Исследователи создают ИИ, который может клонировать Pac-Man без единой строки кода

Вы когда-нибудь задумывались, для чего ИИ можно использовать в играх? Мы уверены, что есть. Много . Существуют сотни, если не тысячи, возможных вариантов использования для машинного обучения и искусственного интеллекта в разработке игр. Тем не менее, несмотря на то, что наши фантазии не дают покоя, мы все еще поражены тем, чего достигла сегодня команда исследователей из Nvidia: функционирующий ИИ, который может воспроизводить Pac-Man всего лишь с помощью пикселей и нажатий клавиш.

Генеративная состязательная сеть (GAN), описанная в исследовательской работе, по прозвищу GameGAN, способна брать пиксельные и входные данные из видеоигры и воссоздавать копию, похожую на аналогичную. Он делает это без базового движка — ИИ фактически генерирует новый кадр для каждого экранного события, основываясь на тех, которые были до него, действиях игрока и намека на случайность окружения.

Его первой задачей было создание классического видеоигра Pac-Man — сегодня исполняется 40 лет. Не обманывайтесь и его упрощенным внешним видом. Даже такая игра, как Pac-Man, которая далека от сложности сегодняшних игр AAA, делает сложную задачу. Это потому, что для построения игры ИИ должен сначала понять свои правила.

Для этого нужны данные геймплея. Многое из этого. Nvidia пошла на создание второго ИИ, который мог бы снова и снова играть в Pac-Man, чтобы собрать достаточно вещей. Потребовалось 50 000 «эпизодов» игрового процесса (всего несколько миллионов кадров), чтобы снабдить GameGAN достаточным количеством информации для воспроизведения базовой игровой логики.

Это тоже только основная информация. GameGAN учится, используя только информацию о пикселях на экране и нажатия клавиш, зарегистрированные во время игры. Ни один из базовых кодов, необходимых для сборки игры или ее запуска, не передается ИИ.

Оттуда GameGAN научили (через пару систем Nvidia DGX) создавать набор правил для собственной имитационной игры. Например, он должен узнать, что стены блокируют движение Pac-Man, чтобы игроки не нарушали игру на каждом ходу. 

Три основных модуля в нейронной сети помогают реализовать Pac-Man:

• Динамика двигатель имеет доступ к прошлой истории игры, и использует это богатство информации для обеспечения последовательного моделирования, соответствующий источник игры.
• Модуль памяти отслеживает среду и поддерживает согласованность, в данном случае со средой Pac-Man и фоном.
• Механизму рендеринга поручено фактически создавать выходное изображение. Это основано на всей информации, передаваемой ему динамическим механизмом, и на статической и согласованной информации, хранящейся в модуле памяти. Он также использует специализированную архитектуру механизма рендеринга для создания распутанных сцен, которые также могут использоваться для переключения статических и динамических компонентов. Это может быть использовано для переключения персонажей и / или фонов по желанию.

Получающаяся игра от полностью обученной модели — опыт Pac-Man, мало чем отличающийся от реальной вещи. Он также предоставил еще один игровой режим под названием «эгоцентричный», в котором Pac-Man занимает центральное место и перемещается по карте с ограниченной видимостью того, что будет впереди.

«Мы думаем, что это семя множества различных способов создания игр с помощью ИИ». говорит преподобный Лебаредян, вице-президент по технологиям моделирования в Nvidia, на предварительном брифинге. «Прежде чем делать что-либо из этого, вам нужен ИИ, достаточно умный, чтобы понимать основные правила. Как только он поймет правила, вы можете использовать ИИ для выполнения других задач, таких как построение уровней».

GameGAN может даже создавать новые уровни и среды, используя существующую информацию, и исследователи даже полагают, что однажды она сможет помочь в разработке и упрощении уровней и персонажей, созданных разработчиками и пользователями.

«Помочь могут не только разработчики игр, но и конечные пользователи», — говорит Саня Фидлер, директор AI в Nvidia. «… нейронная сеть, чтобы научиться воссоздавать игру, должна разделять компоненты и узнавать об этих различных компонентах. Можно представить, что конечный пользователь действительно модифицирует игру таким образом».

Исследовательская группа, стоящая за GameGAN, родом из Nvidia, Университета Торонто, Института Вектора и MIT. Полная исследовательская работа может быть найдена здесь . Их исследования пополнили ряд других проектов под руководством Nvidia, таких как GauGAN, приложение для создания фотореалистичных изображений; Image Inpainting, инструмент для реконструкции фотографий; и GANimal, приложение для подкачки домашних животных. Да, ИИ может быть довольно странным.

Вы спросите, что будет дальше с GameGAN? Исследователи Nvidia еще не исключили 3D видеоигры. «В этой технологии нет ничего принципиально ограничивающего 2D», — говорят нам. И его сфера деятельности выходит далеко за рамки только видеоигр. Исследователи также считают, что продвинутый ИИ, способный изучать виртуальные наборы правил, может быть важен для разработки ИИ в реальных приложениях и минимизировать работу, связанную с созданием реалистичной симуляции.

Возможности почти бесконечны для разработки игр и ИИ, и они чувствуют себя идеально подходящими друг другу. GameGAN — это только начало отношений ИИ с видеоиграми. Это захватывающее (и только немного пугающее) представление о том, что станет возможным с более сложными и продвинутыми алгоритмами ИИ в будущем.

Если вы хотите попробовать GameGAN для себя, вы сможете сделать это с конца этого года на игровой площадке Nvidia AI . Здесь вы также найдете другие приложения на основе AI, упомянутые выше, которые можно попробовать в любой момент.