چگونه هوش مصنوعی (AI) باعث ارتقای بازی‌ها می‌شود

هوش مصنوعی در حال تبدیل شدن به ابزاری جهانی برای طراحی بازی است. با وجود اینکه بازی‌های ویدیویی مبتنی‌بر هوش مصنوعی هنوز در مراحل ابتدایی مسیر خود قرار دارند، اما شرکت‌های تولید بازی از هم‌اکنون و به کمک این تکنولوژی روند شناسایی مزایای جالب توجهی مثل افزایش سطح تجربه کاربری و کاهش هزینه‌ها را آغاز کرده‌اند.

در این مقاله به رابطه هوش مصنوعی و صنعت بازی‌سازی (گیمینگ) اشاره می‌کنیم؛ سپس به بررسی میزان اهمیت و تاثیر AI در بازی‌ها‌، کاربردهای رایج‌، شیوه‌های معمول مورد استفاده با بهره‌گیری از هوش مصنوعی‌، محبوب‌ترین بازی‌هایی که از AI استفاده می‌کنند‌، مزایای شغلی، محدودیت‌های فعلی پیش روی استفاده از این تکنولوژی و آینده هوش مصنوعی در بازی‌ها می‌پردازیم.

هوش مصنوعی و تاریخچه استفاده از آن در گیمینگ

از زمان اولین برنامه‌ای که در دهه ۵۰ عرضه شد و با بازیکنان شطرنج بازی می‌کرد، بازی‌های ویدئویی از هوش مصنوعی استفاده می‌کنند. تلاش برای حل این موضوع که بازیگران حرفه‌ای در بازی‌های استراتژی مثل شطرنج‌، پوکر‌، و Go از کامپیوتر شکست می‌خورند، باعث گسترش تحقیقات در زمینه هوش مصنوعی شده است. این امر به نوبه خود به پیشرفت طراحی بازی‌های جدید نیز منتهی شد.

از نقطه نظر گسترده‌تر، اکثر بازی‌های ویدیویی نوعی از هوش مصنوعی را در بطن خود پرورش داده‌اند. لازم به ذکر است که راهکار‌های مدرن مورد استفاده در زمینه هوش مصنوعی قابل استفاده در زمینه‌های متمایزی هستند. شرکت‌های بازی‌سازی نیز با بهره‌گیری از این رویکرد‌ها می‌توانند درک عمیق‌تری نسبت به مزایای قابل دستیابی در کسب‌وکار خود به این واسطه داشته باشند. به عنوان مثال، هوش مصنوعی می‌تواند از طریق افزایش تقویت جلوه‌های واقع‌گرایانه‌، تولید محتوا‌، متعادل‌سازی پیچیدگی‌های درون بازی و ارائه هوش مورد نیاز به کاراکتر‌های غیر انسان درون بازی (NPC‌)، موجب بهبود تجربه کاربری کلی شده و در بودجه و زمان مورد استفاده توسط شرکت‌ها نیز صرفه‌جویی کند.

میزان اهمیت و تاثیر AI در بازی‌های وید‌یویی

توسعه‌دهندگان بازی در تلاش برای ارائه تجربیات تعاملی ارزشمند برای بازیکنان هستند. این تجربیات از مجموع تاثیرات تعدادی از عناصر هماهنگ بازی شامل گرافیک‌، صداها‌، زمان روند بازی‌، روایت‌های مورد استفاده‌، چالش‌ها و محتوایی که به صورت مستقیم با بازیکنان (متحدان شما، دشمنانتان یا سایر عناصر درون بازی) حاصل می‌شوند. با در نظر داشتن این موضوع‌، هوش مصنوعی در حال تبدیل شدن به ابزاری بدون رقیب است که به طراحان کمک می‌کند، پیچیدگی در حال افزایش دائمی پویایی بازی را مدیریت و هماهنگ کنند.

محبوبیت رو به رشد استفاده از هوش مصنوعی در بازی‌ها، مزایای زیادی نیز برای کسب‌وکار‌های مرتبط با صنعت گیمینگ به ارمغان می‌آورد. صنعت گیمینگ در حال تبدیل شدن به یکی از سودآور‌ترین بخش‌های دنیاست و بر اساس پیش‌بینی‌ها ارزش بازار این صنعت در حال رسیدن به چیزی حدود ۳۱۴ میلیارد دلار تا سال ۲۰۲۶ است. در نتیجه‌، تامین بودجه توسعه بازی‌های مبتنی‌بر AI به صورت جهانی در حال افزایش روزافزون است.

در حال حاضر، بسیاری از استارت‌آپ‌های نوظهور در این زمینه فعالیت می‌کنند. به عنوان مثال می‌توان به latitude‌، استارتاپی در زمینه توسعه بازی‌های داستان‌محور نامحدود مبتنی‌بر هوش مصنوعی، اشاره کرد. این استارتاپ توانست حدود ۳.۳ میلیون دلار سرمایه اولیه در ژانویه ۲۰۲۱ (اواخر دی ماه و اوایل بهمن ماه ۱۳۹۹) جذب کند. یک شرکت بازی تعاملی‌ به‌نام Osmo‌، تاکنون به میزان ۳۲.۵ میلیون دلار سرمایه جذب کرده است. Gosu Data Lab‌، یکی دیگر از استارت‌آپ‌های مبتنی‌بر گیمینگ هوش مصنوعی مستقر در لیتوانی، نیز به میزان ۵.۱ میلیون دلار سرمایه جذب کرده است. Gosu به صورت عمده روی کاوش داده‌های مربوط به بازی برای دستیابی به اهداف وابسته به AI تمرکز دارد و به گیمر‌ها کمک می‌کند که در بازی کردن، پیشرفت کنند.

کاربردهای رایج هوش مصنوعی در بازی‌ها

کاربرد‌های بسیار متنوعی از هوش مصنوعی در بازی‌ها وجود دارد. از جمله این کاربرد‌ها می‌توان به بهبود تصویرسازی‌، تولید سطح خودکار‌، سناریو‌ها و داستان‌ها، متعادل‌سازی پیچیدگی درون بازی و اضافه کردن قابلیت هوش مصنوعی به کاراکتر‌های غیر انسان (NPC‌ها‌) اشاره کرد.

ارتقا کیفیت تصویر به کمک AI

در خط مقدم روند بهبود تصویر، مهندسان هوش مصنوعی در تلاش هستند با استفاده از یک سیستم یادگیری عمیق، گرافیک سه بعدی رندر گرفته شده را به تصاویر واقعی تبدیل کنند. چنین سیستمی در بازی Grand Theft Auto 5 مورد آزمایش قرار گرفت. این شبکه عصبی توسعه‌یافته، قادر است مناظر لس‌آنجلس و کالیفرنیای جنوبی را با جزئیات کامل شبیه‌سازی کند. پیشرفته‌ترین الگوریتم‌های هوش مصنوعی مبتنی‌بر بهبود تصویر قادرند تا تصاویر سه بعدی با کیفیت بالای مصنوعی را به تصاویر حقیقی تبدیل کنند.

یکی از کاربردهای ارتقاء کیفیت تصویر در بازی‌های ویدیویی، بهبود گرافیک در بازی‌های کلاسیک است. ایده اصلی پشت الگوریتم‌های مورد استفاده در این کار، تبدیل یک تصویر با وضوح پایین به نسخه مشابه آن، اما این‌ بار با تعداد بسیار بیشتری پیکسل است. این فرایند تحت عنوان «افزایش سطح مقیاس AI» نامیده می‌شود.

تولید سطح بازی

تولید سطح بازی با نام تولید محتوای رویه (PCG) نیز شناخته می‌شود. این دو، نام‌ روش‌هایی هستند که با استفاده از الگوریتم‌های پیشرفته هوش مصنوعی، محیط‌های جهان‌باز (Open World) و بسیار وسیع، سطوح (درجه) مختلف و وسایل مختلف در بازی را می‌سازند. این یکی از نوید‌بخش‌ترین کاربردهای هوش مصنوعی در طراحی بازی است. تا به امروز، بازی‌های جهان‌باز یا نقشه‌باز شامب بازی‌های بسیار محبوبی می‌شوند. در محیط این بازی‌ها به بازیکنان اجازه داده می‌شود تا گستره وسیعی را مورد کاوش قرار دهند. ساخت چنین بازی‌هایی از هر دو منظر طراحی و توسعه بازی بسیار زمان‌بر هستند؛ اما الگوریتم‌های AI قادرند تا مناظر نوینی به صورت مرتبط با بازی بسازند و آنها را بهینه‌سازی کنند. به عنوان مثال به No Man’s Sky می‌توان اشاره کرد که یک بازی مبتنی‌بر AI بوده و از قابلیت خلق بی‌نهایت سطح جدید در هنگام بازی برخوردار است.

سناریو‌ها و داستان‌ها

از هوش مصنوعی برای تولید داستان‌ها و سناریو‌ها نیز استفاده می‌شود. در اکثر اوقات، AI برای ساخت روایت مورد استفاده قرار می‌گیرد که از بیشترین میزان تعامل بهره ببرد. در بازی‌هایی که به صورت تعاملی هستند، کاربران با انجام مجموعه‌ای از اقدامات، یک روند داستانی دراماتیک می‌سلزند یا بر آن تاثیر می‌گذارند.

برنامه‌های هوش مصنوعی با استفاده از تجزیه‌وتحلیل متون و داستان‌هایی که قبلا آموخته‌اند، سناریو تولید می‌کنند. AI Dungeon 2 یکی از معروف‌ترین مثال‌های مربوط به این کاربرد است. این بازی از پیشرفته‌ترین سیستم تولید متن‌ باز برای تولید متن استفاده می‌کند. این سیستم توسط OpenAI ساخته شده است و برای یادگیری، از سری کتاب‌های «Choose Your Own Adventure» استفاده می‌کند. در این کتاب‌ها، خواننده روند پیشروی داستان را مشخص می‌کند.

متعادل‌سازی پیچیدگی درون بازی

مزیت اصلی الگوریتم‌های مبتنی‌بر هوش مصنوعی، قابلیت آنها برای مدل‌سازی سیستم‌های پیچیده است. توسعه‌دهندگان بازی به صورت مداوم در تلاش برای ساخت بازی‌های همه‌جانبه و واقع‌گرایانه‌تر هستند. با این حال، شبیه‌سازی دنیای واقعی بسیار پیچیده است. این الگوریتم‌ها قادرند تا تاثیرات آتی اقدامات بازیکنان را پیش‌بینی کنند و حتی چیز‌های مختلفی مثل آب‌وهوا و احساسات را برای متعادل‌سازی پیچیدگی درون بازی مدل‌سازی کنند. مثال واقعی این کاربرد در مد ultimate بازی فیفا (FIFA) قابل مشاهده است. فیفا به صورت خودکار امتیاز قابلیت‌های بدنی بازیکنان یک تیم را به صورت مبتنی‌بر خصوصیت‌های یک بازیکن در تیم فوتبال محاسبه می‌کند. روحیه تیم نیز بر اساس اتفاقات و رویدادهای داخل بازی (از دست دادن توپ، پاس دادن به موقع و…) از میزان کم به زیاد در نوسان است. با توجه به این موضوع، تیم‌هایی که از بازیکنان بهتری تشکیل شده‌اند نیز ممکن است در صورت پایین بودن روحیه در مقابل تیم‌های ضعیف‌تر شکست بخورند؛ بنابراین می‌توان از AI برای افزودن لایه پیچیدگی به بازی استفاده کرد.

اعطا کردن هوش به کاراکتر‌های غیر انسان (NPC‌ها)

در اکثر بازی‌های فعلی، دشمنانی که با آنها مواجه می‌شوید NPC‌هایی هستند که از پیش برنامه‌ریزی شده‌اند. با این حال، AI درصدد افزودن هوش به این کاراکتر‌هاست. این امر به غیرقابل پیش‌بینی شدن کاراکتر‌ها و جذاب‌تر شدن بازی، منجر می‌شود. علاوه بر این‌، هوش مصنوعی موجب باهوش‌تر شدن کاراکتر‌های درون بازی می‌شود. از این طریق با پیشرفت روند بازی، شیوه عکس‌العمل نشان دادن آنها به شرایط مختلف نیز نوین‌تر و منحصربه‌فرد می‌شود.

بسیاری از شرکت‌های بازی‌سازی در حال کار کردن بر روی NPC‌های مبتنی‌بر AI هستند. به عنوان مثال، SEED (EA) به واسطه تقلید از شیوه عملکرد بازیکنان حرفه‌ای، NPC‌های درون بازی را توسعه می‌دهد. این رویکرد به کمتر شدن زمان توسعه کاراکتر‌های غیر انسان منجر می‌شود؛ زیرا کدنویسی رفتار آنها فرایندی طاقت‌فرسا و طولانی است.

رویکرد‌های مبتنی بر AI مورد استفاده در بازی‌ها

به صورت سنتی، رفتار NPC‌ها به صورت مبتنی‌بر قانون و حالت‌های محدود برنامه‌ریزی می‌شد. توسعه این کاراکتر‌ها با استفاده از چنین رویکرد‌هایی، نیاز به اعمال برنامه‌های شرطی متعددی می‌شد که به NPC‌ها رفتار‌های قاطعانه می‌داد. توسعه‌دهندگان برای کاهش تلاش‌های مورد نیاز و تعریف سطحی از غیرقابل پیش‌بینی بودن در بازی‌ها، از منطق فازی استفاده می‌کنند.

یکی از اولین کاربرد‌های هوش مصنوعی در برنامه‌ریزی درون بازی‌ها از طریق «الگوریتم مسیر‌یابی A» که رفتار کاراکتر‌های غیر انسان و فرایند کاوش آنها در جهان باز را تعریف می‌کند، صورت می‌گیرد. سایر تکنیک‌های این زمینه اسکریپت‌نویسی‌، سیستم‌های خبره و رویکرد‌های زندگی مصنوعی (A-life) را شامل می‌شود.

بسیاری از بازی‌های محبوب مثل Black & White‌ ،Battlecruiser 3000AD‌ ،Creatures‌ ،Dirt Track Racing‌ ،Fields of Battle و Heavy Gear از روش‌های غیرقطعی مثل درخت تصمیم‌گیری‌، شبکه عصبی (عمیق)‌، الگوریتم‌های ژنتیکی و روش‌های فراگیری تقویتی استفاده می‌کنند. در ادامه به بررسی جزئیات این شیوه‌های می‌پردازیم.

درخت‌های تصمیم‌گیری

درخت‌های تصمیم‌گیری (DT‌ها) مدل‌های فراگیر نظارت‌شده‌ای هستند. این مدل می‌تواند یاد بگیرد که دسته‌بندی و رگرسیون انجام دهد. این درخت‌ها یکی از پایه‌ای‌ترین شیوه‌های یادگیری ماشین (Machine Learning) برای طراحی بازی هستند. آن‌هامی‌توانند ارزش متغیر مورد نظر را از طریق یادگیری قوانین تصمیم‌گیری ساده و به‌دست آمده از خصوصیات داده، پیش‌بینی کنند.

درک درخت‌های تصمیم‌گیری بسیار آسان است و نتایج حاصل‌شده نیز به راحتی قابل تفسیر هستند. تکنیک‌های مورد استفاده برای تجسم این درخت‌ها نیز بسیار پیشرفته هستند. مدل‌های توسعه‌یافته نیز تحت عنوان مدل‌های جعبه سفید شناخته می‌شوند و با استفاده از آزمایش‌های آماری مختلف قابل تایید هستند.

در طراحی بازی مبتنی‌بر هوش مصنوعی‌، DT‌ها در راستای تعریف انتخاب‌ها و پیامد‌ها (پیش‌بینی اقدامات) مورد استفاده قرار می‌گیرند. اکثر بازی‌های مدرن و در وهله اول، بازی‌های مبتنی‌بر روایت از درخت‌های تصمیم‌گیری استفاده می‌کنند. در یکی از این کاربرد‌ها، درخت‌های تصمیم‌گیری دیدگاه مورد نیاز برای پیش‌بینی آینده بازی را با توجه به تصمیمات اتخاذ شده، در اختیار بازیکن قرار می‌دهند. به عنوان مثال در بازی Star Wars Jedi: Fallen Order‌، درخت‌های تصمیم‌گیری در صورت وقوع شرایط خاص نکات و راهنمایی‌هایی را در مورد گذشته و آینده شخصیت اصلی ارائه می‌کنند.

از آن‌جایی که درخت تصمیم‌گیری یک الگوریتم در یادگیری ماشین است، در روش‌های مختلف این حوزه مورد استفاده قرار می‌گیرد. الگوریتم جنگل تصادفی (Random Forest) یکی از الگوریتم‌های دیگر در یادگیری ماشین است که بخشی از آن، به درخت تصمیم‌گیری مربوط می‌شود. الگوریتم جنگل تصادفی در بازار ارزهای دیجیتال مورد استفاده قرار می‌گیرد و بسیاری از تحلیل‌گران، برای پیش‌بینی قیمت بیت کوین، از آن استفاده می‌کنند. برای آشنایی بیشتر با این الگوریتم و کارایی آن در بازار کریپتو کارنسی، پیشنهاد می‌کنیم مقاله زیر را مطالعه کنید.

شبکه‌های عصبی (عمیق)

شبکه‌های عصبی مصنوعی یا Neural Networks (NN‌ها) ساختار‌هایی شبیه به مغز انسان هستند که قادر به یادگیری خصوصیت‌های مختلفی از داده‌های آموزشی هستند. بر اساس مجموعه بزرگی از داده‌ها‌، NN‌ها قادر به مدل‌سازی دنیای واقعی بسیار پیشرفته و سناریو‌های درون بازی هستند. این شبکه‌ها قادرند تا بر برخی از کمبود‌های تکنیک‌های مورد استفاده در هوش مصنوعی کلاسیک در طراحی عامل بازی را پوشش دهند. علاوه‌بر این، شبکه‌های عصبی مصنوعی، خودسازگار بوده و به خوبی با محیط بازی سازگار می‌شوند تا زمان حقیقی را تغییر دهند.

عوامل بازی مبتنی‌بر NN به دو طریق قادرند تا فرایند یادگیری را به انجام برسانند. در طول این روند، شبکه‌ها یا قبل از استقرار در یک بازی (آفلاین) آموزش داده می‌شوند یا اینکه فرایند فراگیری به صورت زمان واقعی و در طول روند بازی (آنلاین) اعمال می‌شود. آموزش آنلاین این امکان را فراهم می‌کند تا عوامل بازی به صورت مداوم و در طول بازی، بهتر شوند.

عوامل مبتنی‌بر شبکه عصبی مصنوعی قادر به سازگاری سریع با تاکتیک‌ها متغیر بازیکنان حقیقی و سایر NPC‌ها هستند و از چالش‌برانگیز ماندن بازی حتی در طول روند بازی طولانی‌مدت اطمینان حاصل می‌کنند.

اخیرا، شبکه عصبی مصنوعی عمیق (فراگیری عمیق) به انتخاب رایج‌تری برای طراحی عوامل بازی مبدل شده‌اند. فراگیری عمیق درون بازی از لایه‌های چندگانه‌ای از شبکه‌های عصبی برای استخراج «تدریجی» خصوصیت‌ها از داده‌های ورودی استفاده می‌کند. با توجه به رویکرد چند لایه و پیچیدگی رو به رشد معماری، NN عمیق قادر است تا نتایج بهتری را در هنگام کنترل یکی از چندین عامل درون بازی به دست بیاورد. این عوامل یا کاراکتر‌های غیر انسان هستند و یا تبدیل به محیط خود بازی می‌شوند.

الگوریتم‌های ژنتیکی

به عبارت ساده، یک الگوریتم ژنتیکی (GA) یک شیوه سطح بالا، اکتشافی و برگرفته از نظریه تکامل طبیعی است. این الگوریتم از فرایند انتخاب طبیعی تقلید می‌کند، که در طول آن مناسب‌ترین گزینه‌ها انتخاب می‌شوند تا نسل بعدی را تولید کنند.

الگوریتم‌های ژنتیکی از اقدامات بهینه‌سازی مختلفی استفاده می‌کنند. در مقایسه با تکنیک‌های بهینه‌سازی مختلف، این الگوریتم‌ها قادرند تا نتایج مطلوبی را برای عوامل بهینه‌سازی چند معیاری به ارمغان بیاورند. در گذشته، الگوریتم‌های ژنتیکی جایگاه خود را در میان بازی‌های رومیزی یا بردگیم‌هایی پیدا کرده بودند که تکنیک‌های جستجوی گوناگونی را در هنگام انتخاب بهترین اقدامات پیش رو استفاده می‌کردند. جدیدترین دستاورد‌های این الگوریتم‌ها در ارتباط با NPC‌ها، این امکان را به ما می‌دهند تا از عوامل غیر انسان در راستای دفاع در برابر تاکتیک‌های موثر اما تکراری که از بازیکنان گوناگون برگرفته شده است، بهره ببریم.

کاربردهای الگوریتم‌های ژنتیکی به بهره بردن از تجربه واقع‌گرایانه‌تری از بازی منجر می‌شود. در طول این تجربیات شاهد عملکرد بازیکنان و یا سایر عوامل هوش مصنوعی هستیم که قادر به یافتن چرخه‌های بازگشتی نیستند تا بتوانند، با استفاده از گام‌های تکراری که همواره موفقیت‌آمیز هستند بر بازی چیره شوند. به عنوان آخرین مزیتی که این الگوریتم‌ها برای ما به ارمغان می‌آورند، می‌توان به تکرارپذیری بیشتر فرایند بازی اشاره کرد.

فراگیری تقویتی

فراگیری تقویتی (RL) شیوه یادگیری ماشین مبتنی بر آموختن از آزمون و خطا است. در طول فرایند آموزش، این مدل اجازه دارد تا سناریو‌هایی را پیش ببرد و از نتایج خوب یا بد حاصل شده درس گرفته و داده جمع‌آوری کنند.

استفاده از فراگیری تقویتی در هنگام طراحی NPC‌ها برای اتخاذ تصمیماتی در محیط‌های پویا و ناشناخته کارآمد است. این شیوه یادگیری مدت زمان زیادی است که در بستر بازی‌ها مورد استفاده قرار می‌گیرد؛ بنابراین بازی‌ها به عنوان یک دامنه غنی برای آزمایش الگوریتم‌های فراگیری تقویتی به حساب می‌آیند. به صورت همزمان، برخی از بهترین بازیکنان کامپیوتری از فراگیری تقویتی (AlphaGo) استفاده می‌کنند. با این حال، الگوریتم‌های اصلی این فرایند فراگیری برای بازی کردن در سطوح بالا کافی نیستند؛ بنابراین چنین شیوه‌هایی معمولا به همراه سایر رویکرد‌های مبتنی‌بر هوش مصنوعی مثل فراگیری عمیق مورد استفاده قرار می‌گیرند.

بررسی بازی‌های محبوب مبتنی‌بر هوش مصنوعی

مثال‌های زیادی در زمینه کاربرد‌های هوش مصنوعی در طراحی بازی وجود دارند. هر یک از این AI‌ها از میزان پیچیدگی متفاوتی برخوردار هستند. در ادامه، چند نمونه از قابل توجه‌ترین موارد هوش مصنوعی مورد استفاده در صنعت گیمینگ لیست شده است.

بازی .F.E.A.R

بازی .F.E.A.R یک بازی ترسناک، روانشناسی و تیراندازی اول شخص (Shooter) است که در بطن آن، بازیکن اصلی با ربات‌ها، موجودات مختلف و فراسرباز‌های شبیه‌سازی شده روبه‌رو می‌شود. سازنده این بازی AI مورد استفاده را به گونه‌ای  طراحی کرده است تا رفتار‌های حساس به مضمون زمینه‌ای را بسازد. به عنوان مثال، عوامل شبیه‌سازی شده یا در اصطلاح Replica‌ها می‌توانند از محیط بازی به نفع خود بهره ببرند. این Replica‌ها می‌توانند میز‌های درون بازی را برگردانند با استفاده از آنها سنگر ساخته، درها را باز کنند و یا پنجره‌ها را بشکنند و یا حتی سایر همتایان خود را از اقدامات بازیگران انسانی آگاه کنند. علاوه‌بر این، هوش مصنوعی مورد استفاده در بازی می‌تواند از حملات جناحی استفاده کرده، آتش را خاموش کنند و با پرتاب نارنجک پلیر‌ها را مجبور به خارج شدن از سرپناه و پوشش سنگری خود کنند.

بازی StarCraft II

استارکرفت ۲ یک بازی استراتژی مبتنی‌بر زمان است که پلیر‌های آن می‌توانند به صورت ۱ به ۱، ۲ به ۲ و یا ۳ به ۳ با یکدیگر مبارزه کنند. هدف اصلی این بازیکنان از بین بردن پایگاه و یا مقر تیم مقابل است. این عمل با ساختن یونیت‌ها یا نیرو‌های درون بازی که در راستای از بین بردن یونیت‌های دشمن به کار می‌آیند صورت می‌گیرد. بازیکنان این حیطه می‌توانند به انتخاب خود در برابر سطوح مختلف هوش مصنوعی مورد استفاده از سطح آسان تا Cheater 3 رقابت کنند. AI مورد استفاده در استارکرفت قادر است تا با تقلب کردن در بازی در مقابل بازیکنان انسان پیروز شود. این تقلب به این صورت شکل می‌گیرد که AI اطلاعات مقر بازیگران را پردازش کرده و از آن استفاده می‌کند. بازی StarCraft II به عنوان یک بازی صرف به محیطی برای تحقیقات مبتنی بر هوش مصنوعی نیز تبدیل شده است. کمپانی بلیزارد (Blizzard) و DeepMind در اقدامی مشترک در همین راستا، یک محیط عمومی از بازی استارکرفت ۲ را منتشر کردند تا علاقه‌مندان و محققان بتوانند الگوریتم‌های مختلف هوش مصنوعی را در آن آزمایش کنند.

بازی Alien: Isolation

بازی Alien: Isolation برگرفته از مجموعه فیلم‌های ترسناک، علمی – تخیلی یا فضایی Alien است. پایه‌ریزی این بازی سبک بقا (Survival) به ۱۵ سال بعد از رویدادهای درون فیلم برمی‌گردد و این یعنی هنگامی که آماندا ریپلی (Amanda Rupley)، دختر الن ریپلی (شخصیت اصلی فیلم)، در مورد ناپدید شدن مادرش تحقیق می‌کند. توسعه‌دهندگان این بازی نیز برای اندازه‌گیری میزان استرس یا اضطرابی که بازیکنان تجربه می‌کنند، از هوش مصنوعی استفاده می‌کنند. این AI سه مورد از عوامل مهم را همواره بررسی می‌کند: دیده شدن و یا عدم دیده شدن زنومورف (کاراکتر فضایی) توسط پلیر‌ها، فاصله بین زنومورف (Xenomorph) و بازیکن مورد نظر، میزان نزدیک بودن زنومورف به ردیاب حرکتی و سرعت رسیدن آن به بازیکن.

هوش مصنوعی از این سه عامل برای تعیین سطح استرسی که بازیکن تجربه می‌کند، بهره می‌برد. اگر سطح استرس خیلی پایین باشد، هوش مصنوعی به زنومورف دستور می‌دهد تا به موقعیت مکانی نزدیک‌تری نسبت به بازیکن برود. اگر سطح استرس بسیار بالا باشد، این AI زنومورف را از پلیر دور می‌کند. با توجه به این عوامل، هوش مورد استفاده در بازی موجب ایجاد روند پر فراز و نشیبی برای تولید مشخصه‌های واقعی وحشت مطلوب می‌شود.

مجموعه Forza Horizon

Forza Horizon یک شبیه‌ساز یا سیمولیشن بازی مسابقه‌ای ماشینی است که خصوصیت‌های هندلینگ (میزان عملکرد فرمان و سیستم طراحی شده در هر ماشین) ماشین‌های مسابقه‌ای را شبیه‌سازی می‌کند. فورزا برای کنترل کردن راننده‌های غیر انسان درون بازی که NPC‌ها به حساب می‌آیند از یک شبکه عصبی فراگیری بهره می‌برد. سیستم هوش مصنوعی توسعه‌یافته در این بازی می‌تواند راننده‌های انسان درون بازی را بررسی کرده و سبک رانندگی آنها را تقلید کند. این سیستم AI که تحت عنوان Drivatar شناخته می‌شود اخیرا به خدمات ابری مایکروسافت متصل شده و داده‌های رانندگی را از گستره عظیمی از رانندگان انسان دریافت می‌کند. این داده برای ساختن سیستم‌های هوش مصنوعی که از پلیر‌های سراسر جهان کپی‌برداری می‌کند، مورد استفاده قرار می‌گیرد و این تنها شامل نقاط قوت آنها نمی‌شود بلکه نقطه ضعف‌های این افراد نیز به کار گرفته می‌شود تا تجربیات غیرقابل پیش‌بینی در اختیار راننگان انسان رقابت‌کننده قرار داده شود.

منفعت کسب‌و‌کار‌ها با استفاده از AI در بازی‌ها

هوش مصنوعی مزایای عدیده‌ای را برای مشاغل و شرکت‌های مبتنی‌بر توسعه بازی به ارمغان می‌آورد. کمپانی‌هایی که از AI در بازی‌های خود بهره می‌گیرند، می‌توانند به میزان قابل توجهی در بودجه و زمان صرفه‌جویی کنند و تجربه کاربری بهتری را فراهم کرده و فرایند توسعه خود را ساده‌سازی کنند.

صرفه‌جویی در بودجه و زمان

صنعت گیمینگ یکی از صنایعی است که بودجه و زمان زیادی برای توسعه آن سرمایه‌گذاری می‌شود. علاوه بر این، همواره این خطر وجود دارد که مخاطبان هدف، بازی منتشر شده را قبول نکنند و از آن خوششان نیاید. برای اجتناب از خطر‌های احتمالی این‌چنینی، پیش از انتشار بازی در بازار مورد نظر، فرایند تضمین کیفیت دقیق و تست‌های گروهی متمرکزی بر روی آن صورت می‌گیرند. در نتیجه این امر، یک روند واحد توسعه بازی در رابطه با یک بازی پیچیده ممکن است سال‌ها به طول بیانجامد.

هوش مصنوعی ابزاری مهمی است که به شرکت‌های بازی‌سازی این امکان را می‌دهد تا به صورت قابل توجهی در زمان و بودجه مورد نیاز برای توسعه صرفه‌جویی کنند. هنگامی که از این تکنولو‌ژی در سطح تولید خودکار استفاده می‌شود، می‌توان به میزان هزاران ساعت در زمینه کار توسعه صرفه‌جویی کرد. علاوه بر این، با بهره گرفتن از تکنیک‌های مبتنی‌بر هوش مصنوعی به جای استفاده از قوانین کدنویسی سخت، این تکنولوژی قادر است تا کار دستی را که در حالت‌های دیگر نیاز به سرمایه‌گذاری دارد، از سر راه بردارد. در نتیجه، هزینه‌های تحویل را می‌توان به صورت چشمگیری کاهش داد و این بدان معناست که شرکت‌های بازی‌سازی می‌توانند توسعه‌دهندگان بازی بهتری را برای به پایان رساندن کار خود استخدام کنند. این مزیت به صورت روزافزونی در بازار کاری رقابتی توسعه‌دهندگان در حال پراهمیت‌تر شدن است.

تجربه کاربری بهتر

در مشاغل مرتبط با گیمینگ تجربه کاربری نهایی یکی از مولفه‌های بسیار مهم در کسب موفقیت است. تجربه کاربری یکی از اجزاء یکپارچه در زمینه مشاغل گیمینگ برای تعیین حجم فروش، سطوح وفاداری، موفقیت بازاریابی و بسیاری از عوامل دیگر تجاری است.

هوش مصنوعی قادر است تا یک بازی را به صورت پیچیده‌تر و واقع‌گرایانه‌تری جلوه دهد و علاقه گیمرها به آن بازی و احتمال پیشنهاد آن به سایرین را افزایش دهد. به عنوان مثال، هوش مصنوعی مورد استفاده در هوش صوتی به پلیر‌ها کمک می‌کند تا اقدامات درون بازی را بهتر درک کنند. این امر با درگیر کردن هوشمندانه حواس بازیکان سطح دیگری از تجربه کاربری کلی به ارمغان می‌آورد.

یکی دیگر از جنبه‌های تجربه کاربری که به واسطه این تکنولو‌ژی در حال افزایش است، میزان سازگاری نام دارد. به عنوان مثال، AI می‌تواند مقادیر زیادی از داده‌های شخصی‌سازی‌شده و داده‌های حریم خصوصی تحت محافظت را، برای ساخت سناریو‌هایی که انواع خاصی از گیمر‌ها از آنها بیشترین لذت را می‌برند، مورد استفاده قرار دهد.

فرایند‌های ساده

فرایندهای ساده، خطا و تاخیر کمتری دارند. هوش مصنوعی مورد استفاده در بازی با ساختن محتواهایی مثل مناظر، سطوح مختلف، آیتم‌ها و اقلام گوناگون، ماموریت‌ها و موسیقی می‌تواند به توسعه‌دهندگان کمک کند. هنگامی که فرایند توسعه AI به مرحله اجرا می‌رسد، خطاهای انسانی از صورت مسئله پاک می‌شوند. تاخیر‌های احتمالی در روند توسعه نیز به دلیل کارآمد بودن هوش مصنوعی در زمینه‌های اختصاصی قابل حذف هستند.

محدودیت‌های استفاده از هوش مصنوعی در بازی‌ها

کاربرد هوش مصنوعی در بازی‌ها محدودیت‌های خاصی دارد. به عنوان مثال، طراحی کردن دشمنان واقعی NPC که قادر به فراهم کردن سطح تعامل خودکار برای هر یک از بازیکنان باشند، کار دشواری است. دشمنان غیر انسان مبتنی‌بر AI معمولا برای پاسخ‌گویی در برابر اقدامات بازیکنان، به بهترین نحو در نظر گرفته می‌شوند. چنین اجزائی شکست‌ناپذیر هستن؛ اما قابل پیش‌بینی بودن آنها موجب عدم سرگرم‌کننده بودن آنها می‌شود.

با توجه به توانایی هوش مصنوعی در پیش‌بینی نتایج آتی احتمالی، این تکنولوژی قادر است تا به سرعت به ماهیتی شکست‌ناپذیر تبدیل شود. یکی از مثال‌های مشهور این ماجرا بازی Tic-Tac-Toe است که در بستر آن، AI با پیاده‌سازی یک الگوریتم حداقلی می‌تواند بدون توجه به تصمیمات رقیب انسانی خود بازی را به سمت تساوی در چندین حالت پیش ببرد.

معمولا این امکان به AI داده می‌شود تا برای پیروزی بر رقیب انسانی خود، تقلب کند. با این حال نیاز به تقلب، یکی دیگر از محدودیت‌های دسترسی به هوش مصنوعی را برای ما آشکار می‌کند. در بازی‌هایی که نیاز به استراتژی و خلاقیت دارند، معمولا انسان‌ها پیروز رقابت با AI هستند. با توجه به اینکه هوش مصنوعی هنوز قادر به یادگیری از اشتباهات خود نیست، کاربرد این تکنولوژی در چنین بازی‌هایی بسیار کم است.

یکی دیگر از محدودیت‌های هوش مصنوعی که فقط در مورد بازی صدق نمی‌کند، کمبود برخورداری از زمینه‌های خارج از داده‌های فراگیری است. این امر نیز به تامل و جهت‌گیری‌های اخلاقی منجر می‌شود.

چنین محدودیت‌هایی فقط مجموعه کوچکی از کاربرد‌های هوش مصنوعی مورد استفاده در بازی را تحت تاثیر قرار می‌دهند. بستر AI در حال پیشرفت مداوم است و احتمال این وجود دارد که به زودی چنین چالش‌هایی نیز رفع شوند.

آینده بازی‌های مبتنی‌بر هوش مصنوعی

با توجه به امکانات نوینی مثل تکامل خودکار کاراکتر‌ها، فراگیری و سازگاری انتظار می‌رود تا تاثیرات AI در صنعت گیمینگ نیز در آینده رشد زیادی داشته باشد. ایده اصلی موجود در این عرصه این است که بازی‌هایی را با استفاده از عواملی غیر ثابت یا غیراستاتیک طراحی کنیم، به این صورت که با ادامه داشتن روند بازی این عوامل نیز به صورت مداوم تکامل پیدا کنند. کاراکتر‌های غیر انسان آینده نیز قادر خواهند بود تا در روند بازی تکامل پیدا کنند و پیش‌بینی رفتار‌های این NPC‌ها برای پلیر‌ها سخت‌تر خواهد شد.

با افزایش زمان روند بازی، پیش‌بینی بازی‌های مبتنی بر هوش مصنوعی نیز برای گیمر‌ها پیشرفته‌تر و چالش‌برانگیز‌تر می‌شود. در نتیجه، ماندگاری یا در اصطلاح طول عمر بازی‌ها نیز به صورت قابل توجهی افزایش پیدا می‌کند. تکنیک‌های مورد استفاده در حوزه این تکنولوژی که چنین فرصت‌هایی را فراهم می‌کنند نیز پیچیده‌تر خواهند شد.

هوش مصنوعی که از یادگیری ماشین استفاده می‌کند، برای کسب موفقیت به میزان زیادی از داده آموزشی نیاز دارد. در حال حاضر، با کمبود کلی داده‌های آموزشی مواجه هستیم. با این وجود، هرچقدر به تعداد شرکت‌هایی که اهمیت AI و داده را درک می‌کنند افزوده می‌شود، این محدودیت نیز کم رنگ‌تر می‌شود.

هدف غایی این تکنولوژی در بازی‌ها ارائه ترکیبی نامحدود از داستان‌ها، مناظر و سطوح در کنار NPC‌های واقع‌گرایانه و ارائه امکانات انتخابی یا سفارشی بدون حد و مرز است.

سخن پایانی

صنعت گیمینگ یکی از عرصه‌هایی است که کاربرد هوش مصنوعی به وضوح در آن دیده می‌شود. این تکنولوژی نیازمند طی کردن مسیری طولانی برای دستیابی به آرزو‌های دیرینه بشر است. امروزه شاهد به کار رفتن AI در بسیاری از زمینه‌های گوناگون مثل پزشکی، بازی، هوافضا و غیره هستیم. امید بر این است که چنین بستری با رشد روزافزون خود، دستاورد‌های تعاملی‌تری را برای کاربران به ارمغان بیاورد. اما اینکه آیا فیلم ماتریکس به حقیقت می‌پیوندد یا خیر یکی از سوالات مهمی است که بدون شک فکر افراد زیادی را به خود مشغول می‌کند.