Как нейросети помогают в разработке игр?

Нейросети постепенно совершенствуются во всех сферах. В последнее время они не только выполняют чисто аналитические задачи, но и рисуют картины и пишут тексты. А что по поводу разработки игр? Мы решили провести небольшой анализ достижений нейросетей в геймдеве на 2022 год. Вот что из этого получилось.

Многослойная нейросеть состоит из входных, скрытых (промежуточных) и выходных нейронов. Соединяются они синапсами, через которые передается информация. Проводя данные, представленные в виде чисел и формул, от входного слоя к выходному, сеть генерирует результат в виде числа от 0 до 1. Если задача нейронов определить, показали им фотографию собаки или кошки, первому случаю будет соответствовать ответ “0”, а второму - “1”. В реальности результат всегда составляет промежуточное значение, например, 0,73. То есть сеть говорит, что с вероятностью в 73% на фото кошка.

У каждого нейрона в цепочке есть свой вес, определяющий его значимость. Он приобретается и балансируется во время обучения. Именно веса, если говорить упрощенно, помогают нейронной сети анализировать входные данные.

Нейросети бывают сверточными и рекуррентными. Первые используются для обработки визуальных материалов - фото и видео. Вторые чаще применяются для решения лингвистических задач - например, переводов. Особенность рекуррентных сетей - в возможности передачи информации в двух направлениях, а не только в одном. За счет этого РНС могут считывать контекст и применять предыдущий опыт.

Если отвечать кратко, то на данный момент - не может. Точнее, сейчас ни одна нейросеть не способна создать оригинальный продукт с нуля. Но часть задач гейминдустрия уже начинает решать с помощью искусственного интеллекта. Первый, и пока единственный пример здесь - генерация липсинга персонажей в игре Cyberpunk 2077. Для более глубокой работы с контентом нейросетям не хватает понимания. По принципу своего построения они лишь обрабатывают поступающую информацию, сводя ее к известным закономерностям. Например, в Microsoft Flight Simulator с помощью нейросетей перенесли виды реальных городов Земли. Создать новые вменяемые ландшафты без затраты огромных ресурсов и ручной доработки вряд ли бы получилось. Даже нашумевшие графические сети вроде Dall-e и Midjourney выдают шедевры далеко не с первого раза и в большинстве случаев требуют человеческой редактуры.

Как бы ярко фантасты ни представляли мир под покровительством всемогущего единого искусственного интеллекта, такая картина если когда-то и наступит, то очень нескоро. Одна из главных проблем современных нейросетей - узконаправленность. Одна программа может адекватно выполнять только одну задачу. Если брать опять же гейминдустрию, то вполне возможно, что сети будут в ней применяться. Но это будет целый набор инструментов. Один будет отвечать за прорисовку одежды персонажей, другой – за генерацию уровней, а третий за анимацию движения.

Второй камень преткновения сетей - креативность. Доступные на данный момент программы, по сути, занимаются плагиатом. Они обучаются на уже существующих работах и не придумывают принципиально новых решений. Играть по десятому кругу в, по факту, один и тот же продукт, большинству пользователей просто надоест.

С другой стороны, нейросети ранее уже преодолевали преграды, казавшиеся для них тупиками. В первую очередь это касается процессов, основанных не только на интеллекте, но и отчасти на интуиции. Примеры, когда ИИ обыгрывал человека в Го или Starcraft прошумели уже несколько лет назад.

Наиболее реалистичным кажется сценарий, в котором нейросети и искусственный интеллект будут выполнять за человека рутинную, не требующую нестандартного подхода работу - от бета-тестирования ПО до локализации контента.

Несмотря на все сложности, нейронным сетям в редких случаях уже передаются определенные задачи в геймдеве.

Самый распространенный пример - ремастеринг визуала старых игр. Тайтлы, выпущенные несколько десятилетий назад, выглядят не так мыльно и блекло за счет обработки. При этом, конечно, принципиально графика не меняется.

Нейросеть для генерации сюжета пока использует только одна игра - текстовый ролевой квест AI Dungeon. Приключения в стиле Dungeons and Dragons или Starfinder здесь создает не гейммастер, а искусственный интеллект. Для генерации игрового мира и непосредственно сюжета сеть использует изначально заданные параметры и реплики игрока по ходу прохождения.

Полезны сети бывают и в технических моментах. Ubisoft использует алгоритмы Learned Motion Matching для экономии объемов памяти, затрачиваемых при обработке сложной анимации в интерактивных сценах. NVIDIA также применяет нейронки для оптимизации графики исходя из необходимых параметров производительности.

Игровые боты, основанные на нейросетях, показывают очень высокие результаты. Бот от OpenAI впервые обыграл живых игроков в Dota 2 еще в 2017 году. Вероятно, со временем искусственным интеллектом на основе сетей будут наделяться игровые боссы и НПС.

Нарисовать полностью графику для игры искусственный интеллект пока не может. Но и на этом поле есть подвижки. При создании визуала для GTA 5 применялась обработка нейросетью фотографий реальных объектов. NVIDIA же создала целый виртуальный мир на основе снимков улиц обычных городов.

Крупные игроки (например, Valve в Left for Dead) иногда предпринимают попытки использования ИНС, но в итоге замораживают это направление и переходят к работе над другими проблемами. У мелких же разработчиков просто не хватает ресурсов и компетенции.

Материал подготовлен командой AppFox.ru