Microsoftは、ビデオゲームの作成を支援するために生成AIツールを使用したい

Microsoftの人工知能モデルは、デザイナーがゲームを作るのに役立つと同社が言っている現実的なビデオゲーム映像を再現できますが、専門家はほとんどのゲーム開発者にとってツールが役立つと確信していません。

ビデオゲームから一貫した正確な映像を生成できるニューラルネットワークは新しいものではありません。最近のGoogleが作成したAIは、完全に再生可能なバージョンを生成しました クラシックコンピューターゲーム 運命 基礎となるゲームエンジンへのアクセスなし。オリジナル 運命、 しかし、1993年にリリースされました。よりモダンなゲームは、洗練された物理学と計算集中的なグラフィックスを備えた、より複雑であり、AISが忠実に再現するのが難しいことが証明されています。

今、 Katja Hofmann Microsoft Researchと彼女の同僚はMuseというAIモデルを開発しました。これは、マルチプレイヤーオンラインバトルゲームの完全なシーケンスを再現できます 出血エッジ。 これらのシーケンスは、ゲームの根底にある物理学に従い、プレイヤーとゲーム内のオブジェクトを時間の経過とともに一貫性に保つように見えます。これは、モデルがゲームの深い理解を把握していることを意味します、とHofmannは言います。

ミューズは、コントローラーとビデオ映像の両方を含む7年間の人間のゲームプレイデータでトレーニングされています。 出血エッジマイクロソフト所有の開発者であるNinja Studios。 ChatGptなどの大規模な言語モデルと同様に機能します。入力が与えられた場合、ビデオゲームフレームとそれに関連するコントローラーアクションの形式で、次に来る可能性のあるゲームプレイを予測することを課しています。 「今でも私にとっては、次に何が現れるかを予測するために純粋にトレーニングモデルから、非常に心を揺さぶることです。この複雑な3D環境の洗練された深い理解を学びます」とホフマンは言います。

人々がMuseのようなAIツールをどのように使用するかを理解するために、チームはゲーム開発者を調査して、どの機能が役立つかを学びました。その結果、研究者は、プレイヤーのキャラクターの変更やシーンに入る新しいオブジェクトなど、その場で行われた変更に繰り返し調整する機能を追加しました。これは、新しいアイデアを思いついて、開発者のためにwhat-ifシナリオを試すのに役立つ可能性があります、とHofmannは言います。

しかし、ミューズはまだオリジナルの境界内でシーケンスを生成することに限定されています 出血エッジ ゲーム – 新しいコンセプトやデザインを思い付くことができません。そして、これがモデルの固有の制限なのか、それとも他のゲームのより多くのトレーニングデータで克服できるものであるかは不明です、と言います マイククック キングスカレッジロンドンで。 「これは、AIシステムが自分でゲームを設計できるという考えから、長い道のりです。」

一貫したゲームプレイシーケンスを生成する機能は印象的ですが、開発者はより大きな制御を好むかもしれません、とCookは言います。 「ゲームコード自体を実際にテストしているツールを作成した場合、実際のゲームを実行しているため、持続性や一貫性を心配する必要はありません。したがって、これらは生成的AI自体が導入した問題を解決しています。」

モデルが開発者を念頭に置いて設計されていることは約束されています、と言います Georgios Yannakakis マルタ大学のデジタルゲーム研究所では、それほど多くのトレーニングデータを持っていないほとんどの開発者にとっては実行可能ではないかもしれません。 「それはそれが価値があるという問題に帰着しますか？」ヤンナカキスは言います。 「Microsoftは7年間、データを収集し、これらのモデルをトレーニングして、実際にできることを実証しました。しかし、実際のゲームスタジオは余裕があります [to do] これ？”

Microsoft自体でさえ、AIが設計したゲームが地平線上にある可能性があるかどうかについて曖昧です。Xboxゲーム部門の開発者がツールを使用する可能性があるかどうかを尋ねられたとき、会社はコメントを拒否しました。

Hofmannと彼女のチームは、Museの将来のバージョンがトレーニングデータを超えて一般化できることを期待していますが、トレーニングを受けているゲームの新しいシナリオとレベルを作成し、さまざまなゲームで働くことができます。チャレンジは、現代のゲームはとても複雑だからです。

「ゲームがそれ自体を区別する方法の1つは、システムを変更し、新しい概念レベルのアイデアを導入することです。そのため、機械学習システムがトレーニングデータの外に出て、見たものを超えて革新して発明することが非常に困難です」と彼は言います。