openai.com/blog/chatgpt 参考２︓ Microsoft, Daiyu Hatakeyama ⽒資料 63
何ができる・・・︖ • • • • • • ⽂章⽣成 分類 変換 (要約、翻訳、絵⽂字など) Completion (プログラミング の部品を⽣成する) 事実に基づく回答 会話
プロンプト → プロシージャル・コンテンツ⽣成 https://www.linkedin.com/pulse/tradiotional-gamedev-generative-ai-levon-abelyan/ 65
インクルージョンなアバター
SeeingVR
ハリーポッターのゲーム（オープンソース）に適用した例 視覚を助ける14の研究分野
Forza Motorsport - Official Trailer 69
まとめ ゲーム業界 • AIは、ゲーム開発を含む多くの分野に⼤きな影響を与えている • 開発プロセスの加速、だけでなく、創造性の向上にも貢献 • ただし、創造性においては、コンテンツ著作権問題は複雑 • ゲーム開発の⺠主化、UGCとライブサービスの加速、など、ゲーム業界の変 化にあわせて、AIの適⽤領域も変わる • 将来は、新しいゲーム体験の創出に寄与する可能性が⼤きい ⾮ゲーム業界 • AIの研究開発には、ゲーム業界からの⼤きな影響 • ゲームAIの技術が社会に与える影響にますます注⽬が集まる 70
ご清聴ありがとうございました • ゲーム開発最新トレンド with AI • TECHトレンド「生成AI」利活用の最新トレンド • 技術論（クラウド・サーバー開発、サイバーセキュリティ） 71