---
title: 久留米大学講義 ゲーム開発最新トレンド with AI
tags:  #ai #game development  
author: [増渕大輔](https://www.docswell.com/user/3906110)
site: [Docswell](https://www.docswell.com/)
thumbnail: https://bcdn.docswell.com/page/V7PXDV1QE8.jpg?width=480
description: 久留米大学講義 ゲーム開発最新トレンド with AI by 増渕大輔
published: January 19, 24
canonical: https://www.docswell.com/s/3906110/56Y2Y7-2024-01-20-012908
---
# Page. 1

![Page Image](https://bcdn.docswell.com/page/V7PXDV1QE8.jpg)

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.


# Page. 2

![Page Image](https://bcdn.docswell.com/page/2JVL1ZYP7Q.jpg)

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


# Page. 3

![Page Image](https://bcdn.docswell.com/page/5EGX249QJL.jpg)

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


# Page. 4

![Page Image](https://bcdn.docswell.com/page/4JQ8PGWW7P.jpg)

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


# Page. 5

![Page Image](https://bcdn.docswell.com/page/K742Y5K1J1.jpg)

事業内容


# Page. 6

![Page Image](https://bcdn.docswell.com/page/LJ1M6WX5EG.jpg)

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


# Page. 7

![Page Image](https://bcdn.docswell.com/page/GJW3W6NWJ2.jpg)

エンタープライズ xR事業
7


# Page. 8

![Page Image](https://bcdn.docswell.com/page/4EZV5Y32J3.jpg)

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


# Page. 9

![Page Image](https://bcdn.docswell.com/page/Y7659DZ6EV.jpg)

「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


# Page. 10

![Page Image](https://bcdn.docswell.com/page/G75YN3W574.jpg)

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


# Page. 11

![Page Image](https://bcdn.docswell.com/page/9J2G5ZQGJR.jpg)

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


# Page. 12

![Page Image](https://bcdn.docswell.com/page/DEYVKRWGEM.jpg)

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


# Page. 13

![Page Image](https://bcdn.docswell.com/page/VJNMRD9878.jpg)

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


# Page. 14

![Page Image](https://bcdn.docswell.com/page/YE9NMG2XE3.jpg)

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


# Page. 15

![Page Image](https://bcdn.docswell.com/page/GE8KLV597D.jpg)

サンプルゲーム
15


# Page. 16

![Page Image](https://bcdn.docswell.com/page/LELZL5YMJR.jpg)

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


# Page. 17

![Page Image](https://bcdn.docswell.com/page/4JMVM3N6JW.jpg)

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


# Page. 18

![Page Image](https://bcdn.docswell.com/page/PJR2VQDNE9.jpg)

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


# Page. 19

![Page Image](https://bcdn.docswell.com/page/PEXDZ5187X.jpg)

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


# Page. 20

![Page Image](https://bcdn.docswell.com/page/3EKX862L7D.jpg)

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


# Page. 21

![Page Image](https://bcdn.docswell.com/page/L7352646E5.jpg)

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


# Page. 22

![Page Image](https://bcdn.docswell.com/page/87DDZVQM7G.jpg)

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


# Page. 23

![Page Image](https://bcdn.docswell.com/page/VJPXDVLQ78.jpg)

「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


# Page. 24

![Page Image](https://bcdn.docswell.com/page/2EVL1ZQPJQ.jpg)

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.


# Page. 25

![Page Image](https://bcdn.docswell.com/page/57GX24WQEL.jpg)

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


# Page. 26

![Page Image](https://bcdn.docswell.com/page/4EQ8PG3WJP.jpg)

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


# Page. 27

![Page Image](https://bcdn.docswell.com/page/KJ42Y511E1.jpg)

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


# Page. 28

![Page Image](https://bcdn.docswell.com/page/LE1M6WG57G.jpg)

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


# Page. 29

![Page Image](https://bcdn.docswell.com/page/GEW3W6KWE2.jpg)

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


# Page. 30

![Page Image](https://bcdn.docswell.com/page/47ZV5YZ2E3.jpg)

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


# Page. 31

![Page Image](https://bcdn.docswell.com/page/YJ659D867V.jpg)

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


# Page. 32

![Page Image](https://bcdn.docswell.com/page/GJ5YN395J4.jpg)



# Page. 33

![Page Image](https://bcdn.docswell.com/page/LE3526Y5J5.jpg)

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


# Page. 34

![Page Image](https://bcdn.docswell.com/page/8EDDZV5YEG.jpg)

• 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


# Page. 35

![Page Image](https://bcdn.docswell.com/page/V7PXDVG2E8.jpg)

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


# Page. 36

![Page Image](https://bcdn.docswell.com/page/2JVL1Z6X7Q.jpg)

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


# Page. 37

![Page Image](https://bcdn.docswell.com/page/5EGX24NRJL.jpg)

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


# Page. 38

![Page Image](https://bcdn.docswell.com/page/4JQ8PGQY7P.jpg)

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


# Page. 39

![Page Image](https://bcdn.docswell.com/page/K742Y5NZJ1.jpg)

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


# Page. 40

![Page Image](https://bcdn.docswell.com/page/LJ1M6W5DEG.jpg)

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


# Page. 41

![Page Image](https://bcdn.docswell.com/page/GJW3W658J2.jpg)

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


# Page. 42

![Page Image](https://bcdn.docswell.com/page/4EZV5YN9J3.jpg)

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


# Page. 43

![Page Image](https://bcdn.docswell.com/page/Y7659D8DEV.jpg)

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


# Page. 44

![Page Image](https://bcdn.docswell.com/page/G75YN39874.jpg)

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


# Page. 45

![Page Image](https://bcdn.docswell.com/page/9J2G5Z2VJR.jpg)

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


# Page. 46

![Page Image](https://bcdn.docswell.com/page/DEYVKRYQEM.jpg)

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


# Page. 47

![Page Image](https://bcdn.docswell.com/page/VJNMRDP278.jpg)

「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


# Page. 48

![Page Image](https://bcdn.docswell.com/page/YE9NMG3DE3.jpg)

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


# Page. 49

![Page Image](https://bcdn.docswell.com/page/GE8KLVM57D.jpg)

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


# Page. 50

![Page Image](https://bcdn.docswell.com/page/LELZL533JR.jpg)

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


# Page. 51

![Page Image](https://bcdn.docswell.com/page/4JMVM3DMJW.jpg)

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


# Page. 52

![Page Image](https://bcdn.docswell.com/page/PJR2VQ4LE9.jpg)

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


# Page. 53

![Page Image](https://bcdn.docswell.com/page/PEXDZ5Z67X.jpg)

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


# Page. 54

![Page Image](https://bcdn.docswell.com/page/3EKX868G7D.jpg)

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


# Page. 55

![Page Image](https://bcdn.docswell.com/page/L7352625E5.jpg)

Inverse Dynamics Model（IDM）
55


# Page. 56

![Page Image](https://bcdn.docswell.com/page/87DDZVZY7G.jpg)

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


# Page. 57

![Page Image](https://bcdn.docswell.com/page/VJPXDVD278.jpg)

57


# Page. 58

![Page Image](https://bcdn.docswell.com/page/2EVL1Z1XJQ.jpg)

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


# Page. 59

![Page Image](https://bcdn.docswell.com/page/57GX242REL.jpg)

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


# Page. 60

![Page Image](https://bcdn.docswell.com/page/4EQ8PGPYJP.jpg)

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


# Page. 61

![Page Image](https://bcdn.docswell.com/page/KJ42Y5YZE1.jpg)

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


# Page. 62

![Page Image](https://bcdn.docswell.com/page/LE1M6W6D7G.jpg)

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


# Page. 63

![Page Image](https://bcdn.docswell.com/page/GEW3W6W8E2.jpg)

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


# Page. 64

![Page Image](https://bcdn.docswell.com/page/47ZV5Y59E3.jpg)

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


# Page. 65

![Page Image](https://bcdn.docswell.com/page/YJ659D9D7V.jpg)

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


# Page. 66

![Page Image](https://bcdn.docswell.com/page/GJ5YN3N8J4.jpg)

インクルージョンなアバター


# Page. 67

![Page Image](https://bcdn.docswell.com/page/9E2G5Z5VER.jpg)

SeeingVR


# Page. 68

![Page Image](https://bcdn.docswell.com/page/D7YVKRKQ7M.jpg)

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


# Page. 69

![Page Image](https://bcdn.docswell.com/page/VENMRDR2J8.jpg)

Forza Motorsport - Official Trailer
69


# Page. 70

![Page Image](https://bcdn.docswell.com/page/Y79NMGMD73.jpg)

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


# Page. 71

![Page Image](https://bcdn.docswell.com/page/G78KLVL5JD.jpg)

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