Kürelerin bulunduğu yerde kamp yapmak sağlam bir stratejidir: Oyuncunun kazanmak için küreleri toplaması gerekir (Pac-Man’in hayaletlerinin haritanın her köşesindeki girişlerin yakınında yalnızca oyalandığını hayal edin). Ayrıca oyunu daha az eğlenceli hale getirir. Oyuncular artık heyecan verici bir kovalamaca yaşamazlar. Bunun yerine, yapay zeka öngörülemeyen bir pusu kurabilir. Trachel ve Peyrot, amaçlarının “acemi bir oyuncu için eğlenceli ve ilgi çekici olmayan insanüstü botlar yaratmak değil, bunun yerine makine öğrenimini zaten üretimde kullanılan oyun yapay zeka araçlarına dahil etmenin yollarını bulmak” olduğunu söylüyor.
Bu, daha iyi yapay zeka isteyen oyunculara sıkıcı gelebilir. Yine de Trachel ve Peyrot tarafından gösterilen makine öğrenimi teknikleri, oyuncuların bitmiş oyunda karşılaştıkları düşmanlar onu kullanmadığında bile zorluğu ayarlama konusunda yardımcı olmaya devam ediyor. Modl.ai’nin kurucu ortağı ve araştırma direktörü Julian Togelius, oyunları test etmek için yapay zeka kullanarak yaklaşık beş yıl geçirdi. Modl.ai, grafik aksaklıkları avlamak, dünya geometrisindeki kusurları bulmak ve kazanmayı imkansız kılan durumları tespit etmek için botları kullanır.
“Bize ne tür bir başarısızlık durumuyla ilgilendiğinizi söyleyebilirsiniz. Ve sonra temelde çalışır. Bir iş gönderiyorsunuz ve ne kadar keşfetmek istediğinize bağlı olarak devam ediyor,” diyor Togelius. “Ve elbette, bunları sizin için bir araya toplayabilir ve sorun yaşadığınız yerleri burada söyleyerek bir rapor sunabiliriz.”
Modl.ai’nin test botları, test edilen her oyuna uyum sağlamak için makine öğrenimini kullanır, ancak mevcut uygulaması bu uyarlamaları her bir belirli oyunla sınırlandırır. Togelius, şirketin birden fazla oyunda bot davranışını eğitecek derin öğrenmenin eklenmesinin prototipini oluşturduğunu söylüyor. Kullanıma girdikten sonra, Modl.ai’nin botları gerçek oyuncuların davranışlarını taklit etmeyi öğrenecek ve bu da oyuncuların bulabileceği sorunları daha verimli bir şekilde ortaya çıkaracaktır.
Gerçek Makine Öğrenimi İçin Oyun Motorlarının Bir Devrime İhtiyacı Var
Zorluk söz konusu olduğunda, makine öğrenimi hem bir sorun hem de bir çözüm olabilir. Ancak makine öğrenimini oyunlarda kullanmak isteyen geliştiricilerin karşılaştığı tek engel, adil ve eğlenceli bir meydan okuma oluşturmak değil. Sorunlar daha derine iniyor – o kadar derin ki, aslında oyunların nasıl inşa edildiğini yeniden düşünmeye zorlayabilirler.
Performans bir engeldir. Makine öğrenimi, değerli sonuçlar için çok sayıda eğitim verisi gerektirir ve bu veriler yalnızca bir oyunu binlerce veya on binlerce kez oynayarak elde edilebilir (gerçi botlar yükü hafifletebilir, Trachel ve Peyrot demolarını oluştururken kullandıkları bir taktik). Ve eğitim verileri bir kez toplandığında, ortaya çıkan modelin gerçek zamanlı olarak yürütülmesi külfetli hale gelebilir.
Trachel ve Peyrot bir e-postada, “Evet, özellikle oyun saatinin her tiklemesi için kareleri işleyen büyük makine öğrenimi modellerinde performans açıkça bir sorundur,” dedi. “Bizim durumumuzda, performans sorunlarından kaçınmak için, yalnızca oyunun belirli anlarında çıkarım yapan küçük bir sinir ağı kullandık.” Modern oyuncuların beklediği devasa açık dünya ortamlarına ölçeklendirmek tamamen başka bir konudur.
Togelius, modern oyun motorlarının çalışma şeklinin sorunu şiddetlendirdiğini söylüyor. Makine öğrenimi, “zorunlu olarak yavaş olacak çünkü oyun motorları bunun için yapılmadı. Oyunlarda modern yapay zekayı daha ilginç görmememizin birçok nedeninden biri, Unreal, Unity ve benzerlerinin temelde korkunç olması – pek çok yönden yapay zeka karşıtı olması.”
Animasyon başka bir konudur. Modern oyun motorlarının çoğu, animasyonların kesin olarak kare kare tanımlanmasını bekler. Bu, animatörler oyun karakterlerinin nasıl davranacağını kesin olarak bildiklerinde işe yarar, ancak makine öğrenimi tarafından kontrol edilen bir yapay zeka, animatörlerin beklemediği şekillerde davranabilir. Tasarımcılar, animasyona fizik tabanlı bir yaklaşımla bu sorunu çözebilir, ancak bu, bir oyun konsolu veya bilgisayar donanımı üzerinde daha da fazla performans yükü yaratır ve kendi geliştirme zorluklarını beraberinde getirir.
Kısacası, geliştiriciler kendi yarattıkları bir canavarla karşı karşıyadır. Oyun motorları, yetersiz donanımda bile iyi çalışan yapay zeka kontrollü NPC’lerin dünyalarını oluşturmak için davranış ağaçlarını ve önceden belirlenmiş eylemleri kullanmak üzere tasarlanmıştır. Ancak makine öğrenimi ivme kazandıkça bu klasik çözümlerin yeniden değerlendirilmesi gerekecek.
“Oyun tasarımını bilmeyen bir makine öğrenimi araştırmacısıyla konuşursanız, ‘Neden yeni şeyler kullanıp daha gerçekçi ve oynama şeklinize uyum sağlayan NPC’ler almıyorsunuz’ diyecekler ve vb,” diyor Togelius. “Ama bunu mevcut bir oyuna öylece bağlayamazsınız. Oyunun ne olduğunu bile yeniden düşünmelisiniz.”
