هوش مصنوعی چگونه توسعه‌ی بازی‌ها و بازی کردن را متحول خواهد کرد؟
اگر از طرفداران بازی‌های ویدئویی بپرسید یک سرگرمی تعاملی ایده‌آلی که هنوز ساختش شدنی نیست در ده یا بیست سال آینده به چه شکل خواهد بود، ممکن است توصیف‌شان به‌طرز هولناکی شبیه به نرم‌افزاری باشد که اورسن اسکات کارد/Orson Scott Card در زمان علمی تخیلی کلاسیکش یعنی «بازی اندر»/Ender’s Game به تصویر کشید. در این رمان، کاردْ وسیله‌ی نظامی مخصوص شبیه‌سازی جنگی را مجسم می‌کند که به یک هوش مصنوعی پیشرفته‌ی نفوذناپذیر متصل است.
بازی ذهن/The Mind Game، نام این هوش مصنوعی، اساسا برای ارزیابی وضعیت روانی استخدامی‌های جدید طراحی شده بود، و اغلبْ موقعیت‌های غیرممکن جلوی روی بازیکنان می‌گذاشت تا پایمردی و شهامت‌شان را در زمانی که مقابل شکست حتمی قرار می‌گیرند بسنجد. با این حال این بازی موقعیت‌ها و شرایطی که می‌ساخت به یک چشم بهم زدن بود و بی‌پایان، و می‌گذاشت بازیکنان در این جهان مجازی همان کارهایی را بکنند که در دنیای واقعی سابقا می‌کردند. علاوه بر این، نسبت به وضعیت عاطفی و روانی بازیکنان خود واکنش نشان می‌داد، طوری که به مرور زمان با مشاهده‌ی بیشتر رفتار انسان‌ها خود را منطبق می‌کرد و تکامل می‌یافت. در بخشی از داستان، بازی ذهن حتی با توجه به اینکه از خاطرات بازیکن آگاه است، جهانی می‌سازد که دقیقا مطابق خودآگاه و پیش‌زمینه‌ی ذهنی او باشد.
جنبه‌های ناسالم کاربردهای نظامی این بازی فانتزی را که کنار بگذاریم (و این واقعیت که این نرم‌افزار به‌مرور خودآگاه می‌شود)، بازی ذهن نقطه‌ی آغازین خوبی است تا مکالمه‌ای در باب آینده‌ی بازی‌های ویدئویی و هوش مصنوعی‌ها داشته باشیم. چرا بازی‌ها، و هوش مصنوعی‌هایی که برای کمک به توسعه‌ی آنها و حرکت‌بخشی به کاراکترهای مجازی‌اش استفاده می‌شود، هنوز به گرد پای پیچیدگی‌های بازی ذهن نرسیده‌اند؟ و چه ابزارها و تکنولوژی‌هایی سازندگان باید بسازند تا به این ترکیب فرضی بین هوش مصنوعی و واقعیت شبیه‌سازی‌شده بشود رسید؟
اینها سوالاتی‌اند که محققین و طراحان بازی‌های ویدئویی اخیرا با آن دارند دست و پنجه نرم می‌کنند چراکه پیشرفتهای اخیر در حوزه‌ی هوش مصنوعی باعث شده آنها از آزمایشگاه‌ها بیرون آمده و به ابزارها و محصولات قابل‌استفاده و گسترده‌تردی تبدیل می‌شوند. در حال حاضر، این هوش مصنوعی‌هایی که خودبه‌خود یاد می‌گیرند — به عبارتی، دیپ لرنینگی که بخشی از انقلاب «یادگیری ماشینی» محسوب می‌شود — باعث توسعه‌ی ماشین‌های خودگردان شده‌اند، و دید کامپیوتری، و پردازش زبان‌های طبیعی. با این حال، هیچ‌یک از اینها تاکنون وارد دنیای توسعه‌ی بازی‌های تجاری نشده بود، حتی با اینکه برخی از این پیشرفتهای هوش مصنوعی تا حدی مدیون تمرین دیدن در بازی‌های ویدئویی بوده‌اند، مثل برنامه‌ی غیرقابل‌شکست DeepMind به نام AlphaGo و بات‌های OpenAI بازی Dota 2 که حالا می‌تواند بازیکنان حرفه‌ای را هم شکست دهد.
اما قابل تصور است که در آینده هم بازی‌سازان به این ابزارها دسترسی پیدا کرده و با به‌کارگیری آخرین تحقیقات پیشرفته‌ی انجام‌شده در هوش مصنوعی بتوانند بازی‌های ایمرسیو و هوشمند بسازند. حاصلش می‌شود ابزارهای توسعه‌دهنده‌ای که می‌تواند ساخت بازی‌های پیچیده را اتوماتیک کرده و نسبت به فیدبک‌های بازیکن خود را عوض کند و واکنش نشان دهد، و چه بسا کاراکترهای درون بازی هرقدر وقت بیشتری با آنها بگذرانید تکامل بیابند. فعلا این صحبت‌ها در حد قصه است، اما ممکن است بیش از آنچه فکر می‌کنیم نزدیک به واقعیت باشد.
برای فهم بهتر اینکه چگونه هوش مصنوعی در آینده می‌تواند با بازی‌های ویدئویی ممزوج شود، مهم است بدانیم که هر دو حوزه تاریخ و گذشته‌شان بهم گره خورده. از همان عنفوان پیدایش این مدیوم، بازی‌سازان نرم‌افزارها را با این ذهنیت برنامه‌نویسی می‌کردند که گویی یک انسان است و هم اینکه جهان‌های مجازی‌ای خلق کنند که لازم نباشد برای تک تک جزییات آن حتما خود انسان‌ها صفر تا صدش را طراحی کنند.
از کنترل نرم‌افزاری پره‌های بازی Pong، تا روح‌های Pac-Man، تا الگوریتم‌های جهان‌ساز بازی اکتشافات فضایی Elite (که پیشتاز شکل‌گیری مفهوم تولید جهان‌های تصادفی/procedural generation در بازی‌ها شد)؛ بازی‌سازان در تمام این دهه‌ها از هوش مصنوعی‌ها در راه‌های منحصربه‌فرد و جالبی استفاده می‌کردند. متقابلا، آلن تورینگ، پدر هوش مصنوعی‌ها، قبل از اینکه کامپیوتری به‌وجود بیاید و اجرا کند، الگوریتمی که می‌توانست شطرنج بازی کند ساخته بود.
ولی از نقطه‌ای به بعد، نیازمندی‌ها و اهداف بازی‌سازان با همین هوش مصنوعی فعلی (که امروزه دیگر چندان هوشمندش نمی‌دانیم) رفع و رجوع می‌شد. مثلا تفاوت بین گومباهایی که در نسخه‌ی اول سوپر ماریو می‌دیدید و فلان باس کابوس‌زای جان‌سخت دارک سولز را در نظر بگیرید. یا مراحل بازی Rogue در سال ۱۹۸۰ که همیشه تصادفی ساخته می‌شد را با بازی دانجن‌محور معروف ۲۰۱۷ یعنی Dead Cells مقایسه کنید (که بعد از این همه سال، برای تولید تصادفی مراحل از همان تکنیک مرسوم استفاده می‌کرد). به زیربنای کار که نگاه کنیم، فرمول دلتای بین این بازی‌های کلاسیک و نمونه‌های مدرن‌شان آنقدرها هم متفاوت نیست.
چیزی که دارک سولز را به بازی‌ای اینقدر دشوار تبدیل کرده این است که باس‌فایت‌هایش همیشه با سرعت و دقت زیادی حرکت می‌کنند، و چون طوری برنامه‌نویسی شده‌اند که خطاهای پرتکرار انسانی را می‌دانند [و می‌توانند ضدحمله بزنند]. اما هنوز هم هوش مصنوعی تعبیه‌شده در آنها را می‌توان حفظ کرد، با آنها خود را تطابق داد، تا جایی که یک بازیکن متوسط هم می‌تواند بر آنها پیروز شود. (در موارد خیلی معدودی، مثل شطرنج، هوش مصنوعی می‌تواند بازیکن را همیشه شکست دهد). و حتی جهان‌های تصادفی تولیدشده‌ی بازی‌ای به عظمت و پیچیدگی No Man’s Sky هم هنوز با همان فرمول‌های ریاضی و روش‌های برنامه‌نویسی‌ای تولید شده که بازی‌هایی مثل Rogue، Elite و دیگر دنباله‌روهایشان بنا گذاشتند.
دلیل اینکه جهش‌های بزرگ و قابل‌توجهی در هوش مصنوعی‌های بازی‌ها دیده نمی‌شود این است که هوش مصنوعی حاکم بر آنها برای تعیین رفتار موجودات مجازی — و دیگر هوش مصنوعی‌هایی که برای تولید تصادفی جهان‌ها استفاده می‌شوند — طی این سال‌ها پیشرفت چندانی نکرده‌اند. جولیان توگلیوس/Julian Togelius، استادیار بخش علوم کامپیوتری و مهندسی دانشگاه نیویورک که متخصص رابطه‌ی بین بازی‌های ویدئویی و هوش مصنوعی است، در این مورد می‌گوید «دوتا از اجزای اصلی هوش مصنوعی‌های بازی‌های تجاری، مسیریابی و ماشین حالات متناهی/finite state machines هستند. مسیریابی یعنی اینکه چگونه به‌طور ساده از نقطه‌ی A به نقطه‌ی B برسید، و همیشه در همه‌ی بازی‌ها استفاده می‌شود. ماشین حالات متناهی نیز سازه‌ای‌اند که (یک کاراکترغیرقابل‌بازی/NPC) چگونه می‌تواند در وضعیت‌های مختلفی قرار گرفته و بین آنها تغییر وضعیت بدهد.»
توگلیوس می‌گوید بازی‌های مدرن نوع جدیدی از این دو تکنیک را استفاده می‌کنند — به اضافه‌ی روش‌های پیشرفته‌تر مثل جست‌وجوی درختی مونته کارلو و روش دیگری که به عنوان رفتارها و تصمیم‌گیری‌های شاخه‌ای شناخته می‌شود — که به‌مراتب پیچیده‌تر از تکنیک‌هایی‌اند که در دهه‌های هشتاد و نود استفاده می‌شد. با این حال، اکثر بازی‌سازان هنوز از همان مفاهیم پایه‌ای استفاده می‌کنند و به‌خاطر داشتن قدرت‌های پردازش بیشتر، آنها را صرفا در مقیاسی بزرگ‌تر پیاده می‌سازند. او می‌گوید «البته، هوش مصنوعی در بازی‌های تجاری پیچیده‌تر از این صحبت‌هاست، اما باز هم تابع همان اصول اساسی‌ای است که صرفا نسخه‌های متفاوتی از آن را در جاهای مختلف می‌بینیم.»
حال، تفاوت چشمگیری هست میان هوش مصنوعی‌ای که قرار است در یک بازی ویدئویی تجاری با آن تعامل داشته باشید، با هوش مصنوعی‌ای که طراحی شده تا یک بازی را با مهارتی فرابشری انجام دهد. برای مثال، حتی ساده‌ترین بازی‌های کامپیوتری شطرنج هم می‌تواند ماهرانه انسان را شکست دهد، همانطور که سیستم دیپ‌بلوی/DeepBlue ساخته‌ی IBM توانست قهرمان روسی شطرنجْ گری کاسپاروف/Garry Kasparov را در سال ۱۹۹۷ مغلوب کند. و نوع دوم از هوش مصنوعی‌ها، برعکس اولی‌ها، پرشتاب‌ترین پیشرفت را در سال‌های اخیر داشته است.
دلیل اینکه جهش‌های بزرگ و قابل‌توجهی در هوش مصنوعی‌های بازی‌ها دیده نمی‌شود این است که هوش مصنوعی حاکم بر آنها برای تعیین رفتار موجودات مجازی — و دیگر هوش مصنوعی‌هایی که برای تولید تصادفی جهان‌ها استفاده می‌شوند — طی این سال‌ها پیشرفت چندانی نکرده‌اند.
در آزمایشگاه دیپ‌مایند/DeepMind، متعلق به گوگل، که برای فیسبوک روی هوش مصنوعی تحقیق انجام می‌دهد، و همینطور دیگر آزمایشگاه‌های هوش مصنوعی در سرتاسر جهان، محققین به سختی مشغولند تا به نرم‌افزارها بیاموزانند تا چطور بازی‌های ویدئویی‌ای که هر دم پیچیده‌تر می‌شوند را بازی کنند. این شامل همه‌جور بازی‌ای می‌شود؛ از بازی چینی رومیزی Go گرفته تا بازی‌های کلاسیک آتاری و حتی عناوین پیچیده‌تر مثل Dota 2، استراتژی رقابتی پنج به پنج که نقل محافل حرفه‌ای گیمینگ در جهان است.
بنابراین هدفْ توسعه‌ی هوش مصنوعی‌ای نیست که تجارب جالب‌تر، پویاتر و واقع‌گرایانه‌تری در بازی‌ها بسازد؛ محققین هوش مصنوعی بیشتر از بازی‌ها به عنوان سنگ محکی برای ارزیابی میزان هوشمندی نرم‌افزارها استفاده می‌کنند و همینطور به این علت که جهان‌های مجازی، با نظام‌های پاداش‌دهنده و قوانین ملموس‌شان، محیط بسیار مناسبی‌اند تا نرم‌افزارها را در آنها آموزش دهند. امید می‌رود با آموزش دادن نرم‌افزارها برای انجام بازی‌ها، محققین راحت‌تر بتوانند بفهمند چگونه ماشین‌ها را آموزش دهند تا ماشین‌ها در آینده وظایف پیچیده‌تری انجام دهند.
اوریول وینی‌یولز/Oriol Vinyals، هم‌سرپرست پروژه‌ی استارکرفت ۲/Star Craft 2 در آزمایشگاه دیپ‌مایند، اوایل امسال گفت «اول از همه، ماموریت دیپ‌مایند اینه که یک هوش مصنوعی کلی بسازه.» منظور او این است که آنها تلاش می‌کنند هوش مصنوعی فعالی بسازند که هر فعالیت ذهنی‌ای که انسان می‌تواند انجام دهد را آنها نیز بتوانند. «بنابراین، مهمه محک بزنیم که این هوش مصنوعی‌های ما در وظایف مختلف چطور رفتاری از خودشون بروز می‌دن.»
- تصویری گرافیکی از پردازش‌هایی که آلفااستار در پشت صحنه انجام می‌دهد. سیستمْ کل نقشه را از بالا می‌بیند و سپس پیش‌بینی می‌کند چه عملی باعث پیروزی می‌شود.
این نوع از هوش مصنوعی‌ها، و دیگر پیشرفت‌ها در آموزش‌دادن نرم‌افزارها برای شناسایی اشیا در تصاویر و ترجمه‌ی متن در زبان‌های مختلف، چیزی است که بازی‌سازان اغلب از آنها دوری می‌کنند و به‌درد کارشان نمی‌خورد. ولی بی‌دلیل نیست که چرا بیشتر بازی‌ها، حتی بازی‌های طراز اول با بودجه‌های کلان که از پیچیده‌ترین ابزارها و تکنولوژی‌ها استفاده می‌کنند، سراغ اینجور هوش مصنوعی‌ها نمی‌روند. به این دلیل که، نرم‌افزاری که بتواند به معنای واقعی کلمه همه‌چیز را خودبه‌خود یاد بگیرد باعث غیرقابل‌بازی‌شدن بازی می‌شود، یا به‌خاطر اینکه جهانی شدیدا غیرقابل‌پیش‌بینی با دشمن‌هایی غیرقابل‌شکست ساخته می‌شود یا به‌خاطر اینکه هوش مصنوعی طوری برای تولید یک داستان خوب یا ایجاد یک چرخه‌ی فیدبک رضایت‌بخش لنگ می‌زند که هیچ جهان خوبی نمی‌تواند ساخته شود.
کوک آینده‌ای را تصور می‌کند که تا حدی به «بازی ذهن» هم شبیه است، یعنی نرم‌افزار می‌تواند با دریافت اطلاعات شخصی کاربر، بازی‌ای بسازد که در محله‌ی خودتان است، یا مثلا با کاراکترهایی که بر اساس دوستان یا خانواده‌ی شما ساخته شده‌اند.
بازی‌سازان تمایل دارند آن دسته از رفتارهایی را اولویت قرار دهند که ما بتوانیم پیش‌بینی کنیم. تانیا شورت/Tanya Short، بازی‌ساز و هم‌موسس استودیوی مستقل کیت‌فاکس گیمز/KitFox Games، می‌گوید «اینکه هوش مصنوعی‌ها رفتار غیرقابل‌پیش‌بینی و جدیدی در هر بار شروع بازی بروز بدن جالبه، اما برای بازیکنان به نظر نمی‌رسه چندان سرگرم‌کننده باشه. مگر اینکه بازی اساسا حول رفتار غیرقابل‌پیش‌بینی NPCها ساخته شده باشه. در غیر این صورت، هوش مصنوعی‌ای که آزاد باشه هر کاری دوست داره انجام بده کاربرد خوبی در بازی‌ها نداره.»
شورت می‌گوید بیشتر هوش مصنوعی‌ها در بازی‌ها معادل «شعبده‌بازی» هستند — آنقدر پیچیده هستند تا باعث شوند فکر کنید با چیزی هوشمند روبه‌رو هستید، اما آنقدر هم کنترل‌پذیر و قابل‌پیش‌بینی هستند تا قضیه از مسیر خارج نشود. تانیا شورت اضافه می‌کند «می‌تونید صرفا قدرت خام سخت‌افزاری رو اولویت قرار بدین یا تفکر راه‌حل‌محور ماشین‌ها و اینجور چیزها. اما تو بازی‌ها تقریبا هیچ ارزشی این چیزها ندارن. برای مقالات (و تحقیقات) خیلی خوبن، اما بازی‌سازا صرفا می‌خوان یه تجربه‌ی خوب برای بازیکن‌های معمولی فراهم کنن.»
توگلیوس هم دیدگاه مشابهی دارد، و خاطرنشان می‌کند برنامه‌هایی که با هوش مصنوعی تمرین و آموزش دیده‌اند، مگر در موارد خیلی معدودی مثل پیش‌بینی متن و جست‌وجوی تصویر، آنقدر رفتار غیرقابل‌پیش‌بینی‌ای دارند که در حال حاضر بدرد استفاده در بازی‌ها نمی‌خورند. دنیای مجازی‌ای را تصور کنید که هر کاراکتری یادش باشد چه آدم گوشت‌تلخ و مجرمی بودید و علیه‌تان بشورد، یا NPCای که برای پیشبرد خط اصلی داستان مهم است هیچوقت عمل لازمی که برای رفتن به مرحله‌ی بعد یا اتفاق مهم بعدی وجود دارد را انجام ندهد.
توگلیوس می‌گوید «معمولا وقتی یه بازی طراحی می‌کنین، هدفتون از طراحی اینه که بازیکن قراره واردش بشه. می‌خواید بدونید وقتی بازیکن واردش می‌شه چه تجربه‌ای قراره داشته باشه. و برای همین، اگر قراره هوش مصنوعی‌ای این وسط بذارید، باید رفتار قابل پیش‌بینی‌ای داشته باشه. حالا اگر این وسط شبکه‌های نورونی پیشرفته و محاسبات تکامل‌محور قرار بدید، احتمالا رفتاری بروز می‌دن که هیچوقت انتظارش رو نداشتید. و این برای طراحْ مشکل‌سازه.» در نتیجه، به باور او، هوش مصنوعی در بازی‌ها نسبتا «ضعیف» هستند.
یک دلیل خوب دیگر برای اینکه چرا هوش مصنوعی در بازی‌ها آنقدرها پیچیده نیست این است که اصلا، اگر به تاریخ آنها بنگریم، نیازی ندارند. مایک کوک/Mike Cook، یکی از محققین مشغول در بخش مهندسی رویال آکادمی در دانشگاه کوئین مری لندن، می‌گوید بازی‌سازان در استفاده از روش‌های مرسوم و قدیمی برای القا و ایجاد توهم «هوشمندی» چیره‌دست هستند — و هدف بازی هم این است که صرفا توهم هوشمندی بدهد. کوک می‌گوید «(بازی‌سازها) توی کار با تکنولوژی واقعا ماهر شدن. اونها متوجه شدن نمی‌تونن موجودات هوشمند بی‌نقصی بسازن. اونها متوجه شدن نمی‌تونن همه‌ی این مشکلات رو حل کنن. ولی این رو متوجه شدن که با همین امکانات موجود چطور بهترین نتیجه رو به دست بیارن. شیره‌شو تا قطره‌ی آخر می‌کشن بیرون.»
کوک مثلا به دو بازی برجسته در سبک شوتر اول شخص اشاره می‌کند، مثل سری هیلو ساخته‌ی بانجی و اثر ترسناک پارانرمال F.E.A.R که مونولیث پروداکشنز/Monolith Productions در سال ۲۰۰۶ آن را منتشر کرد و برای هوش مصنوعی پیشرفته‌اش زبانزد شد. این بازی‌ها برای ساخته‌شدن از همان ابزارهای زمان خودشان که، دیگران هم استفاده می‌کردند، بهره می‌بردند، اما سازندگان‌شان توانستند به بازیکنان القا کنند دارند با موجودات هوشمندتری می‌جنگند چون دشمنان این بار کارهایشان را از طریق رادیو بهم گزارش می‌دادند و طبق آن عمل می‌کنند.
کوک اشاره می‌کند که پیشرفت چشمگیری در حوزه‌ی شبکه‌های مولد تخاصمی انجام شده است، که یکی از روش‌های موجود در ماشین لرنینگ است که با استفاده از یک جفت هوش مصنوعی و کوهی از داده‌ها سعی می‌کند الگوهای کشف‌شده را تکرار کند تا جایی که دیگر تشخیص اینکه کدام کار انسان است و کدام کار ماشینْ دشوار می‌شود و با نمونه‌ی واقعی مو نمی‌زند.
مثلا در هیلو، دشمنان قبل از آنکه از پرت کردن، از پشت سنگر فریاد می‌زنند «نارنجک». دشمن‌های کوچک‌جثه و پرسروصدا هم، وقتی مافوق‌‌های‌شان را بکشید، به سربازان زیردست‌شان می‌گویند فرار کنند. در F.E.A.R، دشمنان نحوه‌ی مسیریابی و حرکت‌شان در محیط [که از همان الگوریتم‌هایی استفاده می‌کند که در بقیه‌ی بازی‌ها موجود است] را مثل سربازان حرفه‌ای از پشت بی‌سیم به یکدیگر می‌گویند، و این توهم القا می‌شود که آنها موجودات هوشمندی هستند. مثلا سربازان فریاد می‌زنند برای محاصره‌ی بازیکن کجا پهلو بگیرند، یا اگر در قلع و قمع‌شان خوب عمل کنید یکی‌شان با تیم پشتیبانی تماس می‌گیرد و تقاضای ارسال نیروی پشتیبانی می‌کند.
تانیا شورت می‌گوید «بهترین هوش مصنوعی در بازی‌ها هوش مصنوعی‌ایه که نمی‌تونی تشخیصش بدی. هوش مصنوعی‌ایه که به‌طرز ترسناکی باهوش به نظر میاد یا دانا به همه‌چیزه. اما نه اونقدر دانا، چون بالاخره بعدش می‌فهمی صرفا یه هوش مصنوعیه.» او اشاره می‌کند هیلو و F.E.A.R بازی‌هایی بودند که مفهوم استفاده از هوش مصنوعی‌های معمولی‌ای که صرفا با صدای بلند فکر می‌کردند را جا انداختند: «تنها کاری که کردن این بود که برای این دشمن‌ها صدا بذارن و مردم هم ناگهان فکر کردن ‘اوه. با عقل جور درمیاد. واقعا دارن یه نارنجک پرت می‌کنن. و فکر می‌کنم مال تاکتیک‌شونه.’ این یه مثال از اینه که هوش مصنوعی پیچیده‌تر نشد، اما این توهم رو به مردم داد که پیچیده‌تر شده. و اس‌واساس طراحی بازی هم همینه.»
امروزه، آن بازی‌هایی که بیش از همه مرزها را به جلو هل می‌دهند لزوما به‌خاطر این نیست که از هوش مصنوعی پیچیده‌تری استفاده می‌کنند، بلکه سیستم‌های پیچیده‌ای می‌سازند که وقتی با دیگر سیستم‌ها برخورد می‌کند پیامدهای غیرمنتظره‌ای داشته باشد، چیزی که طراحان اسمش را «فرآمدگی در گیم‌پلی»/emergent gameplay گذاشته‌اند. برای مثال، بازی وسترن شدیدا واقع‌گرایانه‌ی رد دد ریدمپشن ۲ ساخته‌ی راک‌استار گیمز را در نظر بگیرید، که بازیکن را آزاد می‌گذارد تا به شیوه‌های پیچیده و بی‌شماری با شخصیت‌های غیرقابل‌بازی تعامل داشته باشد و بسته به شرایط مختلف هم آنها واکنش متفاوتی نسبت به بازیکن نشان دهند (بسته به اینکه چه کلاهی بر سر دارید یا اینکه روی لباس‌تان لکه‌ی خون هست یا نه). در یکی از کلیپ‌های گرفته‌شده از بازی که وایرال شد، بازیکن برای جهت هشدار، تیر هوایی می‌زند ولی ناخواسته آن تیر به یک پرنده برخورد می‌کند و به زمین می‌افتد. این رویکرد راک‌استار را نشان می‌دهد که جهانی چنان قابل‌باور و پیچیده ساخته که رویدادها می‌توانند طوری برای بازیکن اتفاق بیافتند که هیچ‌کس دیگری احتمالا آن را تجربه نخواهد کرد.
بازی دیگری که در این خصوص عالی عمل می‌کند افسانه‌ی زلدا: تنفس وحش/The Legend of Zelda: Breath of the Wild است، که از هوش مصنوعی پیشرفتهای استفاده نمی‌کند، اما جهان آزاد منسجمش با قوانین چفت‌وبست‌داری که برای همه‌چیز تعبیه کرده (از جاذبه و سکون تا آشپزی و حتی قوانین ترمودینامیک) باعث شده جهانی بسازد که قوانینش به اشکال شگفت‌آوری می‌توانند با هم تعامل پیدا کنند — برای مثال، برداشتن یک شمشیر سوزان/flaming sword باعث می‌شود در هوای سرد از نوار سلامتی‌تان کم نشود — مادام که آنقدر ماهر باشید تا بدانید این سیستم‌ها چگونه روی هم سوار شده‌اند. در دیگر نمونه‌ی مشابه، بازی نمادین با جلوه‌های گرافیکی متشکل از کدهای ASCII که تمام این سال‌ها مدام به‌روزرسانی شده و می‌شود، یعنی Dwarf Fortress، چنان از سیستم‌های هوشمند بهره می‌گیرد که آدمی گیج می‌شود؛ از تولید تصادفی جهان‌ها تا انواع و اقسام حالت‌های عاطفی و باده‌گساری دورف‌ها. همه‌ی اینها باعث ایجاد موقعیت‌های عجیب و منحصربه‌فردی در بازی می‌شود که سازندگانش اصلا هدفشان از ساختن بازی اینها نبوده است.
چنین نوع هوش مصنوعی‌ای که هدفش القای واقعیت است اما نه در حدی که جهان بازی را بهم بریزد، همان نوعی است که باعث می‌شود بازی‌سازان آن جهان‌سازی پویا و غوطه‌ورانه‌ای که می‌خواهند را خلق کنند، فارغ از اینکه چقدر جزییات جهان‌شان هوشمند هست یا نیست. کوک می‌گوید «فکر می‌کنم یه‌جور اعتمادسازی بین بازیکن و بازی وجود داره که باعث می‌شه اون جهان براشون باورپذیر باشه. به نظرم این نه حرکت پیش‌پاافتاده‌ایه و نه بده. از قضا خیلی هم خوبه چون اساسا دارید از بازیکن دعوت می‌کنید با جهانی که ساختید درگیر بشه. دارید دعوتش می‌کنید که نقش یک بازیگر فعال رو ایفا کنه، چیزهایی که دور و برش می‌گذره رو باور کنه، که به نظرم خیلی جالبه. به نظرم بخش اعظم بازی‌سازی و نویسندگی برای بازی‌ها همینه.»
دوباره باید گفته شود از قدیم تاکنون، هدف بازی‌سازان این نبوده تا هوشی شبیه به انسان در بازی‌ها پیاده کنند، بلکه صرفا می‌خواهند تجربه‌ای فراهم کنند یا جهانی بسازند که بازیکن‌ها را به خود مشغول کند و برانگیزاند، همانطور که در دنیای واقعی. کوک ادامه می‌دهد «وقتی درباره‌ی دیپ‌مایند صحبت می‌کنیم، اشاره‌مون اینه که اساسا چطور یاد می‌گیره — با چقدر داده، و با چه مقدار مصرف سی‌پی‌یو. ولی این صرفا پنجاه درصد کار هوش مصنوعیه. پنجاه درصد دیگه‌ی هوش مصنوعی، روان‌شناسیه. اینکه بفهمی مردم چطور نسبت به ماشین‌ها و تکنولوژی‌ها واکنش نشون می‌دن و درکشون می‌کنن. و در واقع، اکثریت هوش مصنوعی‌های به‌کاررفته توی بازی‌ها آخرش خرج این کارها شده.»
خب، نرم‌افزاری خودآموز و بااصالت در خصوص بازی‌های ویدئویی چگونه ظاهر می‌شود؟ تا رسیدن به «بازی ذهن»ای که ارسن اسکات کارد در رمان کلاسیکش تصویر کرد فاصله‌ی زیادی داریم. اما باز هم پیشرفتهای زیادی انجام شده و می‌بینیم که چطور از هوش مصنوعی برای تولید تصاویر بازی‌ها استفاده می‌شود و استفاده از آن برای بهتر کردن تولید تصادفی جهان‌ها/procedural generation و اتوماتیک‌کردن بعضی از جنبه‌های طراحی بازی دم به دم مرزها را جابه‌جا می‌کند.
کوک می‌گوید «چیزی که در حال حاضر می‌بینیم سویه‌ی تکنولوژیک هوش مصنوعی‌هاست که داره خودشو وقف می‌ده و به (بازی‌سازها) قابلیت‌ها و چیزهای جدیدی می‌ده که می‌تونن تو بازی‌هاشون هم استفاده کنن، و این هیجان‌انگیزه.» کوک، به‌خاطر تحقیقش، در حال ساخت سیستمی است که اسم آن را آنجلینا/Angelina گذاشته که می‌تواند از صفرْ بازی بسازد بدون اینکه طراح انسانی دخالت کند. برخی از بازی‌هایی که این هوش مصنوعی را ساخته به رایگان در بازار بازی‌های مستقل itch.io نیز منتشر کرده است.
شاید هیجان‌انگیزترین بخش چنین چشم‌اندازی در آینده این نیست که نرم‌افزارها هم بتوانند در تولید خود بازی‌ها نقش هنرمندانه و خلاقانه ایفا کنند. هیجان‌انگیزتر این است که چنین تکنولوژی‌ای بتواند بازی‌هایی بسازد که مداما تغییر می‌کنند و هرگز کهنه نمی‌شوند.
کوک اشاره می‌کند چنین آزمایش‌هایی با هوش مصنوعی‌های غیرقابل‌پیش‌بینی در بازی‌ها بیشتر محدود به کار اهالی دانشگاه و بازی‌سازهای مستقل است. اما دقیقا به‌خاطر همین شیوه است — شیوه‌ای که فشارهای کمپانی‌های کله‌گنده‌ی تجاری و ناشران بازی‌های عامه‌پسند دیگر وجود ندارد — که می‌شود تجارب گیمینگ نیرو گرفته از هوش مصنوعی‌ها را واقعا بنا گذاشت، از آن تجاربی که هدفمندانه ساخته شده‌اند تا مناسب ماهیت همیشه روبه‌تکامل شبکه‌های نورونی و سیستم‌های ماشین لرنینگ‌محور باشند.
کوک آینده‌ای را می‌بیند که در آن هوش مصنوعی‌ها همکار انسان‌ها شده‌اند، و به طراحان و بازی‌سازان کمک می‌کنند تا تصاویر هنری تولید کنند، مراحل طراحی سازند، و اصلا کل بازی را از صفر به خود هوش مصنوعی بسپارند: «فکر می‌کنم قراره در آینده ابزارهایی رو ببینی که می‌ذاره ریلکس بشینی سر جات و بدون اینکه به نظر بیاد اصلا فکر کنه تو یه چشم‌بهم‌زدن بازی بسازه. همینطوری که باهاش کار می‌کنی، خود سیستم بهت یه لیست پیشنهاد می‌ده که می‌تونی چه کارهایی انجام بدی. و مهم نیست یه بازی‌ساز مبتدی هستی یا کارکشته. قوانینی رو بهت پیشنهاد می‌ده که می‌تونی عوضشون کنی، یا مراحلی که بتونی طراحی‌شون کنی.» کوک این ابزارها را به نرم‌افزارهایی شبیه می‌داند که در آن کاربرد وقتی متنی را می‌نویسد، خود سیستم به او پیشنهاد می‌کند در جمله‌ی بعدی چه چیزهایی را می‌تواند بنویسد؛ مانند قابلیت Smart Compose در جیمیل که از ماشین لرنینگ نیرو می‌گیرد. او باور دارد سیستمی مشابه برای بازی‌سازی هم ساخته خواهد شد.
نتیجه‌ی خلق چنین ابزارهایی این می‌شود که تیم‌های کوچک‌تر هم می‌توانند بازی‌های پیچیده و به‌مراتب بزرگ‌تری بسازند. علاوه بر این، استودیوهای بزرگ‌تر می‌توانند راحت‌تر مرزها را جابه‌جا کنند خصوصا وقتی صحبت سر طراحی محیط‌های جهان آزاد و ساخت شبیه‌سازها و سیستم‌هایی باشد که دنبال بازنمایی هرچه بیشتر پیچیدگی‌های دنیای واقعی هستند: «پس بله از طرفی اینطوری بازی‌سازی خیلی راحت‌تر می‌شه. می‌تونیم بازی‌های به‌مراتب بزرگ‌تری بسازیم. خواهید دید که این بازی‌های جهان آزاد خیلی بزرگ‌تر می‌شن. ولی فکر می‌کنم، خصوصا در بازی‌ها، عناوینی رو ببینیم که قوانین سیستم‌ها جهش پیدا می‌کنن و قوانین، در هر بار آغاز بازی، همونی نیست که قبلا دیده بودین. حتی این قوانین بازی بین بازی‌ای که روی کامپیوتر شماست و همون بازی‌ای که روی کامپیوتر دوست‌تونه یکسان نیست.»
این به این معناست که بازی‌ها را طوری طراحی کرد که قابلیت انطباق دارند و تکامل پیدا می‌کنند، و آینده‌ی بازی‌هایی که به‌طور تصادفی جهان تولید می‌کنند به اینها گره خورده است. کوک در این مورد می‌افزاید «فکر می‌کنم، لااقل برای من، اونچه درباره‌ی اتوماتیک کردن طراحی بازی‌ها هیجان‌انگیزه اینه که این بازی‌ها تا وقتی انجامشون می‌دید دست از طراحی‌کردن خودشون برنمی‌دارن.» کوک آینده‌ای را تصور می‌کند که تا حدی به «بازی ذهن» هم شبیه است، یعنی نرم‌افزار می‌تواند با دریافت اطلاعات شخصی کاربر، بازی‌ای بسازد که در محله‌ی خودتان است، یا مثلا با کاراکترهایی که بر اساس دوستان یا خانواده‌ی شما ساخته شده‌اند.
توگلیوس می‌گوید، در کوتاه مدت، هوش مصنوعی احتمالا در تست کردن بازی‌ها قبل از عرضه هم به سازندگان کمک خواهد کرد. کمپانی‌ها برای پلی‌تست و کشف باگ‌ها و حذف گره‌های گیم‌پلی می‌توانند به هوش مصنوعی‌ها اتکا کنند. او همچنین ماشین لرنینگ و دیگر تکنیک‌های مشابه را عضو لاینفک ابزارهای استخراج داده برای تحلیل بازی‌ها می‌داند، به این شکل که سازندگان می‌توانند رفتار بازیکن را در بازی مطالعه کرده، از آن رمزگشایی کنند و به نتایجی برسند که باعث شود بازی خود را به مرور زمان ارتقا دهند تا بیشتر باب طبع بازیکن شود.
او همچنین اشاره می‌کند که پیشرفت چشمگیری در حوزه‌ی شبکه‌های مولد تخاصمی/Generative Adversarial Networks (به اختصار GAN) انجام شده است، که یکی از روش‌های موجود در ماشین لرنینگ است که با استفاده از یک جفت هوش مصنوعی و کوهی از داده‌ها سعی می‌کند الگوهای کشف‌شده را تکرار کند تا جایی که دیگر تشخیص اینکه کدام کار انسان است و کدام کار ماشینْ دشوار می‌شود و با نمونه‌ی واقعی مو نمی‌زند.
حاصل تحقیق روی شبکه‌های مولد تخاصمیْ پیشرفتی شگفت‌انگیز در ساخت چهره‌های خاص انسانی است که فرقی با چهره‌ی انسان‌ها در دنیای واقعی ندارد. دیگر حاصل آن، گرافیک‌هایی است که بسیار به نمایش‌های زنده‌ی تلویزیونی نزدیک است. توگلیوس در این خصوص می‌گوید «در حال حاضر ابزارهای ساخت کاراکتر و ویرایشگری رو تو بازی‌ها داریم که اجازه می‌ده شکل دماغ، رنگ پوست، مدل مو و غیره‌ی کاراکتری که می‌خواید رو تعیین کنید. در آینده که شبکه‌های مولد تخاصمی پیشرفت کنن این چیزها هم تو بازی‌ها قراره شدیدا پیشرفته بشن.»
- برخی از چهره‌هایی که توسط هوش مصنوعی با روش شبکه‌های مولد تخاصمی از انویدیا ساخته شده است.
البته، جام مقدس و مرحله‌ی نهایی این است که کاراکتری ساخت که فقط از هوش مصنوعی نیرو بگیرد، یا هوش مصنوعی کلی‌تری برای بازی‌سازی ساخت که مثل یک انسان بتواند خود را تغییر دهد، واکنش نشان دهد و رشد کند. با چنین سناریوهایی راحت می‌توان گمانه‌زنی کرد که آینده چقدر قرار است درگیرکننده یا اصلا آخرالزمانی شود؛ اینکه آیا شبیه «بازی ذهن» خواهد شد یا به کاراکتر حراف بیگانه‌ای که دیوید اورایلی/David O’Reilly، فیلم‌ساز و هنرمند، برای فیلم علمی-تخیلی Her طراحی کرد.
کوک آینده‌ای را می‌بیند که در آن هوش مصنوعی‌ها همکار انسان‌ها شده‌اند، و به طراحان و بازی‌سازان کمک می‌کنند تا تصاویر هنری تولید کنند، مراحل طراحی سازند، و اصلا کل بازی را از صفر به خود هوش مصنوعی بسپارند: «فکر می‌کنم قراره در آینده ابزارهایی رو ببینی که می‌ذاره ریلکس بشینی سر جات و بدون اینکه به نظر بیاد اصلا فکر کنه تو یه چشم‌بهم‌زدن بازی بسازه.»
اما توگلیوس می‌گوید سپردن کنترل به سیستم‌های نرم‌افزاری هوشمند می‌تواند شدیدا نحوه‌ی فکر ما درباره‌ی ماهیت بازی‌ها را تغییر دهد. «ساخت هوش مصنوعی‌ای که بتونه خدای بازی باشه واقعا شگفت‌انگیزه. خیلی‌ها خیلی وقته این فکر رو دارن که بتونی هوش مصنوعی‌ای داشته باشی که نه تنها به بازیت خدمت کنه بلکه بتونه خود بازی رو تغییر بده تا مطابق سلیقه‌ات بشه. اینطوری می‌شه گفت همونقدری که بازیکن با بازیْ بازی می‌کنه، بازی هم با بازیکنْ بازی می‌کنه.»
ولی شاید هیجان‌انگیزترین بخش چنین چشم‌اندازی در آینده این نیست که نرم‌افزارها هم بتوانند در تولید خود بازی‌ها نقش هنرمندانه و خلاقانه ایفا کنند. هیجان‌انگیزتر این است که چنین تکنولوژی‌ای بتواند بازی‌هایی بسازد که مداما تغییر می‌کنند و هرگز کهنه نمی‌شوند.
“>کوک می‌گوید «وقتی به دفعه‌ی اولی که بازی مورد علاقه‌تو انجام دادی فکر می‌کنی، می‌دونی فقط یه بار تجربه‌ش ممکن بوده. هیچ راهی نیست که همون حس رو برای بار اول تکرار کرد. وقتی سراغ اون بازی برمی‌گردی که حرفه‌ای شدی توش، امکان نداره دوباره به‌عنوان مبتدی و کسی که هیچی ازش نمی‌دونه واردش بشی. اما با ابزارهایی که طراحی بازی‌ها رو اتوماتیک می‌کنن می‌تونی همون تجربه رو بارها و بارها از اول کسب کنی، انگار هر بار دفعه‌ی اوله، چون بازی خودش رو هر دفعه از نو طراحی و نو می‌کنه. با چنین ابزارهایی نه فقط نوع جدیدی از بازی داریم، بلکه مفهوم جدیدی در باب بازی کردن ایجاد می‌شه — مفهوم به‌کل جدید برای خود بازی‌ها به‌طورکلی. و این خیلی جالبه.»
منبع: The Verge
