Когда Ли Седол, игрок чемпиона мира Go, победил AI Alphago в их четвертом матче, жители Южной Кореи радовались. 

Go, древняя стратегическая игра, является неотъемлемой частью южнокорейской культуры, а Седол-один из величайших игроков в истории страны, но он уже проиграл серию из пяти игр против Альфаго, подав в отставку с первых трех матчей. Южнокорейцам было все равно - он был человеческим чемпионом, который одержал победу над ИИ, который казался всемогущим в самой сложной игре, разработанной человеком.’

Седол тоже проиграл пятую игру, и через три года, в 2019 году, он ушел из профессиональной трассы, заявив, что даже если бы он был номером один.«Теперь он тренирует другие программы AI GO.

ИИ в игровой индустрии: обзор

Сегодняшние глубоководные нейронные сети, которые имитируют модели обучения человека, могут быть обучены обширным наборам данных для достижения сверхчеловеческого мастерства при любой задаче-Альфаго научился играть, а затем освоить его. Генеративные AIS Используйте такие нейронные сети для создания нового контента в ответ на текстовую или визуальную подсказку или даже определенные контекстуальные сигналы.

В этом блоге мы рассмотрим различные типы наборов AI TOL, которые применимы к разработке игры. Каждая игра содержит тысячи моделей, текстур и других активов, и ИИ можно использовать, чтобы генерировать их в масштабе и за долю от стоимости и времени, которые в настоящее время тратят их на разработку. Мы также обсудим компании, которые работают или предлагают решения AI для ключевых частей игрового конвейера.

Мы также углубимся в использование искусственного интеллекта в игровом тестировании и тестировании на ошибок - ИИ может потенциально автоматизировать обеспечение качества. Игры стали больше и больше, а обеспечение качества становится все более сложной. ИИ может помочь поместить разработчиков бездарную, трудоемкую задачу для тестирования и фиксирования ошибок.

Таким образом, ИИ является как буквальным, так и фигуративным изменением игры для разработчиков, и в следующих разделах мы имеем дело с основными контекстами, в которых ИИ используется, чтобы помочь упростить то, как вносятся игры - от создания игровых активов до тестирования игр в этап разработки.

Генеративная революция в разработке игры

По словам венчурной фирмы Andreessen Horowitz, даже небольшие игровые студии теперь могут наконец достичь качества без карательных затрат и времени, потому что они могут использовать генеративные инструменты для искусственного интеллекта для создания игрового контента с беспрецедентной легкостью. 

Генеративный ИИ, таким образом, имеет большие перспективы для игр, потому что игровая индустрия AAA имеет крутой барьер для входа-рассмотрите бюджет, мужские часы и хруст за такими играми, как Red Dead Redemption 2 (RDR 2, 2018) и другие крупномасштабные игры. Фактически, оценочный бюджет RDR 2 в размере 540 млн. Долл. США с комфортом превышает самый дорогой голливудский фильм - «Пираты Карибского бассейна»: «На незнакомцах» (379 млн. Долл. США). 

Чтобы конкурировать с такими, как Rockstar, разработчикам необходимо найти экономически эффективные инструменты для разработки игр, и даже гиганты, такие как Rockstar или Ubisoft, могут извлечь выгоду из таких решений-на самом деле Ubisoft работает как над системой анимации с AI, на основе AI, а анимационной системы, на основе AI, так и над AI-системой анимации, в системе анимации с двигателем AI. и инструмент фиксирования ошибок ИИ. Следовательно, несколько студий уже пытаются улучшить свои рабочие процессы с помощью ИИ, как мы обсудим ниже.

2D активы и концепт -арт

Программы с AI, такие как Midjourney, стабильная диффузия и Dall-E 2, могут генерировать высококачественные активы изображений, такие как концептуальный арт и 2D-контент игры из текстовых подсказок, и они уже нашли место в производстве игровых активов-разработчик использовал Эти генераторы ИИ в тандеме, с профессиональным художником, для создания концептуального искусства в течение нескольких дней, а не недель. 

Это не корпоративные инструменты - они также доступны для энтузиастов, и на YouTube есть видео о том, как генерировать концепт -арт или любой тип 2D -изображения, используя такие генераторы AI бесплатно.

Ludo, в свою очередь, является компанией, которая предлагает решение для генерации изображений, предназначенное для студий. Ludo-это платформа для игр и создания игровой идеи и создания, которая предназначена для оптимизации творческого процесса развития игр, и одним из способов, которыми он помогает разработчикам игр, является использование стабильной диффузии для создания изображений на этапе идеи и даже создания высокого уровня Качественные 2D художественные работы и активы дальше по трубопроводу. 

Фактически, контент, созданный генератором изображений Людо, может быть точно настроен на потребности студии. Разработчики могут использовать ключевые слова для генерации игровых изображений, значков и даже более подробных активов, таких как концепции символов, внутриигровые элементы и многое другое. Генератор изображений также может преобразовать одно изображение в другое, по существу, создавая вариации ввода или привести к его стилям разных стилей искусства. Разработчики также могут при условии, что Людо используют определенные цвета, стили и темы, чтобы получить результаты, которые соответствуют их художественному дизайну.

Как бы то ни было очевидно, генерация 2D-искусства с AI уже довольно зрелым и может быть развернуто не только студиями, но и даже любителями, которые хотят использовать эти инструменты для создания изображений или даже использовать такие изображения, как ссылки для их первоначальных произведений искусства.

3D художественные работы и модели

3D-работа, сгенерированные AI. Фактически, сама цель вспомогательной, согласно Nvidia, состоит в том, чтобы помочь отдельным лицам и командам развивать бесшовные 3D-процессы, усиленные A-A-A-A-A-Aredhic.

Разработчики, использующие Omniverse. Lumirithmic - это масштабируемое решение, которое можно использовать практически в любом цифровом конвейере создания контента.

Elevate3D использует 360-градусные видео продуктов для создания высококвальных 3D-моделей, которые затем можно использовать в презентациях продуктов, демонстрациях и даже анимации. В этом видео пользователь снимает 360-градусное видео продукта ухода за волосами на проигрывательном столе с использованием своего мобильного телефона и подает его в Elevate3d-и это все, что нужно для создания полной 3D-модели, которая может быть изменена и отобрана внутри 3D приложение. Elevate 3D может быть идеальным для создания внутриигровых реквизитов и предметов, особенно для реалистичных игр, установленных в настоящем-такая игра, как Grand Theft Auto V (2013) имеет бесчисленные предметы и реквизиты, и Elevate3D может позволить студии посвятить больше Время до героя активы, на которых игрок сосредоточится и взаимодействует, а не на работе над обыденными реквизитами, которые определяют игровой мир. 

Возможно, наиболее дразнящим всецелевым решением является GET3D, инструмент ИИ, который может генерировать подробные модели с текстурами, используя только 2D -изображения, текстовые подсказки и семена случайных чисел. Инструмент может также генерировать вариации для своих моделей, применить несколько текстур к модели на лету и может даже интерполировать между двумя сгенерированными моделями - например, превратить лису в собаку, а затем в слон и так далее. 

Можно только представить, чего может достичь индустрия с чем -то вроде GET3D - функция морфирования может оказаться невероятно мощной в создании активов - представьте себе игровой мир, где каждое существо генерируется во время выполнения с одной трехмерной базы. В настоящее время игровые модели тщательно построены и текстурированы вручную, а затем оптимизированы для использования в игре. Если GET3D превратится в масштабируемое решение, разработчики могли бы тратить время на экспериментирование с каждой понятной концепцией трехмерного существа и просто включили его в GET3D, чтобы получить целую экосистему существ в игру. 

Дизайн уровня и строительство мира

Дизайн уровня и строительство мира становятся все более актуальными - и сложными - поскольку игровые миры стали большим и сложнее. Одна из наиболее перспективных компаний в этом пространстве - AI Promethean. Компания стремится решить проблему создания больших и подробных игровых миров в масштабе. 

Он был основан Эндрю Максимовым, бывшим ведущим художником, который сотрудничал с сотнями других коллег, работая над игровыми мирами серии Uncharted - процесс, который он характеризует как «подавляющий» время от времени. 

Прометеанский ИИ предназначен для того, чтобы сделать мировое строительство менее обременительным и кажется абсурдно простым в использовании. Человеческий художник говорит ему построить спальню, и это. Затем они просят его добавить стол, и это так, и так далее-ИИ продолжает подключать предварительно созданные активы в 3D-пространство по мере необходимости и, как указано. Это патентное решение для машинного обучения спасает художников. Неуделение добавления и удаления 3D-активов в окружающую среду и позволяет им сконцентрироваться на виртуальном мире в целом. 

Выходы AI Promethean могут быть точно настроены на стиль художника и могут генерировать большую часть игрового мира, позволяя художнику полировать и настраивать свои результаты в высококачественную игровую среду. Этот процесс масштабируется, что позволяет разработчикам делать большие и большие игры. Прометеанский искусство ИИ также интегрируется в нереальный двигатель, что позволяет даже энтузиастам экспериментировать со своими возможностями. 

Прометеанский ИИ может заменить и улучшать процессуальное поколение - основной компонент игр, таких как No Man's Sky (2016). Процедурные методы включили инди-разработчик Hello Games для создания обширной игры в области исследования с ограниченными ресурсами. Тем не менее, ни один человек небо не совсем соответствовал шумиху при запуске - не имея ключевых функций, обещанных разработчиком, - и вызвали серьезную реакцию от геймеров. Если бы Hello Games имел такой инструмент, как Promethean Ai, в их распоряжение, когда они строили вселенную с 256 галактиками для изучения, они вполне могли быть готовы к запуску со всеми функциями, которые они обещали.

Динамическая внутриигровая музыка

Многочисленные компании работают за создание генераторов музыки искусственного интеллекта, которые могут менять треки на лету, в режиме реального времени, что идеально подходит для игр, поскольку внутриигровая музыка должна быть изменена в зависимости от контекста и даже плавно переходить от одного трека к другому, Служа в качестве слышимых сигналов, которые рассказывают геймеру, чего ожидать в данной обстановке.  

Activision Blizzard имеет солидный старт в этом отделе. В 2022 году компания запатентовала новую систему генерации музыки, управляемую AI, которая выходит за рамки простого рандомизации музыки или генерируя музыкальные сигналы процедурно. 

ИИ создает музыку, специфичную для каждого игрока, используя машинное обучение, обученное контекстуальным данным, таким как действия игрока, их внутриигровые шаблоны поведения, уровень их мастерства и внутриигровую ситуацию. Большинство игр используют конкретные музыкальные подсказки для различных контекстов (боевая музыка против исследований музыки в такой игре, как Witcher 3), но AI Blizzard может создавать новую музыку (или, по крайней мере, вариации на теме) для любого игрового контекста, основанного на Данные, на которые он обучен. ИИ может даже модулировать ритм, темп, объем и длина музыкальных треков, основанный на действиях игрока. 

Реалистичные анимации на основе искусственного интеллекта

Несколько компаний в игровой индустрии усердно работают над оптимизацией процесса создания бесшовных анимаций-многие игры страдают от жестких переходов, неуклюжи. 

Двигаться.ИИ - это приложение, которое позволяет захватить движение (MOCAP) в любой настройке, используя любую камеру, включая телефонные кулачки, и использует глубокое обучение для оцифровки захвата движения в анимацию. Он также интегрирован с о вселякера - разработчики в экосистеме NVIDIA избавлены, по крайней мере, некоторые из сложности в анимационных персонажах игры. 

Возможно, гипермоция Electronic Arts Intourment представляет собой наиболее надежное использование машинного обучения для создания анимации. EA, по сути, заставила 22 профессионалов играть в футбол в костюмах Mocap и FED 8.7 миллионов кадров движения захвата в алгоритм машинного обучения, который затем научился создавать анимации в режиме реального времени, что делает каждое взаимодействие на поле реалистичным. Анимации алгоритма алгоритма ML-потока позволяют игрокам ударить и управлять мячом с полной легкостью и точностью. 

Исследователи EA также работают над решением глубокого обучения для движений жидкости и переходов для особенно сложных анимаций, таких как маневры боевых искусств. Как видно, игра боевых искусств или даже игра в смертную игру в Комбате абсолютно сломается, если ее анимация будет грубой, и, следовательно, требует, чтобы аниматоры тщательно редактировали, смешивали, смешивали и были источниками движения слоя для создания бесшовных анимаций. Глубокая структура обучения предназначена для автоматизации этого ручного наслоения с использованием нейронных сетей.

Ubisoft также пытается решить проблему создания бесшовных анимаций в масштабе. Система обучения компании по сопоставлению движений использует ИИ для улучшения анимации, созданной с использованием захвата движения в качестве базы. Сопоставление движения стоит за некоторыми из лучших систем анимации, достигнутых в играх, и по сути позволяет MOCAP использовать в создании реалистичных игровых анимаций. MoCAP может быть очень подробным и реалистичным, но является необработанным, неструктурированным данных - цифровое воссоздание движения, как человек, идущий по кругу, не может быть просто подключен к системе анимации игры без ручного редактирования.

Сопоставление движения - это процесс, с помощью которого такие данные переводятся в другие движения, например, заставляют персонажа ходить вперед и назад, а не по кругу. Это делается путем подбора данных о движении и добавления различных тонких изменений вручную для интерполяции данных MOCAP с другими анимациями. 

Системы сопоставления движений, однако, могут системной памяти, а также плохо масштабировать. Ученый сопоставление движений Ubisoft использует машинное обучение не только для автоматизации соответствия движения, но и позволяет ему масштабироваться, не напрягая ресурсы памяти.

ИИ в тестировании и обеспечении качества

Генеративный ИИ является заманчивой перспективой для разработчиков, особенно учитывая снижение затрат и времени в создании качественных игровых активов. Но ИИ также может помочь в еще одном трудоемком, дорогостоящем аспекте развития игры: обеспечение качества (QA). По мере того, как игры становятся больше и больше, QA становится все более сложным. 

У студий есть два варианта тестирования ошибок или тестирования на плей -тестирование - с использованием ботов или тестеров человека (или оба в тандеме). Люди гораздо лучше определяют проблемы, но также склонны к истощению или отвлечению, потому что им необходимо играть на одних и тех же уровнях снова и снова, неоднократно проверяя на наличие эксплойтов, неожиданное поведение, случайную нестабильность и многое другое, в процессе дренажа, предназначенного для сорняков все возможное ошибку в игре. Боты, однако, никогда не будут исчерпываться или отвлекать, независимо от того, сколько раз они играют на уровне и даже масштабируют, но не могут соответствовать способности человека идентифицировать ошибки.

Тестеры QA для Fallout 76 (2018) были по существу проведены через мельницу из -за проблемного цикла разработки игры и плохого запуска. ИИ может избавить людей от неблагодарной задачи тестирования ошибок, тестирования и исправления кода баггии. 

ИИ, который учится на плей -тесте

Исследователи EA достигли многообещающих результатов с тестированием ИИ, используя методику, называемую обучением подкрепления (RL), в которой ИИ обучен с положительным подкреплением - вознаграждено за желаемое поведение и наказано за нежелательные результаты.

RL Agents Master Games, моделируя свои действия по наградам и наказаниям, которые они получают. Потерять территорию в ходе - это наказание, а набрать позиции - это путь к победе. В видеоиграх, выравнивание или убийство босса - это награда, но смерть - это наказание. Поскольку агент RL продолжает играть в игру, он быстро учится избегать наказания и искать вознаграждения. Вскоре он достигает сверхчеловеческого мастерства в игре и может начать определять ошибки и другие игровые проблемы. Тем не менее, ИИ, обученный освоить определенную игру, имеет очень узкий диапазон - он может достичь сверхчеловеческих результатов в Go или Dota, но не так много, и не может пройти другую игру, если он не пройдет через тот же процесс обучения подкреплению повсюду снова и снова. 

Исследователи из EA, по сути, использовали подкрепление, чтобы сделать AIS лучше в прохождении на тестирование, а не в игре, вытягивая два подайса друг против друга друг с другом. Один ИИ создает уровни или среды, а другой пытается «решить» эти проблемы. Решатель вознагражден за успешное выполнение задачи, задачи или уровня. ИИ, создающий среду.  

Диапазон ИИ расширяется - он обучен генерировать больше и сложные уровни, а также обучается стать более универсальным при тестировании таких уровней. По сути, этот метод позволяет разработчику проверить игру даже на этапе разработки, позволяя EA Duo создавать и тестировать карты на основе игровых активов и кода. 

Исследования EA все еще находятся в зарождающейся стадии, и это может быть за несколько лет, прежде чем он будет реализован. Но достаточно продвинутый ИИ для тестирования прохождения может позволить человеческим тестировщикам QA сосредоточиться на вопросах, которые не могут быть легко идентифицированы с помощью искусственного интеллекта. Тестеры QA Fallout 76, возможно, были избавлены от труда, если бы в их распоряжении были такие инструменты для искусственного интеллекта.

AI-предотвращающий AI Ubisoft

Ubisoft приняла другой, но одинаково новый подход к исправлению ошибок - раздавливая их еще до кодирования. Ubisost Fed своего помощника по фирменному компьютеру с учетом кода за десять лет из своей библиотеки программного обеспечения, обучая ИИ определять, где исторически были представлены ошибки, как и когда они были исправлены, а затем предсказывают время, когда кодер может написать код багги , по сути, создание «супер-аи» для своих программистов. 

Ubisoft утверждает, что фиксирование ошибок на этапе разработки может поглотить до 70% расходов. Помощник коммита не был интегрирован в конвейер кодирования, но обменивается отдельным командами, поскольку есть опасения, которые программисты могут бездействовать в искусственном интеллекте, который говорит им, что они делают свою работу неправильно. Ubisoft хочет, чтобы ИИ ускорил процесс кодирования - он хочет, чтобы его кодировщики рассматривали ИИ как полезный инструмент, а не как препятствие, и намерен быть полностью прозрачным в отношении обучения ИИ. 

Ограничение, которое может порадовать любое исправление ошибок на основе искусственного интеллекта,-это проблема отчетности об ошибках. ИИ может быть обучен наборам данных для освоения игр и даже стать опытными в выявлении ошибок. Но как бы AI сообщали об ошибках, учитывая, что одним из важнейших аспектов исправления ошибок является обращение к хорошо написанному отчету об ошибках? 

Open Ai's Catgpt может общаться с людьми, отвечать на их вопросы, а также опытный в исправлении кода. Но это еще лучше в фиксировании ошибок, когда он участвует в диалоге с естественным языком с человеком-кодером-помощника по коммитию Ubisoft вполне может быть обучен, как Chatgpt, чтобы общаться с кодировщиками для создания доверия, а игроки в пользу могут понадобиться способности диалога естественного языка, чтобы рассказать людям. о игровых ошибках или даже исправлении во время беседы с программистами, как это делает Chatgpt. 

Что ИИ подразумевает для будущего игровой индустрии

Мы обсудили различные инструменты искусственного интеллекта, которые могут помочь студиям в конвейере разработки игры. В некотором смысле, многие из этих решений предназначены для сокращения ручной работы и позволения разработчикам сосредоточиться на вещах, которые действительно считаются. 

Тем не менее, ИИ также может быть использован новыми способами, которые не имеют ничего общего с конвейером активов или развитием игры, а также могут дать возможность очень небольшим командам создавать амбициозные игры, демократизируя игровую индустрию. Но эта революция может закончиться, прежде чем она начнется, когда юридические проблемы сказываются по генераторам ИИ - и мы рассмотрим эти проблемы вкратце, прежде чем обсудить, как ИИ может изменить ландшафт игровой индустрии.

Юридический споры над генеративным ИИ

Было подано множество судебных процессов против генераторов изображений с AI. Одним из истцов является не кто иной, как Getty Images, бегемот, которому принадлежит одна из крупнейших в мире репозиториев изображений, векторной графики, видео и других средств массовой информации, и преимущественно предоставляет стоковые фотографии для корпораций и новостных СМИ. 

Иск Getty утверждает, что AI Stability AI, создатель стабильной диффузии, скопировал более 12 миллионов изображений из своей библиотеки без «разрешения или компенсации», в рамках усилий по «созданию конкурирующего бизнеса». Как мы уже говорили, генеративные инструменты искусственного интеллекта обучаются обширным наборам данных. Но если такие данные защищены авторским правом и товарным знаком, то, возможно, им нужно оплатить - независимо от того, должно ли изображение заполнить газетную колонку или корпоративную брошюру, или набор учебных данных ИИ. 

Этот иск, и другой, поданный тремя артистами, угрожает продолжению существования стабильной диффузии или миджурни, если только суды не правили, что предоставление искусственного интеллекту Для создания оригинального контента. 

Можно утверждать, что такие судебные процессы уже нанесли достаточно ущерба. Судебные разбирательства занимают годы, и игровые студии, кинематографисты и другие медиа -дома, которые могут использовать такие инструменты для искусственного интеллекта, будут опасаться интеграции в трубопровод, пока не будет разрешено легальное клубок. Тем не менее, AIS, такие как ассистент Ubisoft по коммитию и гипермоцию EA, возможно, невосприимчивы к судебным разбирательствам, поскольку данные обучения также генерируются на месте-юридические проблемы по сравнению с авторскими правами можно обходить путем поиска данных, используя правильные средства.

Инновации в области ИИ в играх

Еще в 2018 году Activision использовала машинное обучение, чтобы заставить игроков улучшить свои игровые навыки. Инструмент Activision был интегрирован в Alexa и помог обучить геймеров лучше играть в Call of Duty: Black Ops 4 (2018). Инструмент больше не доступен, но он все еще был интересным экспериментом по использованию машинного обучения и человеческого интерлокутера, такого как Alexa, чтобы провести геймеров через игровой сессию.

Несмотря на то, что эксперимент Activision был недолговечным, решение Ludo по ухудшению игровой индустрии вполне может стать неотъемлемой частью инструментария игрового производителя. Как мы упоминали выше, Ludo помогает разработчикам подходить и разрабатывать 2D -активы с его генератором изображений. У него также есть инструмент анализа рынка, который может помочь Studios получить хорошее представление о том, как может работать их игра. 

Разработчик может накормить инструмент на основе искусственного интеллекта с предложенной концепцией игры, и Ludo вычистит свою обширную базу данных, чтобы определить, была ли идея рассмотрено раньше. Это важно для разработчиков мобильных игр, которые работают в области, где игры борются за то, чтобы подняться на вершину. Людо также может идентифицировать жанры трендов и лучшие диаграммы, чтобы помочь разработчикам моделировать свою игру на идеях и названиях, которые работают хорошо. С момента запуска в 2021 году у Людо более 8000 разработчиков используют его.