Kunstig Intelligens påvirkning på Spiludvikling

I fremtiden vil spiludvikling muligvis i højere grad formes af kunstig intelligens (AI). I et literature review er jeg dykket ned i AI's rolle i spilbranchen, hvor teknologier og værktøjer konstant udvider mulighederne for både udvikling og oplevelsen af spil.

I dette indlæg gennemgår jeg tre af de forskningsartikler der skiller sig mest ud. De tre artikler har hver deres nøgleområde, som også er de områder der er i fokus i literature reviewet.

De tre nøgleområder er:

1.     Forbedring af non-player-character's (NPC'er) adfærd gennem AI, som gør dem mere komplekse og realistiske.

2.     Brugen af AI's til generering af indhold, hvilket muliggør automatisk skabelse af levels, quests og spil-objekter.

3.     AI's indflydelse på spilgrafikken, både som forbedringer af det visuelle og som optimering af renderingen af komplekse scener.

De følgende artikler viser hvordan AI kan være med til at forbedre spiloplevelsen og skabe nye muligheder i spiludviklingen.

I takt med at AI fortsætter med at udvikle sig, er der en stigende interesse for at skabe værktøjer, processer og teknikker, der gør det muligt for NPC'er at være mere end blot scriptede robotter med forudbestemte reaktioner og adfærd.

Emergent Tool Use From Multi-Agent Autocurricula (Bowen Baker et al., 2020)

Denne artikel bidrager med udforskning af multi-agent konkurrence. I studiet brugte forskerne et grundlæggende gemmeleg-setup med AI-agenter som deres miljø, og igennem utallige iterationer blev agenterne ikke kun dygtigere, men viste også en overraskende intuition til at anvende værktøjer og udvikle taktikker, som ikke var fastlagt fra starten. I de fleste spil følger NPC'er et fast script, der overholder forudbestemte stier, men denne forskning antyder imidlertid en nær fremtid, hvor NPC'er, drevet af grundlæggende mål, former deres egen vej og kan tilpasse sig til en skiftende spilverden og spillerens reaktioner.

Måske den mest interessante del af denne artikel er brugen af værktøjer som opstår blandt agenterne. Dette handler ikke kun om at bruge et værktøj til dets tilsigtede formål, men om at anvende værktøjer på måder, der ikke oprindeligt var tiltænkt, for at nå deres mål. Oversat til en spilkontekst kunne dette betyde NPC'er, der adaptivt bruger spilværktøjer eller -elementer, på måder som selv spildesignerne ikke havde forudset. En sådan tilpasningsevne kan forbedre dybden af spillet, udfordre spillere på uforudsete måder og gøre spillet værd at spille igen, da NPC'er kontinuerligt tilpasser sig og overrasker spillerne.

GET3D: A Generative Model of High Quality 3D Textured Shapes Learned from Images (Jun Gao et al., 2022)

I takt med at spil bliver mere komplekse, opstår der et behov for store mængder of forskelligartede 3D-modeller. Denne artikel forsøger at bidrage med 3D-generative modeller, der producerer teksturerede mesh-modeller, som kan bruges direkte af 3D programmer. Artiklen introducerer et værktøj (GET3D), der kan skabe detaljerede og teksturerede 3D-modeller, som biler eller dyr, ved kun at bruge simple 2D-billeder til sin træning. GET3D konverterer derefter disse 3D-modeller tilbage til 2D-billeder for at blive brugt i træningen af sig selv. Denne metode forbedrer markant både kvaliteten og variationen af de 3D-modeller, den kan producere.

Værktøjet kan også justeres til at generere modelens overfladestruktur og lys-effekter, og det kan endda styres af tekstbeskrivelser som "brændt bil" eller "blødt dyr" for at producere specifikke typer af 3D-modeller. GET3D demonstrerer overlegen præstation, både i forhold til kvalitet og diversitet af de genererede 3D-former sammenlignet med eksisterende modeller. Det kan håndtere billeder med en opløsning op til 1024x1024. Dog har det begrænsninger, da det f.eks. kræver 2D-silhuetter og kendt kameraposition til sin træning, hvilket i øjeblikket begrænser dets brug til computergenererede data.

Variable Bitrate Neural Fields (Towaki Takikawa et al., 2022)

Eftersom efterspørgslen på mere realistiske og visuelt flotte spil stiger, fortsætter balancen mellem grafik og ydeevne med at være en udfordring. Dette er endnu et område, hvor AI-teknikker kan være nyttige. Ved at forbedre billedkvaliteten og øge opløsningen i realtid, kan disse metoder tillade høj grafisk kvalitet og jævn gameplay, uden at kræve en urealistisk høj mængde af ressourcer.

En tilgang til at forbedre præstationen i spil, er at komprimere data eller reducere detaljeniveauet af objekter. Forskningen i denne artikel introducerer en måde at komprimere 3D-objekter som scener eller objekter, på en måde der beholder en høj visuel kvalitet, samtidig med at de reducerer mængden af data, der er nødvendig for lagring. Dette gør det lettere at streame 3D-indhold i f.eks. spil, da mindre data skal sendes over netværket. Derudover tillader metoden varierende niveauer af detaljegrader, hvilket betyder, at det samme objekt kan gengives med mere eller mindre detalje efter behov, som yderligere optimerer ydeevnen.

Artiklen anvender en metode, de kalder Vector-Quantized Auto-Decoder (VQ-AD), som er en dekoder, der erstatter ”feature”-vektorer med simplere indekser, der peger på en lært "codebook". Denne codebook er en samling af pre-definerede ”feature”-vektorer, der fungerer som reference for de komprimerede data. Så i stedet for at gemme de originale vektorer, kan de gemme indekserne i stedet. Ved hjælp af et neuralt netværk trænes deres codebook og indekserne sammen. Artiklen nævner hukommelse og beregningsomkostninger, under træningen, som en betydelig begrænsning af denne metode. En anden begrænsning er, at metoden introducerer nogle synlige højfrekvente artefakter, når den komprimerer visse typer data.

Opsummering

Forskningen i disse artikler giver indsigt i de teoretiske muligheder inden for anvendelsen af AI i spiludvikling. Det er dog vigtigt at fortsætte forskningen med fokus på også at validere disse teknikker og værktøjer i virkelige spilscenarier, så man kan tage højde for både udvikleres og spilleres perspektiver og erfaringer.

Disse studier peger samlet mod en fremtid, hvor AI ikke kun forbedrer måden, spil spilles på, men også hvordan de prototypes og udvikles. Der er dog muligvis et behov for yderligere forskning for at forstå både de etiske implikationer og de praktiske udfordringer, som disse fremskridt medfører for spiludviklere.

Som det bliver mere almindeligt at bruge disse AI værktøjer, opstår der et behov for at udforske, hvordan udviklere effektivt kan kontrollere eller guide dem for at sikre at at resultatet passer med den oplevelse udvikleren ønsker at spillet skal give. Derudover er der potentiel et hul i forskningen og evalueringen fra brugernes perspektiv og i forhold til, hvordan de oplever det automatisk genererede indhold. Hvordan opfatter og interagerer spillere med en AI-drevet verden? I takt med at AI bliver mere og mere almindelig i mange forskellige aspekter af spil, kunne dette blive det næste område der bør forskes i.

Det fulde literature review kan findes på eaviden - erhvervsakademiernes forskningsportal.