پیشرفت هوش مصنوعی در بازی‌ها چگونه می‌تواند آنها را متحول کند؟
در زمان توسعه‌ی اساسینز کرید والهالا اتفاق عجیبی افتاد. با اینکه اریک باپیتزات/Eric Bapitzat، کارگردان آن، مشغول آزمایش یکی از بیلدها بود، متوجه شد هر جا که برود همیشه دو کاراکتر غیرقابل‌بازی/NPC او را دنبال می‌کنند. مهم نبود کجا برود، این پیکارجویان هم حتما آنجا حضور داشتند. به نظر می‌رسید در سیستم هوش مصنوعی متا/MetaAI که یوبی‌سافت ساخته بود یک گیر عجیب وجود داشت، که باعث می‌شد NPCها حضور همیشگی و هدف در دنیای بازی پیدا کنند، و در این مورد، آنها به مریدان پروپاقرص شخصیت اصلی تبدیل شده بودند و برای همین همیشه دنبالش می‌کردند. باپیتزات که کمی سرخورده شده بود، تصمیم گرفت به آن سوی نقشه فست تراول کند تا از شرشان خلاص شود. ده دقیقه بعد، دوباره سروکله‌شان پیدا شد. آنها در سرتاسر انگلستان پیاده‌روی کرده بودند تا به او برسند — یعنی رهبر و قهرمان‌شان. هیچکس عمدا نخواسته بود این NPCها چنین رفتاری بروز دهند، اما این رفتار ناخواسته، نکات زیادی به ما می‌گوید درباره‌ی هوش مصنوعی در بازی‌های امروز و اینکه چگونه در آینده باید تکامل بیابند.
از بعضی جهات، هوش مصنوعی در بازی‌های ویدئویی در دهه‌ی اخیر چندان پیشرفت نکرده است — حداقل از نظر کنش و واکنش NPCها در جهانهای مجازی. بیشتر بازی‌ها از تکنیک‌هایی مثل نمودارهای درختی رفتاری و ماشین‌های حالات متناهی/finite state machines استفاده می‌کنند، که باعث می‌شود عاملان دارای هوش مصنوعی، بسته به شرایط، حالت و عمل متفاوتی از خود بروز دهند — شبیه یک‌جور فلوچارت. این تکنیک‌ها در دهه‌ی نود وارد بازی‌ها شدند، و هنوز هم مثل ساعت کار می‌دهند، بیشتر به این علت که بازی‌های اکشن ادونچر در نسل گذشته نیازی نداشتند تا رفتارهای به‌مراتب پیچیده‌تری برای کاراکترها تولید کنند.
بیشتر NPCها صرفا در یک محیط مشخص پرسه می‌زنند تا وقتی بازیکن با آنها تعامل برقرار کند و گارد بگیرند [رفتار پیچیده‌تری بروز دهند]. این در محیط‌های خطی و محدود اشکالی ایجاد نمی‌کند، اما در جهانهای بزرگ‌تر که NPCها آزادی عمل بیشتری دارند، جور درنمی‌آید. تکنیک‌های پیشرفته‌تر هوش مصنوعی مثل ماشین لرنینگ — که برای مطالعه‌ی داده‌هایی که به آن داده می‌شود از الگوریتم استفاده می‌کند، تفسیرشان می‌کند، و همزمان تصمیم می‌گیرد دست به چه تصمیمی بزند — به عاملان دارای هوش مصنوعیْ انعطاف و آزادی عمل بیشتری می‌بخشد. اما توسعه‌ی آنها وقت‌گیر است، محاسبات شدیدا پیچیده‌ای می‌طلبند، و ریسک بالایی دارند چون رفتار NPC را غیرقابل‌پیش‌بینی می‌کند — درست مثل چیزی که در اساسینز کرید والهالا نمونه‌اش را دیدیم.
با این حال، همینطور که بازی‌های جهان آزاد و روایت‌محور پیچیده‌تر می‌شوند، و کامپیوترهای مدرن و کنسول‌ها هم محیط‌های پرجزییات‌تر و واقع‌گرایانه‌ای می‌سازند، نیاز به استفاده از تکنیک‌های پیچیده‌تر هوش مصنوعی افزایش می‌یابد. اینکه وارد جهانی شوید که گرافیکش تقریبا فوتورئالیستیک است [و با واقعیت مو نمی‌زند] و کلی سیستم‌های جالب و امکانات روایی متنوع دارد اما هنوز NPCهایش مثل ربات‌های بی‌روح رفتار می‌کنند خیلی عجیب و مصنوعی می‌زند.
این موضوع را، آنهایی که دنبال جابه‌جایی مرزهای بازی‌های جهان آزاد هستند، بهتر درک می‌کنند. برای مثال، یوبی‌سافت گروه‌هایی مخصوص تحقیق روی هوش مصنوعی در شعبه‌های خود در چنگدو، بمبئی، پونه و مون‌پلیه اختصاص داده است، و ایضا آزمایشگاه ابداعات استراتژیک/Strategic Innovation Lab در پاریس و آزمایشگاه لا فورژ/La Forge در مونترال. یوبی‌سافت همچنین با کمپانی‌های تکنولوژیک و دانشگاه‌ها بر سر تحقیق روی هوش مصنوعی همکاری دارد.
مثال عملی آن در واچ داگز لژیون./Watch Dogs Legion دیده می‌شود، که ادعایش بی‌جا نیست وقتی می‌گوید اولین ماجراجویی جهان آزاد واقعا نسل بعدی است. برای بازنمایی واقع‌گرایانه‌ی لندن که ساکنینی زنده و منحصربه‌فرد داشته باشد، استودیوی سازنده سیستم Census را ساخت، که می‌توانست بیوگرافی‌های پرجزییات و روزمرگی‌های هر NPCای که با آن تعامل برقرار می‌کردید را تولید کند، که شامل رابطه‌ی آنها با دیگر کاراکترهای درون بازی هم می‌شد — پس اگر یک پیاده‌رو را زیر بگیرید، احتمالا بعدا برادر سوگوار او یا بهترین دوستش برای انتقام سر وقت‌تان می‌آید.
مارتین والش/Martin Walsh، کارگردان فنی هوش مصنوعی و گیم‌پلی واچ داگژ لژیون می‌گوید «علاوه بر این، ما یه سیستم رفتار گروهی داریم که رویدادهای شاخه‌ای تولید می‌کنه، مثل جرایم و بررسی گواهی‌نامه از سوی پلیس. اگر مثلا کسی رو ببینید تو مخمصه افتاده و بهش کمک کنید، باعث می‌شه اون فرد از شما و مجموعا گروه DedSec خوشش بیاد. برای مراحل آینده، همین آدم‌هایی که باهاشون تعامل برقرار کردید می‌تونن به عنوان نقش مکمل استخدام شن. کاراکترهای واچ داگز لژیون زندگی‌ای فراسوی اونچه می‌بینید دارن، و اگر تصمیم بگیرید تو زندگی‌شون مداخله کنید پیامدهای بلند مدتی روی بازی می‌ذارن.»
برای یوبی‌سافت، این صرفا قدم اول در فرآیندی رو به تکامل است. جولین دسالنرز/Julien Desaulniers، سرپرست تیم برنامه‌نویسی و گیم‌پلی اساسینز کرید والهالا، در این مورد می‌گوید «بزرگ‌ترین چالش برای هوش مصنوعی اینه که بتونه شاید اسرارآمیزترین و پیچیده‌ترین بخش از مغز بشر رو تقلید کنه؛ یعنی قابلیت تصور کردن. اینکه هوش مصنوعی‌ای داشته باشی که محتوای روایی و داستانی تولید کنه این قضیه رو به سطح جدیدی می‌بره، سطحی که لزوما همه‌ی آدم‌ها هم نمی‌تونن داخلش عملکرد خوبی داشته باشن.»
آنچه او و والش به عنوان نسل آینده‌ی هوش مصنوعی می‌بینند یعنی موجوداتی فعال‌‌تر و باهوش‌تر که می‌توانند در روایت قصه هم نقش ایفا کنند، و شاید خود عامل مراحل فرعی جدیدی شوند بدون اینکه طراح انسانی در ساخت آن مراحل نقش داشته باشد. برای تحقق چنین چیزی، باید چندین تکنولوژی هوش مصنوعی با هم ترکیب شوند که بازی‌سازان اخیرا دارند با آن دست و پنجه نرم می‌کنند. یک مثال آن پردازشگرهای زبان‌های طبیعی/Natural Language Processing (به اختصار NLP) است، یک نوع هوش مصنوعی که ارتباطات کلامی یا نوشتاری انسان را شبیه‌سازی می‌کند — به عبارت دیگر، نرم‌افزاری است که یا می‌نویسد (مثلا با تبدیل صوت به نوشتار به‌طور همزمان) یا درست شبیه یک انسان حرف می‌زند.
استفاده از NLP در بازی‌ها باعث می‌شود هوش مصنوعی‌ها بتوانند کاراکترهایی بسازند که مانند انسان‌ها، خود به خود دیالوگ بگویند، عوض اینکه صرفا دیالوگ‌های از پیش ضبط‌شده‌ی صداپیشگان را تکرار کنند. این، به اضافه‌ی انیمیشن‌های نیرو گرفته از هوش مصنوعی، که خیلی از استودیوها هم‌اکنون از آن برای تقویت فرآیند موشن کپچر استفاده می‌کنند تا کاراکترها حرکات طبیعی‌تری داشته باشند، باعث می‌شود NPCهایی داشته باشیم که فکر و حرف و عمل‌شان درست مثل انسان‌های واقعی است.
برای رسیدن به چنین چیزی هنوز فاصله داریم، اما دور از دسترس نیست. دسالنرز می‌گوید «اینکه NPCها بتونن حرفی بزنن که قبلا براش برنامه‌ریزی نکردن و چیزی ضبط نشده، یکی از سویه‌های تکنولوژیه که هنوز نتونستیم داخلش ماهر بشیم. با اینکه همین الانش هم سیستم‌هایی داریم که می‌تونن به‌جای ما دیالوگ بنویسن و عملکردهای انصافا هم در صداپیشگی داشته باشن، اما هنوز به جایی نرسیدیم که بتونیم ازش تو بازی‌های جهان آزاد استفاده کنیم که تعامل بازیکن با کاراکترها به‌طور همزمانه و نه از-قبل-برنامه‌ریزی-شده. به طور کلی، این چالش هیجان‌انگیزیه برای ما، و پتانسیلش برای هم تکنولوژی‌سازها و هم داستان‌نویس‌ها عظیمه.» والش نیز با او موافق است: «در آینده‌ی نزدیک، سنتز بین صدا و انیمیشن آنقدری خوب هست که باهاش بتونیم کاراکتر و داستان بسازیم بدون اینکه لازم باشه دیالوگ‌هاشون رو ضبط کنیم یا حرکات‌شون رو با موشن کپچر انیمیت کنیم. بنابراین تولید محتوا به‌مراتب سریع‌تر می‌شه، و روی نحوه‌ی ساخت کاراکتر و انواع داستان‌هایی که می‌تونیم روایت کنیم تاثیر می‌ذاره.»
کمپانی‌هایی هستند که همین الان نیز روی این موضوع کار می‌کنند. استارت‌آپ واقع در انگلستان به نام سونانتیک/Sonantic توانسته تکنولوژی‌ای برای صوت مصنوعی بسازد، یک‌جور بازیگر مجازی، که می‌تواند دیالوگ‌ها را، بسته به موقعیت، با احساسات انسانی بیان کند، مثل ترس، لذت یا غافلگیری. البته این سیستم هنوز هم محتاج این است که یک صداپیشه‌ی واقعی به مدت چند ساعت صدایش ضبط شود، اما بعد از آن خود هوش مصنوعی یاد می‌گیرد صدای آن صداپیشه را تقلید کرده و هر دیالوگی را با صدای او بیان کند. سونانتیک در حال حاضر با طیف وسیعی از استودیوها همکاری می‌کند، که شامل اسپلش دمیج و ابسیدیان هم می‌شود. استودیوها از این تکنولوژی بیشتر در مرحله‌ای که می‌خواهند دیالوگ‌های درون بازی را تست کنند استفاده می‌کنند، اما در آینده، چه بسا از آن برای تولید دیالوگ‌های به‌مراتب واکنش‌پذیرتر هم بهره ببرند که با توجه به شرایط دیالوگ مناسب را ادا کند. زینا قریشی، هم‌موسس و مدیر عامل سونانتیک می‌گوید «به زودی صدای کاراکترها در بازی‌ها پویا و به‌طور زنده پخش می‌شه. مثلا وقتی کاراکتری از نفس افتاده، صداشون هم همونقدر از نفس افتاده به گوش میاد. یا اگر مثلا در مرحله‌ی قبلی علیه کاراکتری خطایی مرتکب شده باشید، بعدا اونها واکنش منفی بهتون نشون می‌دن.»
پیشرفت هوش مصنوعی در این قضیه به این معنی نیست که جایگزین نویسندگان و طراحان شوند — اینطور نیست که یوبی‌سافت کل فرآیند ساخت فار کرای ۷ را به اسکای‌نت بسپارد. اما باعث تغییرات عظیمی در نحوه‌ی روایت داستان‌ها و شیوه‌ی تعامل بازیکن با NPCها می‌شود. شاید دیکر دوران میان‌پرده‌ی سرزده‌ی مزاحم غیرتعاملی به سر آید، چون NPCهای هوشمند می‌توانند داستان را جلو ببرند و روایتش کنند، آن هم درست سر بزنگاه‌ها، بسته به اینکه قبلا در طول بازی چه کارهایی کرده‌اند و نکرده‌اند. شاید هم دوباره ببینیم دیالوگ‌های ثابت و از-پیش-نوشته‌شده‌ی درختی در نقش‌آفرینی‌هایی مثل مس افکت و ویچر هم برگردند — هوش مصنوعی‌ای مجهز به NLP که بتواند با بازیکن وارد دیالوگ‌های واقع‌گرایانه شود، خواه از طریق صداپیشه یا متن روی تصویر، و مثلا رومنس با گروس/Garrus به‌مراتب جذاب‌تر شود.
استفاده از تکنیک‌های ماشین لرنینگ باعث می‌شود NPCها نسبت به اعمال بازیکن واکنش بیشتر و پویاتری نشان دهند. مثلا آن لحظاتی را به یاد بیاورید که یکی از شخصیت‌ها دارد روده‌درازی می‌کند ولی شما بدون توجه به او در اتاق پرسه می‌زنید، روی میز می‌پرید، قابلمه‌ها را هم می‌ریزید، یا زیادی به سخنگو نزدیک می‌شوید… ولی آن کاراکتر بدون هیچ واکنشی به سخنرانی‌اش ادامه می‌دهد. اما اگر مجهز به هوش مصنوعی‌ای با NLP و انیمیشن‌های هوش مصنوعیزه‌شده باشند، به این کارها واکنش نشان خواهند داد. جولیان توگلیوس/Julian Togelius، محقق هوش مصنوعی، می‌گوید «قطعا قراره بازی‌هایی رو ببینیم که در اون NPCها بپرسن ‘چرا اون سطل رو گذاشتی روی سرت؟’. این چیزها رو می‌شه با یک مدل زبانی و ادراکی تولید کرد، و شدیدا باعث می‌شن تا کاراکترها زنده به نظر بیان.»
«مثلا اگر می‌خواین بدونید تو دنیای آنلاین دارید واقعا با یک کارمند خدمات پس از فروش حرف می‌زنید یا صرفا چت‌بات، چیکار می‌کنید؟ خب، مجبورش می‌کنید به چیزی که قبلا گفتید واکنش نشون بده یا تاییدش کنه. اینطوری متوجه می‌شید طرف یه باته یا واقعا یه انسان. در حال حاضر از این چیزها در طراحی بازی‌های ویدئویی چندان استفاده نمی‌شه ولی فکر می‌کنم در آینده پرکاربرد بشه. اینطوری NPCها می‌تونن بفهمن بازیکن واقعا تو دنیای بازی وجود داره و به حرکاتش واکنش نشون می‌دن. یک‌جور توهم حیات القا می‌شه.»
توگلیوس که روی یک پروژه‌ی معرفی‌نشده کار می‌کند و قرار است از این تکنولوژی‌ها در آن استفاده ببرد، نسبت به آینده‌ی کاراکترهایی که مثل چت‌‌بات‌های اتوماتیک صحبت کنند هیجان‌زده است: «می‌تونید هر ورودی دلخواهی خواستید بدید [یعنی هر حرفی بزنید] و خروجی [دیالوگی که کاراکتر بهتون برمی‌گردونه] هر دفعه متفاوت باشه. اینطوری NPCها باورپذیرتر می‌شن. می‌شه یه نمای کاربری شبیه به مس افکت داشت، که بازیکن روی گزینه‌ی «یه چیز تهدیدکننده بگو» می‌زنه، و اگر زیادی یک حرف رو پشت سر هم تکرار کنید، مدل زبانی هم اذیت می‌شه و بهتون می‌گه ولش کنید.»
تعدادی از برنامه‌نویسان هوش مصنوعی که با آنها صحبت کردیم هم برای GTP-3 هیجان‌زده بودند؛ مدل NLP شدیدا پیشرفتهای که آزمایشگاه OpenAI واقع در سان‌فرانسیسکو که مالک آن ایلان ماسک است تولید کرده. جی‌تی‌پی ۳، که می‌تواند مقدار عظیمی از متون را خوانده و سپس متن خودش را تولید کند، همین الان هم برای تولید محتوای روزنامه‌ها و مجلات استفاده می‌شود. پس آیا ممکن است در آینده یک بازی جهان آزاد ادونچر ببینیم که NPCهایش مجهز به جی‌پی‌تی ۳ باشند؟ توگلیوس می‌گوید «از جی‌پی‌تی ۳ نتایج خوبی می‌گیرید، اما مشکل کنترل وجود داره [یعنی ممکنه حرف‌هایی بزنه که باب طبع نباشه] و OpenAI هم کاملا به این موضوع آگاهه و می‌دونه ممکنه باعث رسوایی در روابط عمومی بین کمپانی و مشتری بشه.» به‌طور خلاصه، یعنی ممکن است فلان کاراکتر مجهز به هوش مصنوعی تصمیم بگیرد از عبارات سکسیستی یا نژادپرستانه استفاده کند، یا کلا بزن‌بهادر شود.
زمانی که مونولیث پروداکشنز/Monolith Productions، تیم سازنده‌ی Middle-Earth: Shadow of War، داشت روی سیستم تاثیرگذار خود یعنی نمسیس/Nemesis System کار می‌کرد (که رقابت‌های همزمان بین بازیکن و NPCها تولید می‌کند که از پیش-برنامه-ریزی-شده نیستند) به این معضل به خوبی آگاه بود. مایکل دپلتر/Michael de Plater، معاون این استودیو، در این مورد می‌گوید «پیشرفتهای تکنولوژیکی در حوزه‌هایی مثل پردازش زبان‌های طبیعی و تولید متن شگفت‌انگیزن. ژانل شین/Janelle Shane در بلاگی مقاله‌ای با عنوان عجایب هوش مصنوعی/AI Weirdness نوشته و مثال‌هایی می‌آورد از اینکه هوش مصنوعی چه متون دیوانه‌باری می‌تواند تولید کنند. بنابراین گرچه این تکنولوژی بسیار نیرومند است اما محدودیت‌هایی هم دارد. رمان‌های تعاملی هم همیشه شگفت‌انگیزن، و امیلی شورت/Emily Short هم در بلاگ فوق‌العاده‌ی دیگه‌ای در باب داستان‌گویی و هوش مصنوعی قلم زده. در خصوص بازی‌های جدید هم، واکنش‌پذیری و رابطه‌سازی درون بازی Hades ساخته‌ی Sueprgiant Games فوق‌العاده بود. یک چیز دیگه‌ای هم که همیشه منبع الهام ما بوده نقش‌آفرینی‌های رومیزی‌ان؛ اساسا ما هم چیزی جز دانجن مسترهای دیجیتالی نیستیم.»
توگلیوس می‌گوید برای اینکه جلوی یاغی شدن هوش مصنوعی را گرفت احتمالا باید دایره لغاتش را محدود کرد و چند دستور ازپیش‌نوشته‌شده وارد برنامه ساخت: «می‌تونید دیالوگ‌های دلخواه داشته باشید، اما کمی متون از قبل نوشته‌شده هم بهش می‌شه اضافه کرد. احتمال قوی می‌دم که در سال آینده بالاخره جی‌پی‌تی ۳ رو داخل یه بازی پیاده‌سازی کنه.»
یک حوزه‌ی دیگر در هوش مصنوعی که احتمالا در آینده حضور پررنگ‌تری در بازی‌های ویدئویی خواهد داشت، مدل‌سازی بازیکن است. بدین معنا که اعمال بازیکن در بازی توسط هوش مصنوعی مطالعه و به حافظه‌اش سپرده می‌شود. البته، ما تاکنون بازی‌های زیادی را دیدیم که دشمنانی دارند که از تاکتیک‌های بازیکن می‌آموزند و از آن بر ضد او استفاده می‌کنند — ژانر فایتینگ پر از مثال‌های این‌چنینی است — و دشمنان زیادی را هم در بازی‌ها دیدیم که موقعیت‌تان را در بازی کشف می‌کنند. اما بازی‌هایی هم که صرفا به چیزهای جزئی اشاره می‌کنند نیز جالب هستند، مثل NPCهایی که در رد دد ریدمپشن ۲ نسبت به خون روی لباس‌تان واکنش نشان می‌دهد، یا متصدیان بار در هیتمن ۳ که وقتی پشت یخچال‌ها پناه می‌گیرید با تعجب می‌پرسند دقیقا داریم چه کار می‌کنیم.
توگلیوس نمونه‌های پیشرفته‌تری از این تکنولوژی را در آینده‌ی نزدیک پیش‌بینی می‌کند. «وقتی به خوبی بدونید بازیکن احتمال داره چه کارهایی بکنه یا کجاها سرک بشه، اون‌وقت می‌شه به انواع و اقسام روش‌ها کوئست‌های جدیدی مخصوص بازیکن ایجاد کرد. مثلا فرض کنید می‌خواید یه فچ کوئست [ = کوئست‌هایی که معمولا در «برو فلان‌جا فلان آیتم را بردار» خلاصه می‌شوند] به بازیکن بدید، ولی چون از توقعات بازیکن‌تون خبر دارید، پس کوئست رو مطابق سلیقه‌ی اون تغییر می‌دید… مثلا اگر بازیکنیه که علاقه داره به جزایر دوردست سفر کنه، پس تصمیم می‌گیرید هدف کوئست سفر به یکی از این جزایر باشه. کوئست‌های ریزه‌میزه‌ی دیگه‌ای هم هستن که می‌تونن از اول بالانس بشن، طوری که، با توجه به شناختی که سیستم از بازیکن داره، تصمیم می‌گیره اینجا مخفی‌کاری باشه یا بکش برو جلو. البته که [طراح انسانی] هنوز هم مراحل اصلی رو خودش طراحی می‌کنه، ولی نمود اون درون بازی بسته به هر بازیکن می‌تونه تغییر کنه.»
ما بازی‌های زیادی می‌بینیم، مثل فیبل/Fable، که در آن سیستم اخلاق‌سنجی ساده‌ای پیاده شده که باعث می‌شود جهان بازی بسته به اینکه آدم خوب یا بدی هستید واکنش متفاوتی به شما نشان دهد. با هوش مصنوعی می‌شود به این سیستم‌ها پیچیدگی و ظرافت بیشتری افزود تا به شیوه‌های عمیق‌تری در بازی نمود پیدا کنند عوض اینکه در حد چندتا امتیاز بمانند. توگلیوس می‌گوید «اگه هر دفعه به آهنگر می‌گید سمبل خاصی روی زره‌تون حک کنه، ممکنه بقیه کاراکترها هم چون این سمبل رو دیدن روی زره‌شون حک کنن. یا مثلا وقتی دنبال شکار هیولاها می‌رید، ممکنه تکنیک همیشگی‌تون این باشه که پشت سرش مخفیانه حرکت کنید و با تیر سمی بهش شلیک کنید. بعد یه مدت می‌بینید NPCهای پشت سرتون هم دقیقا دارن از همین تکنیک استفاده می‌کنن. اونها به مرور الگوهای رفتاری شما رو می‌بینن و ازش تقلید می‌کنن. برای عملی کردن این چیزها به ماشین لرنینگ نیاز داریم.»
مدل‌سازی رفتار بازیکنان در ترکیب با NLPها در بازی‌های جهان آزاد ادونچر آینده باعث می‌شود حتی NPCها مثلا کارهایی که شما در بازی انجام داده‌اید را برای هم تعریف کنند. بین آنها شایعه و خبرچینی و افسانه و قصه رد و بدل می‌شود. تصور کنید در ویچر ۴ وارد مزرعه‌ای می‌شوید و می‌بینید خنیاگری دارد درباره‌ی آخرین رویارویی‌تان با فلان اژدها نغمه می‌سراید، یا مثلا درباره‌ی فلان رفتاری که با بلادی بارون/Bloody Baron کردید.
مثل یوبی‌سافت، الکترونیک آرتز هم حضور پررنگی در تحقیق روی هوش مصنوعی دارد. این ناشر چند تیم مرکزی مثل EA Digital Platform و یک شعبه‌ی تحقیقاتی دیگر به نام SEED دارد که با تکنولوژی‌های پیشرفته‌ی هوش مصنوعی کار می‌کنند. و مثل دیگر توسعه‌دهندگان، یکی از علایق اصلی استفاده‌ی آنها از هوش مصنوعی این است که چیزهای درون محیط/Assetها را به هوش مصنوعی سپرد، تا مثلا فلان بافت‌های طبیعی و پرجزییات محیط را خودش بسازد، یا انیمیشن واقع‌گرایانه و واکنش‌پذیرتری به کاراکترها بدهد. قابلیت ترکیب انیمیشن‌های استخراج‌شده از موشن کپچر با واکنش‌های همزمان [و از پیش برنامه‌ریزی نشده] اساسی است چون نحوه‌ی تعامل کاراکترها با جهانهای پیچیده‌ی بازی‌ها را دگرگون می‌کند. دیگر خبری از NPCهایی که با کله توی در بروند یا پله‌ها را بی‌دلیل بالا و پایین بروند نخواهد بود.
تامی تامپسون/Tommy Thompson، سرپرست شرکت مشاوردهی AI and Games و یکی از کهنه‌کارترین متخصصان حوزه‌ی هوش مصنوعی در بازی‌های ویدئویی، می‌گوید «ترکیب انیمیشن و همسو کردنش با حرکات موجودات در حال حاضر روی دوش ماشین لرنینگه. اینطوری می‌فهمه بهترین نقاط همسو کردن بین انیمیشن‌ها کجاست و دوباره اون انیمیشن‌ها رو به بسته به شرایط مختلف بازتعریف می‌کنه. پس یه کاراکتر می‌تونه با یه انیمیشن یکسان روی ۱۰ صندلی مختلف بشینه، و انجین هوش مصنوعی می‌تونه این حرکات رو به‌طور یکپارچه با هم همسو کنه.»
در حال حاضر، الکترونیک آرتز در حال بررسی روش‌های مختلف برای استفاده از دیپ لرنینگ است تا مستقیما بتواند حرکات صورت را از ویدئوها ضبط و به بازی منتقل کند، عوض اینکه جلسات گران‌قیمت و وقت‌گیر موشن کپچر را برگزار کند. پاول مک‌کوماس/Paul McComas، سرپرست بخش انیمیشن الکترونیک آرتز، در این مورد می‌گوید «این چیزیه که به نظرم تاثیر بزرگی می‌ذاره روی کار، خصوصا در بازی‌های ورزشی آینده. داده‌های دریافت‌شده از حرکات باعث می‌شه بتونیم موقعیت‌های بیشتر و بیشتری از گیم‌پلی رو پوشش بدیم، و طبیعی‌تر هم جلوه می‌کنه چون انیمیشن‌ها رو مستقیما از روی ویدئویی که از ورزشکارها توی زمین بازی می‌گیریم به بازی منتقل می‌کنیم؛ عوض جلسات کپچر که کاملا مستقل از زمین واقعی هستن. بنابراین حرکات واقع‌گرایانه‌تر می‌شن، خصوصا برای ورزش‌های قراردادی، و می‌شه اینطوری حرکاتی که خاص و امضای اشخاص مشهور هست رو مستقیما وارد انیمیشن‌های بازی کرد. قابلیت ضبط و ثبت داده‌های جدید از روی ویدئوها واکنش‌پذیری رو بیشتر می‌کنه و می‌شه خیلی سریع حرکتی از فلان ورزشکار رو وارد بازی کرد یا حتی سناریوهایی که تو دنیای واقعی رخ دادن رو خیلی سریع وارد بازی کرد.»
این ناشر همچنین دنبال راهی برای ترکیب یادگیری تقویتی/Reinforcement Learning (که در آن هوش مصنوعی با آزمون و خطا می‌آموزد) و یادگیری تقلیدی/Imitation Learning (که در آن با تماشا و تقلید از روی رفتار انسان‌ها می‌آموزد) است، تا بازیکنان مدن و فیفا درست مثل ورزشکارهای دنیای واقعی که بازی از روی آنها ساخته می‌شود عمل کنند. اما کاربرد این چیزها فقط به بازی‌های ورزشی محدود نمی‌ماند. اگر بتوانیم به هوش مصنوعی‌ها آموزش دهیم تا مثل بازیکنان فوتبال در دنیای واقعی عمل کنند، پس می‌توانیم آنها را آموزش دهیم تا رفتاری مشابه گیمرهای شدیدا حرفه‌ای یا استریمرها هم بروز دهند.
توگلیوس می‌گوید «همین مورد رو در خصوص فورتنایت در نظر بگیرید. هر بازیکن اینطوری شانس اینو پیدا می‌کنه تا علیه یه نسخه‌ی مجازی از Ninja [استریمر و بازیکن فوق‌حرفه‌ای در فورتنایت] بجنگه — و کلی از مخاطبین گیم حاضرن آدم بکشن تا همچین فرصتی گیرشون بیاد. یا مثلا می‌تونید گروهی از استریمرها که تو Sea of Thieves خیلی حرفه‌ای‌تر هستن رو بدی به هوش مصنوعی تا رفتارشون رو تقلید کنه — گرچه این یکی خیلی سخته چون اینکه چهار آدم رو همزمان جمع کنی تا درست و هماهنگ Sea of Thieves بازی کنن به اندازه سخته، چه برسه حالا چهارتا هوش مصنوعی باشن!»
الکترونیک آرتز همچنین مشتاق است تا با ماشین لرنینگ محتواهایی که توسط کاربران ساخته می‌شوند را ارتقا دهد. فابیو زینو/Fabio Zinno، مهندس نرم‌افزار ارشد در الکترونیک آرتز، در این مورد می‌گوید «اینطوری کاربران می‌تونن با دادن تصویر خودشون به بازی آواتاری بسازن که کپی خودشونه، حتی ژست و حالات صورت‌شون رو هم شبیه‌سازی کنه. حتی ابزارهای هوشمندتری در اختیارشون قرار می‌گیره تا مراحل شخصی‌ای که می‌خوان [قابلیت مپ ادیتور که در بعضی بازی‌ها وجود دارد] رو پیچیده‌تر و با امکانات بیشتری بسازن. فکر می‌کنم NLPها به گیمرهایی که معلول هستن هم کمک کنه، مثلا، با تبدیل متن به صوت.»
نسل آینده‌ی ادونچرهای جهان آزاد به بازیکن واکنش نشان خواهند داد، با مراحلی که مطابق سلیقه و رفتار قبلی‌تان تنظیم شده‌اند، و با کاراکترهایی که [بدون دخالت طراح انسانی و دیالوگ‌های از قبل ضبط شده] احساس شفقت یا تندی بروز می‌دهد، و فردیت‌تان را به رسمیت می‌شناسند. آن دو NPCای که دنبال اریک باپیتزات می‌آمدند و در سرتاسر نقشه دنبالش می‌کردند به این خاطر نبود که کسی آنها را راهنمایی کرده بود، به‌خاطر این بود که خودشان می‌خواستند. این سرنخی به دست می‌دهد از اینکه آینده‌ی بازی‌های ویدئویی به کجا ممکن است ختم شود: واکنش‌پذیر، ناظر، و گاهی پیش‌بینی‌ناپذیر. نقض غرض است که تمام این تحقیقات پیشرفته قرار است خرج چیزی به این سادگی شود، خرج توسعه‌ی بازی‌هایی که بیش از پیش شبیه ما انسان‌ها رفتار کنند.
منبع: Games Radar
