هوش مصنوعی بازی
فهرست مطالب
آخرین به روزرسانی در 05/02/2024
در این مقاله قصد داریم در رابطه با هوش مصنوعی درون بازی صحبت کنیم.
قطعا بازی هایی را دیده اید که در سبک های مختلف از اکشن تا معمایی کارکترهایی را در کنار شما در نقش دوست یا دشمن قرار می دهند.
ما قبلا در مقاله ای به نام npc ها در بازی ، توضیحات لازم را برای این کارکترها داده ایم.
اما سوال اینجاست که این کارکترها چگونه کنترل می شوند ، چگونه واکنش نشان میدهند ، چگونه با شما ارتباط برقرار می کنند ؟
هوش مصنوعی به غیر از NPC ها در چه بخش های دیگری از بازی نقش دارند ؟
برای پاسخ به تمامی این سوالات تا پایان این مقاله با ما همراه باشید.
هوش مصنوعی چیست ؟
در مقالات قبلی در رابطه با مفهوم هوش مصنوعی و نقش آن در زندگی روز مره صحبت شده است.
هوش مصنوعی یعنی کنترل یک سری عملکردها یا کارکترهای فیزیکی یا مجازی با استفاده از یک ذهن ساخته شده توسط انسان.
این تعریفی بود که به ساده ترین شکل ممکن می توان برای هوش مصنوعی بیان کرد.
اما ما در این مقاله قصد پرداختن به هوش مصنوعی درون بازی و پروسه ی ساخت آن را داریم که با پیشرفت روز افزون تکنولوژی و قابلیت های AI امروزه از هوش مصنوعی بازی ها توقعی بسیار بالا نسبت به گذشته می رود.
به عنوان مثال بازی Watch Dogs: Legion برای هر شهروند لندنی که با آنها ارتباط برقرار می کنید، داستان های زندگی، روابط و برنامه های روزمره ایجاد می کند.
این بازی ماجراجویی با AI Dungeon از مدلساز زبان طبیعی OpenAI GPT-3 برای ایجاد دنیا و خاطرات بازی استفاده می کند.
هوش مصنوعی در دنیای بازی
چالشی که در هوش مصنوعی بازی وجود دارد این است که چگونه ابزارهایی بسازیم که به بازیکنان اجازه می دهد سیستم های هوش مصنوعی سرگرم کننده یا عوامل هوش مصنوعی بسازند تا دیگران با آنها بازی کنند؟
همانطور که توسعه دهندگان شروع به درک و بهره برداری از قدرت محاسباتی بیشتر کنسول های فعلی و رایانه های شخصی پیشرفته می کنند، پیچیدگی سیستم های هوش مصنوعی به موازات افزایش می یابد.
توسعهدهندگان عناصری مانند پردازش زبان طبیعی، مدلسازی بازیکن و یادگیری ماشین را برای توسعه شخصیتهای هوش مصنوعی تخیلی و واکنشپذیر، که توسط شرکتهای میانافزار هوش مصنوعی نوظهور مانند Spirit AI و Sonantic تسهیل میشود ، بررسی خواهند کرد.
دنیاها شروع به گفتن داستان های خود خواهند کرد تا داستان هایی که توسط طراحان و نویسندگان بازی نوشته شده است را تقویت کنند.
اما این چالش همچنان به میان است که آن تیم ها باید به این فکر کنند که چه کسی آن الگوریتم ها را کدگذاری می کند و هدف چیست.
جولیان توگلیوس، دانشیار دپارتمان علوم و مهندسی کامپیوتر دانشگاه نیویورک که در هوش مصنوعی و بازی های ویدیویی تخصص دارد ، توضیح می دهد : «دو جزء اصلی هوش مصنوعی بازی های تجاری، ماشین های مسیریابی و حالت محدود هستند.
مسیر یاب نحوه رسیدن از نقطه A به نقطه B به روشی ساده است و همیشه در همه بازی ها از آن استفاده می شود.
ماشین حالت محدود ساختاری است که در آن یک [شخصیت غیرقابل بازی] می تواند در حالات مختلف باشد و بین آنها حرکت کند.
شکل های مختلف هوش مصنوعی بازی
تفاوت فاحشی بین نوع هوش مصنوعی که ممکن است در یک بازی ویدیویی تجاری با آن تعامل داشته باشید و نوع هوش مصنوعی که برای انجام یک بازی در سطوح تخیلی طراحی شده است وجود دارد.
به عنوان مثال، ابتدایی ترین برنامه شطرنج بازی می تواند به راحتی انسان را در سطح کلاسیک شکست دهد، همانطور که سیستم DeepBlue IBM در سال 1997 بر استاد بزرگ روسی گری کاسپاروف برتری پیروز شد.
و این نوع تحقیقات هوش مصنوعی در سال های اخیر سرعت بیشتری گرفته است.
در آزمایشگاه متعلق به گوگل، DeepMind، بخش تحقیقات هوش مصنوعی فیس بوک و سایر تجهیزات هوش مصنوعی در سراسر جهان، محققان سخت در حال توسعه نرم افزارهایی هستند که چگونه بازی های ویدیویی پیچیده تر را انجام داده و بیشتر غیر قابل پیش بینی باشند.
این توسعه شامل حال تمامی دسته بندی بازی های ویدویی است، از بازی رومیزی Chinese Go تا بازیهای کلاسیک آتاری گرفته تا عناوین پیشرفتهای مانند Valve’s Dota 2 و …
پیچدگی بیش از حد هوش مصنوعی در بازی ها
شاید برای شما سوال باشد که چرا از نهایت تکنولوژی و توسعه ای که در هوش مصنوعی تا به الان کشف شده است در بازی های ودیویی استفاده نمی شود؟
حتی جدیدترین عناوین پرهزینه که از پیچیدهترین ابزارها و فناوریهای طراحی استفاده میکنند، از برخی از هوش مصنوعی های پیشرفته استفاده نمیکنند.
به این دلیل که هوش مصنوعی شبیه سازی و خودآموز اکثر بازیها را غیرقابل انجام میکند ، یا به این دلیل که عمل بازی بسیار غیرقابل پیشبینی است یا به این دلیل که هوش مصنوعی به گونهای رفتار میکند که میتواند داستانی را روایت کند که کل سناریوی بازی را تغییر می دهد و کاربر را وارد دنیای دیگری می کند.
توسعه دهندگان بازی تمایل دارند انواع اقداماتی را که می توانیم پیش بینی کنیم، در بازی اولویت بندی کنند.
تانیا شورت، طراح بازی و یکی از بنیانگذاران استودیوی مستقل کیت فاکس گیمز، توضیح میدهد که اگرچه زمانی که هوش مصنوعی کارهای غیرقابل پیشبینی انجام میدهد بسیار جالب است، اما لزوماً برای بازیکنان سرگرمکننده نیست.
بنابراین، تا زمانی که بازی بر اساس غیرقابل پیشبینی بودن شخصیتهای npc ساخته شده باشد، اگر هوش مصنوعی به خودی خود اجازه اجرا داشته باشد، لزوماً عملکرد خوبی را ایفا نمیکند.
در بازیهای ویدیویی هدف ایجاد یک موجودیت بینظیر برای مبارزه با بازیکنان نیست، بلکه در عوض هدف به منظور به حداکثر رساندن مشارکت و لذت بازیکن در دوره زمانی طولانی است.
درواقع پیشنهاد می شود اگر شما قصد دارید هوش مصنوعی پیچیده ای را برای یک بازی سفارش دهید که در نهایت نیز مشخص نشود چه عملکردی را نشان می دهد بهتر است ، همان هوش مصنوعی را با سطح پایین تر و کنترلر محدود تری طراحی کنید ، اما این طراحی به گونه ای باشد که بتواند کاربر را فریب دهد.
به طور کلی این مفهوم به این شکل بیان می شود که هوش مصنوعی باید با کنترلرهای محدود و تنها در جهت گیم پلی و رو در رویی مناسبی با کاربر طراحی شود که حتی اگر این رو در رویی بیش از حد پیچیده شود؛ باز با مشکل شکست خوردن دائمی کاربر روبه رو هستیم.
بهترین استفاده از هوش مصنوعی
بهترین هوش مصنوعی بازی ، هوش مصنوعی است که شما متوجه آن نمی شوید.
این هوش مصنوعی است که در زمان های خاص به طرز فوق العاده ای دقیق به نظر می رسد یا به طرز عجیبی هوشمند است.
توجه داشته باشید که یک هوش مصنوعی بیش از حد نیز نباید هوشمند باشد ، زیرا در این صورت نیز متوجه خواهید شد که قطعاً یک هوش مصنوعی است.
یکی از بهترین مثال ها برای هوش مصنوعی های پیشرو در صنعت بازی سازی Halo و F.E.A.R می باشد.
به عنوان بازی هایی که به پیشگام این مفهوم استفاده از هوش مصنوعی سبک وزن کمک کردند.
یکی از خلاقانه ترین تاکتیک های این بازی این بود که در زمان پرتاب نارجنک دشمنان شما با فریاد از پرتاب شدن نارنجک به یکدیگر اطلاع می دادند و این تنها چند فایل صوتی مختلف بود که با فشردن دکمه ی پرتاب نارنجک به صورت رندوم پخش می شد؛
اما همه تصور می کردند این یک هوش مصنوعی فوق العاده است.
امروزه، طراحی بازی های مدرن حول محور استفاده از هوش مصنوعی توسعه یافته نمیچرخد ، بلکه سیستمهای پیچیدهای را ایجاد میکند که هنگام برخورد آن سیستمها پیامدهای غیرمنتظرهای ایجاد میکند، یا چیزی که طراحان آن را گیمپلی نوظهور مینامند.
به عنوان مثال، بازی وسترن فوق واقع گرایانه راک استار Red Dead Redemption 2 را در نظر بگیرید که به بازیکنان اجازه می دهد با شخصیت های npc به روش های پیچیده و بی شماری تعامل داشته باشند.
که بسته به همه چیز، از کلاهی که بر سر می گذارید تا اینکه آیا لباس های شما خونی دارد یا نه، واکنش های متفاوتی را برمی انگیزد.
در این بازی راک استار از یک هوش مصنوعی جهان ساز اختصاصی خود استفاده کرده است اما نکته ای که مهم تر از هوش مصنوعی می باشد که راک استار در این دنیا برای هر رویکرد و هر عملی یک عکس العملی طراحی کرده است و همه چیز به دست هوش مصنوعی اجرا نمی شود.
هوش مصنوعی و پروسه ی ساخت بازی ها
کوک میگوید : آنچه اکنون میبینیم جنبه فناوری هوش مصنوعی است که به توسعهدهندگان تواناییهای جدید و چیزهای جدیدی میدهد که واقعاً میتوانند در بازیهای خود به کار ببرند، که بسیار هیجانانگیز است.
به عنوان بخشی از تحقیقات خود، کوک در حال ساخت سیستمی است که آنجلینا نامیده میشود.
که بازیها را کاملاً از ابتدا طراحی میکند، حتی برخی از آنها را به صورت رایگان در بازار بازیهای مستقل Itch.io در دسترس قرار داده است.
کوک آیندهای را میبیند که در آن هوش مصنوعی به نوعی همکار انسانها میشود.
و به طراحان و توسعهدهندگان کمک میکند تا داراییهای هنری، سطوح طراحی و حتی ساخت کل بازیها را از پایه انجام دهند.
او میگوید: من فکر میکنم ابزارهایی را خواهید دید که به شما اجازه میدهند بنشینید و تقریباً بدون فکر کردن، یک بازی بسازید.
و در حین کار، سیستم چیزهایی را به شما توصیه می کند. این مهم نیست که شما یک طراح بازی خبره باشید یا یک تازه کار.
قوانینی را پیشنهاد می کند که می توانید تغییر دهید یا سطوحی را که می توانید طراحی کنید.
کوک میگوید : چیزی که در آینده ی هوش مصنوعی بازی به طور خاص شاهد آن خواهیم بود،
بازیهایی است که سیستمهای قوانین آنها قابل تغییر هستند و هر بار که آنها را بازی میکنید قوانین بازی یکسان نیستند.
آنها حتی بین شما و کامپیوتر دوستتان یکسان نیستند.
هوش مصنوعی و الگوریتم ها
به عنوان مثال یکی از رایج ترین الگوریتم های هوش مصنوعی FSM می باشد.
در FSM، توسعه دهندگانی که بازی را ایجاد می کنند، به هر موقعیتی اقدام خاصی اختصاص می دهند.
استفاده از الگوریتم FSM در هر بازی امکان پذیر نیست.
برای مثال تصور کنید از FSM در یک بازی استراتژیک استفاده کنید.
اگر یک ربات از قبل برنامه ریزی شده بود تا هر بار یکسان پاسخ دهد، بازیکن به سرعت یاد می گرفت که چگونه از کامپیوترپیشی بگیرد.
این یک تجربه بازی تکراری ایجاد می کند که همانطور که انتظار دارید برای بازیکن لذت بخش نخواهد بود.
الگوریتم درخت جستجوی مونت کارلو (MCST) برای جلوگیری از جنبه تکرارپذیری FSM ایجاد شد.
روش کار MCST بدین صورت است که ابتدا تمام حرکات ممکنی را که یک ربات در حال حاضر در دسترس خود دارد، تجسم می کند.
سپس، برای هر یک از آن حرکات ممکن، تمام حرکاتی را که یک بازیکن میتواند به آنها پاسخ دهد، تجزیه و تحلیل میکند.
سپس تمام حرکات پاسخ دهی احتمالی را که میتواند در پاسخ انجام دهد و … را در نظر میگیرد.
شما می توانید تصور کنید که چقدر سریع این درخت بزرگ می شود.
در اینجا نمودار خوبی برای تجسم نحوه عملکرد MCST وجود دارد:
شکل بالا فرآیندی را نشان می دهد که کامپیوتری که از MCST استفاده می کند قبل از حرکت علیه یک جزء انسانی طی می کند.
ابتدا به همه گزینههایی که دارد نگاه میکند، در مثال بالا این گزینهها برای دفاع، ساخت فناوری یا حمله هستند.
سپس درختی را می سازد که احتمال موفقیت را برای هر حرکت بالقوه پس از آن پیش بینی می کند.
در بالا میتوانیم ببینیم که گزینهای که بیشترین احتمال موفقیت را دارد «attack» است (زیرا قرمز تیره با احتمال بیشتری برای پاداش برابر است)، بنابراین رایانه حمله را انتخاب میکند.
هنگامی که بازیکن حرکت بعدی خود را انجام می دهد، کامپیوتر فرآیند درخت سازی را دوباره تکرار می کند.
یک بازی مانند Civilization را تصور کنید که در آن تعداد زیادی از انتخاب های کامپیوتری وجود دارد.
اگر بخواهد یک درخت دقیق برای هر انتخاب ممکن و هر سناریوی ممکن برای کل بازی بسازد، زمان بسیار زیادی طول می کشد.
بنابراین، برای جلوگیری از این محاسبات بزرگ، الگوریتم MCST به طور تصادفی تعدادی از گزینههای ممکن را انتخاب میکند و درختها را فقط برای موارد انتخاب شده ایجاد میکند.
به این ترتیب، محاسبه بسیار سریعتر است و رایانه می تواند تجزیه و تحلیل کند که کدام گزینه انتخابی بالاترین احتمال پاداش را دارد.
شکل های مختلف هوش مصنوعی که در بازی استفاده می شود
Deterministic
عملکرد یا رفتار قطعی از پیش تعیین شده و قابل پیش بینی است.
هیچ ابهامی در انجام عملیات وجود ندارد.
یک الگوریتم basic chasing نمونه ای از این نوع است.
با پیشروی در امتداد محورهای مختصات x و y تا زمانی که مختصات x و y شخصیت با مکان مورد نظر مطابقت داشته باشد، میتوانید کد یک شخصیت NPC را برای پیشروی به سمت یک نقطه هدف مشخص کنید.
Nondeterministic
همتای عملکرد قطعی، قائدتا عملکرد غیر قطعی و غیر قابل پیش بینی است.
(لازم به ذکر است درجه عدم قطعیت بستگی به روش هوش مصنوعی بکار گرفته شده و میزان درک آن روش دارد).
یک شخصیت NPC که یاد می گیرد خود را با تکنیک های نبرد بازیکن تطبیق دهد، نمونه ای از رفتار غیر قطعی است.
یک شبکه عصبی یا یک الگوریتم genetic می تواند در این نوع یادگیری استفاده شود.
پروسه ی یادگیری و غیر قابل پیش بینی بودن با رویکردهای غیر قطعی آسان تر می شوند.
علاوه بر این، توسعه دهندگان نیازی به کدنویسی همه رفتارها به صراحت در مقابل همه نمونه های ممکن ندارند.
رویکردهای غیر قطعی همچنین می توانند به تنهایی یاد بگیرند و تعمیم دهند، و همچنین رفتارهای اضطراری را که بدون دستورالعمل های صریح رخ می دهد، پرورش دهند.
هوش مصنوعی غیر قطعی شامل رویکردهایی برای یادگیری و واکنش به رفتار کاربر بازی است.
هوش مصنوعی غیر قطعی در تعدادی از بازیهای محبوب از جمله :
Creatures، Black & White، Battlecruiser 3000AD، Dirt Track Racing، Fields of Battle و Heavy Gear استفاده شد.
Cheating
Cheating گسترده ترین روش استفاده از هوش مصنوعی در بازی ها بوده است.
به عنوان مثال، در یک بازی شبیهسازی جنگ، تیم هوش مصنوعی میتواند به تمام اطلاعات مربوط به مکان پایگاه مخالفان انسانی خود دسترسی داشته باشد.
انواع، تعداد و محل قرارگیری واحدها و …
این نوع به اصطلاح تقلب (Cheating ) مکرر است و به هوش مصنوعی کمک می کند تا در برابر گیمرهای انسان هوشمندی برتری پیدا کند.
Cheating نامتعادل همچنین می تواند به حریفان رایانه ای مزیت ناعادلانه ای بدهد و شکست دادن آنها را برای بازیکن غیرممکن می کند.
اگر بازیکن ببیند تلاش هایش بیهوده است، احتمالاً از بازی زده می شود.
روش Cheating باید متعادل باشد تا به اندازه کافی چالش برای بازیکن ایجاد شود تا بازی جذاب و لذت بخش شود.
FSM
FSM نوعی ماشین انتزاعی است که می تواند در یکی از چندین حالت مشخص وجود داشته باشد.
یک FSM علاوه بر این می تواند مجموعه ای از معیارها را برای زمان تغییر وضعیت مشخص کند.
رفتار ماشین حالت با وضعیت فعلی آن تعیین می شود.
ماشین های FSM از ابتدا در بازی های رایانه ای استفاده می شدند.
برای مثال، ارواح در Pac Man، ماشینهای حالت محدود (FSM ) هستند.
آنها آزادی کامل برای کاوش و تعقیب بازیکن را دارند.
آنها در هر بخش متفاوت عمل می کنند و انتقال آنها توسط فعالیت های بازیکن دیکته می شود.
برای مثال، اگر بازیکن یک قدرتی دریافت کند، وضعیت ارواح ممکن است از تعقیب به حالت تدافعی تغییر کند.
می توان آن را به وضوح از طریق مدل مارکوف توضیح داد.
فرآیند پاداش مارکوف (MRP) یک مدل مارکوف است که در آن انتقال ممکن است یک پاداش یا هزینه مرتبط داشته باشد.
به طور خاص، MRP یک تاپل است (S، P، R، γ) که در آن S مجموعه ای از حالات است، [P: S × S → 0، 1] تابع انتقال است، R: S × S → R یک پاداش است.
تابع مرتبط با هر انتقال و [ γ ∈ 0,1 ] یک عامل تخفیف است.
Chasing and Evading
در این الگوریتم دو عنصر برای تعقیب و گریز وجود دارد.
مرحله اول شامل تصمیم گیری در مورد تعقیب یا فرار است.
مرحله دوم انجام تعقیب و گریز یا فرار است که مستلزم بردن شکارچی به سمت طعمه یا دور شدن شکار تا حد امکان از شکارچی بدون اسیر شدن است.
به طرق خاصی می توان گفت که معضل تعقیب و گریز دارای یک جزء سوم است : اجتناب از مانع.
اجتناب از موانع در حین تعقیب یا فرار به پیچیدگی الگوریتم ها می افزاید و توسعه آنها را دشوارتر می کند.
Pattern Movement
حرکت الگوی ساده را می توان برای ایجاد یک رفتار هوشمندانه استفاده کرد.
اساساً، ارقام کنترل شده توسط رایانه به روشی از پیش تعیین شده حرکت می کنند که این تصور را ایجاد می کند که آنها اقدامات پیچیده و برنامه ریزی شده ای را انجام می دهند.
حرکت الگو اغلب با گرفتن الگوی مورد نیاز و رمزگذاری داده های کنترلی در یک آرایه یا مجموعه ای از آرایه ها اجرا می شود.
دادههای کنترلی از دستورالعملهای حرکتی خاصی مانند پیشروی به جلو و چرخش تشکیل شدهاند که شی یا کاراکتر کنترلشده توسط کامپیوتر را مجبور میکند به شیوهای مناسب حرکت کند.
می توانید از این الگوریتم ها برای ایجاد یک دایره، مربع، زیگزاگ، منحنی یا هر طرح دیگری که می تواند در مجموعه کوتاهی از دستورالعمل های حرکتی رمزگذاری شود، استفاده کنید.
Breadcrumb pathfinding
از آنجایی که بازیکن به طور ناخواسته مسیری را برای شخصیت تحت کنترل رایانه ایجاد می کند، Breadcrumb pathfinding می تواند شخصیت های کنترل شده توسط رایانه را بسیار پیچیده جلوه دهد.
هر بار که بازیکن قدمی برمی دارد، یک علامت نامرئی یا Breadcrumb در دنیای بازی باقی می ماند.
هنگامی که یک شخصیت بازی با یک Breadcrumb در تعامل است، Breadcrumb فقط دنباله را دنبال می کند.
تا زمانی که بازیکن به دستش برسد، شخصیت بازی ردپای بازیکن را دنبال می کند.
پیچیدگی مسیر و تعداد موانع در مسیر بی اهمیت است. از آنجا که بازیکن قبلاً مسیر را ایجاد کرده است، هیچ محاسبات پیچیده ای لازم نیست.
Pathfinding یک روش فشرده CPU و زمان بر است.
پیشمحاسبه مسیرها در صورت امکان یکی از روشهای کاهش این مشکل است.
مسیریابی نقطهای این چالش را با ایجاد دقیق گرهها در محیط بازی و سپس حرکت بین آنها با استفاده از مسیرهای از پیش محاسبهشده یا روشهای مسیریابی کمهزینه حل میکند.
یکی از اساسی ترین مشکلات هوش مصنوعی بازی، مسیریابی است.
مسیریابی ضعیف می تواند شخصیت های بازی را روباتیک و بی مغز جلوه دهد.
هیچ چیز سریعتر از یک شخصیت بازی که قادر به غلبه بر مجموعه ساده ای از موانع نباشد، غوطه ور شدن بازی را خراب نمی کند.
مسیریابی موضوعی دشوار برای حل است، اما ممکن است یک بازی را برای کاربر سرگرم کننده تر و همه جانبه تر کند
الگوریتم A*
خوشبختانه الگوریتم A* یک راه حل مناسب برای مشکل مسیریابی است.
الگوریتم A* بدون شک یکی از پرکاربردترین روش مسیریابی در بازی های امروزی است.
روش A* جالب است زیرا تضمین می کند که مسیر بهینه بین هر نقطه شروع و هر نقطه پایان را شناسایی کند، مشروط بر اینکه چنین مسیری وجود داشته باشد. همچنین یک الگوریتم نسبتاً کارآمد است که به جذابیت بازی کمک می کند.
در واقع، شما باید در صورت امکان از آن استفاده کنید، مگر اینکه با یک موقعیت منحصر به فرد سر و کار داشته باشید.
مراحل :
- تعریف منطقه جستجو
- شروع جستجو
- امتیاز دهی
- یافتن یک بن بست
- هزینه زمین
در ابتدایی ترین نسخه خود، الگوریتم معمولی A* به سادگی هزینه مسیر را بر اساس مسافت طی شده محاسبه می کند.
تصور می شود که یک مسیر طولانی تر گران تر و در نتیجه کمتر مطلوب است.
یک الگوریتم مسیریابی خوب اغلب به عنوان الگوریتمی در نظر گرفته می شود که کوتاه ترین مسیر ممکن را کشف می کند.
کاربردهای هوش مصنوعی بازی
Image enhancement
توسعه دهندگان هوش مصنوعی تلاش می کنند از یک سیستم یادگیری عمیق استفاده کنند که گرافیک رندر سه بعدی را به تصاویر واقعی تری تبدیل می کند.
چنین سیستمی روی Grand Theft Auto 5 آزمایش شده است.
شبکه عصبی توسعه یافته قادر است مناظر لس آنجلس و جنوب کالیفرنیا را با جزئیات کامل بازسازی کند.
پیشرفته ترین الگوریتم های تقویت تصویر هوش مصنوعی می توانند تصاویر سه بعدی مصنوعی با کیفیت بالا را به تصاویر واقعی تبدیل کنند.
یکی از کاربردهای بهبود تصویر در بازی های ویدیویی، بهبود گرافیک بازی های کلاسیک است.
ایده اصلی پشت الگوریتم های ارائه شده برای این کار، گرفتن یک تصویر با وضوح پایین و تبدیل آن به نسخه ای است.
که به نظر می رسد اما پیکسل های بیشتری دارد. به این فرآیند “افزایش مقیاس هوش مصنوعی” می گویند.
Game level generation
تولید مراحل بازی به عنوان تولید محتوای رویه ای (PCG) نیز شناخته می شود.
اینها نام مجموعهای از روشها هستند که از الگوریتمهای هوش مصنوعی پیشرفته برای تولید محیطهای بزرگ جهان باز، سطوح جدید بازی و بسیاری از داراییهای بازی دیگر استفاده میکنند.
این یکی از امیدوارکننده ترین کاربردهای هوش مصنوعی در طراحی بازی است.
بازی های جهان باز شامل برخی از محبوب ترین بازی ها تا به امروز هستند.
این بازی ها به بازیکنان اجازه می دهد تا مناظر وسیع را کشف کنند.
ساخت چنین بازی هایی از نظر طراحی و توسعه بسیار زمان بر است.
اما الگوریتم های هوش مصنوعی می توانند مناظر جدیدی را در رابطه با وضعیت بازی بسازند و بهینه کنند.
به عنوان مثال، No Man’s Sky یک بازی مبتنی بر هوش مصنوعی با تعداد بی نهایت سطح جدید است که در حین بازی ایجاد می شود.
(برای آشنایی با بهترین بازی های جهان بازی کلیک کنید.)
Scenarios and stories
هوش مصنوعی برای تولید داستان ها و سناریوها نیز استفاده می شود.
بیشتر اوقات، هوش مصنوعی برای ایجاد یک روایت تعاملی استفاده می شود.
در این نوع بازی، کاربران از طریق عملکردها، یک خط داستانی دراماتیک ایجاد می کنند یا بر آن تأثیر می گذارند.
برنامههای هوش مصنوعی از تحلیل متن استفاده میکنند و سناریوهایی را بر اساس داستانهایی که قبلاً آموختهاند تولید میکنند.
AI Dungeon 2 یکی از معروف ترین نمونه های این برنامه ها است.
این بازی از پیشرفته ترین سیستم تولید متن متن باز استفاده می کند که توسط OpenAI ساخته شده و بر روی کتاب های Choose Your Own Adventure آموزش دیده است.
Balancing in-game complexity
مزیت اصلی الگوریتم های هوش مصنوعی توانایی آنها در مدل سازی سیستم های پیچیده است.
توسعه دهندگان بازی به طور مداوم در تلاش برای ایجاد بازی های همه جانبه تر و واقعی تر هستند.
با این حال، مدل سازی دنیای واقعی پیچیده است.
الگوریتمهای هوش مصنوعی میتوانند اثرات آتی اقدامات گیمر را پیشبینی کنند و حتی چیزهایی مانند آب وهوا و احساسات را برای متعادل کردن پیچیدگی درون بازی مدلسازی کنند.
یک مثال واقعی از این اپلیکیشن حالت تیمی بازی فیفا است.
فیفا به طور خودکار امتیاز تیم را بر اساس ویژگی های شخصیتی بازیکنان یک تیم فوتبال محاسبه می کند.
روحیه تیم بر اساس اتفاقات داخل بازی (از دست دادن توپ، پاس به موقع و …) از پایین به بالا در نوسان است به این ترتیب تیم هایی که بازیکنان بهتری دارند به دلیل روحیه خود می توانند بازی ها را مقابل تیم های ضعیف تر ببازند.
به این ترتیب می توان از هوش مصنوعی برای افزودن لایه ای از پیچیدگی استفاده کرد.
NPC
در اکثر بازی های فعلی، حریفان NPC های از پیش برنامه ریزی شده هستند.
با این حال، هوش مصنوعی در مسیر افزودن هوش به این شخصیت ها است.
این باعث می شود که آنها کمتر قابل پیش بینی باشند و از بازی در برابر آنها لذت بیشتری ببرند.
علاوه بر این، هوش مصنوعی به NPC ها اجازه می دهد تا باهوش تر شوند و با پیشرفت بازی به روش های جدید و منحصر به فرد به شرایط بازی پاسخ دهند. بسیاری از شرکت های بازی در حال حاضر کار بر روی NPC های مبتنی بر هوش مصنوعی را آغاز کرده اند.
به عنوان مثال، SEED (EA) با تقلید از بازیکنان برتر بازی، کاراکترهای NPC را آموزش می دهد.
این رویکرد زمان توسعه NPCها را به شدت کاهش می دهد، زیرا کدگذاری سخت رفتار آنها یک فرآیند خسته کننده و طولانی است.
تست بازی
در مقاله ی تست بازی با استفاده از هوش مصنوعی به صورت کامل در نقش هوش مصنوعی حتی در مراحل تست بازی صحبت کردیم.
مشخصا سنجیدن و تست تمامی بخش های بازی به خصوص در بازی های بزرگ بسیار دشوار و سنگین است؛ اینجاست که هوش مصنوعی به کمک افراد خواهد آمد.
جمع بندی
هوش مصنوعی قطعا یکی از اصلی ترین و مهم ترین رکن های هر بازی های ویدیویی است.
ما در این مقاله انواع شکل های هوش مصنوعی و الگوریتم های آن را شرح دادیم.
همچنین توضیحاتی را در رابطه با پیچیدگی های آن ، الگوریتم ها و کاربردهای آن ارائه دادیم.
از تمامی این توضیحات پی می بریم که هوش مصنوعی در یک بازی باعث می شود که کاربر حس کند در حال سیر کردن در یک دنیای واقعی است.
و هوش مصنوعی در این دنیای واقعی می تواند در تن دشمنان بازی ، یاران شما یا NPC ها باشد.
پس یک بازی با یک هوش مصنوعی قوی می تواند حس تعامل پذیری بالایی را با کاربران خود ایفا کند و باعث غیر قابل پیش بینی بودن بازی شود.
مهرسا امینی
برنامه نویس ، انیماتور ، سئوکار
در زندگی رویاهات را دنبال کن