Adakah kita akan melihat hari apabila AI akan menganalisis kemahiran anda dan melaraskan tahap kesukaran secara automatik? Laporan tentang sesi di mana kaedah dan aplikasinya kepada penjanaan tahap automatik telah dibincangkan [CEDEC 2024]

Harinya mungkin tidak lama lagi apabila AI akan melaraskan kesukaran berdasarkan kemahiran pemain, dan juga mencipta peringkat. Diadakan pada 22 Ogos 2024 pada hari kedua persidangan pembangun "CEDEC 2024" ``Kaedah untuk menganalisis 'kemahiran' dan 'kesukaran' pemain dan untuk penjanaan tahap automatik dalam "Aplikasi" , hasil penyelidikan Bahagian AI & Pembangunan Enjin Square Enix telah didedahkan.

● "Kaedah untuk menganalisis kemahiran pemain dan kesukaran permainan serta aplikasi kepada penjanaan tahap automatik" Pembesar suara

• Lagu A-seong (Pengaturcara AI Square Enix & Bahagian Pembangunan Enjin)
• Ken Shirodokoro (Pengaturcara AI Enix Enix & Bahagian Pembangunan Enjin)

Foto dari kiri: Encik Song A-seong, Encik Ken Shirodokoro

AI menganalisis kemahiran pemain dan mencipta kesukaran yang menyenangkan

Untuk bermain permainan tersebut, pemain dikehendaki mempunyai pelbagai kebolehan seperti boleh mendaratkan serangan dan mengelak serangan. Encik Song menegaskan bahawa walaupun setiap pemain mempunyai bidang kekuatan dan kelemahan, tetapan kesukaran permainan semasa adalah seragam dan tidak disesuaikan untuk setiap pemain individu.

Dalam keadaan sedemikian, jika anda menukar tahap kesukaran, semua elemen akan naik atau turun secara seragam, yang boleh membawa kepada percanggahan. Sebagai contoh, jika seseorang yang buruk mengelak tetapi pandai menyerang merendahkan kesukaran dan mengelak menjadi lebih mudah, ia akan menjadi terlalu mudah kerana mereka sudah mempunyai kemahiran yang tinggi untuk menyerang.

Oleh itu, Encik Song berfikir, ``Jika kami boleh melaraskan tahap kesukaran secara dinamik untuk setiap bidang, kami boleh memberikan pengalaman yang sesuai dengan kekuatan dan kelemahan setiap pemain.'' Untuk melakukan ini, adalah perlu untuk mempunyai sistem yang mengklasifikasikan kebolehan pemain terlebih dahulu dan kemudian membolehkan AI membuat pertimbangan dan analisis.


Beginilah cara mekanisme ``Ability Analysis'' menggunakan ``Ability Graph'' dicipta. "Game Master AI" bukan sahaja memantau permainan dan menilai kebolehan, tetapi juga menganalisis ini dan mengganggu perkembangan permainan, menyemak kemahiran pemain dan memberikan bantuan atau meningkatkan bilangan musuh . Satu contoh telah diberikan apabila ini digunakan pada demo teknologi penangkapan tatal menegak (pemain berjalan di darat dan menerima gangguan daripada rupa bumi apabila bergerak. Rupa bumi boleh dimusnahkan dan item muncul dari dalamnya).

Graf keupayaan mempunyai struktur graf di mana "nod kebolehan" dipautkan dengan "tepi (anak panah)." Nod kebolehan menunjukkan kebolehan yang ingin anda analisis, seperti ``Asas (keupayaan untuk melaksanakan tugas asas seperti pergerakan dan serangan)'' dan ``Tindakan (keupayaan untuk mencapai matlamat dengan menggunakan sepenuhnya pelbagai kebolehan asas, seperti mengalahkan musuh dan mengambil item)" dan "Taktik (keupayaan yang mewakili strategi permainan, seperti mengurangkan ancaman, mencegah kerosakan dan meningkatkan status)."

Setiap nod kebolehan mempunyai ``Kadar Penguasaan (selepas ini dirujuk sebagai MR)'' yang menunjukkan tahap kemahiran pemain, dan ``Kadar Cabaran (selepas ini dirujuk sebagai CR)'' yang merupakan kebolehan yang diminta oleh permainan A pautan mempunyai set nilai berat (kaitan), dan semakin tinggi nilainya, semakin penting ia.
Apabila anda benar-benar bermain permainan, AI induk permainan menyemak kemahiran pemain dalam setiap item nod keupayaan berdasarkan graf keupayaan. Ciri-ciri kebolehan dinilai menggunakan graf yang mempunyai dua paksi: baik←→lemah dan sukar←→mudah. ​​MR tinggi bermakna baik (rendah bermakna buruk), dan tinggi perbezaan antara CR dan MR bermakna sukar (rendah bermakna buruk). ).




Melihat ini, AI master permainan campur tangan dalam pembangunan permainan. Jika anda mahir dalam sesuatu tetapi merasa sukar, minta NPC yang mesra untuk membantu anda, dan jika anda lemah dalam sesuatu tetapi mendapati tugas itu sendiri mudah, anda boleh memaparkan petua untuk membantu anda menambah baik, memberikan susulan terperinci. Ia juga boleh digunakan untuk pengeluaran, dan jika anda menghadapi masa yang sukar, anda boleh mencipta suasana yang mengganggu dengan membuat latar belakang lusuh dan hujan.

Jika pemain mengalami kesukaran, anda boleh membantu mereka, atau jika tahap kesukaran tidak mencukupi, anda boleh meningkatkan bilangan musuh dan halangan berkata bahawa ia akan menjadi mungkin untuk berbuat demikian.

Apabila pemain menghadapi masalah memusnahkan rupa bumi, sekutu di sebelah kanan skrin menjatuhkan kilat dan memecahkan batu

Dalam kaedah nod keupayaan ini, pengiraan MR dan CR yang digunakan untuk penilaian adalah penting, maka pelbagai idea telah dirangka. Sesetengah nod keupayaan boleh dinilai secara langsung dan yang lain tidak boleh. Contohnya, dalam kes "mengalahkan musuh," MR boleh dikira daripada bilangan musuh yang dikalahkan dan bilangan yang tidak dikalahkan, dan CR boleh dikira daripada jenis dan bilangan musuh yang disusun dalam satu tahap.

Walau bagaimanapun, memandangkan kebolehan taktikal adalah abstrak, seperti ``meningkatkan status'' atau ``mengosongkan peringkat dengan jayanya,'' mereka dianggarkan menggunakan pemberat daripada MR dan CR keupayaan induk pada graf. Idea ini sendiri boleh digunakan tanpa mengira genre atau format peta, seperti FPS, RPG berasaskan giliran, FPS, dsb.

Melihat ke masa depan, Encik Song berkata bahawa dia ingin dapat menganggarkan sebab drama itu berjalan lancar atau tidak, dan menyampaikan kandungan yang membantu orang ramai mempraktikkan kebolehan yang menyebabkan masalah itu.

Menggunakan AI untuk menjana peringkat secara automatik yang sepadan dengan kemahiran pemain

Pada separuh kedua kuliah, Encik Shirodokoro bercakap tentang contoh penggunaan nod kebolehan dan CR untuk menjana tahap secara automatik, satu inisiatif di mana AI mencipta peringkat mengikut kemahiran pemain .

Apabila menggunakan Penjanaan Kandungan Prosedur (selepas ini dirujuk sebagai PCG) untuk penjanaan tahap, dalam contoh ini, algoritma PCG yang sepadan dengan setiap CR diperlukan, tetapi jika spesifikasi CR berubah, algoritma tidak boleh digunakan, dan berbilang Algoritma yang mengambil CR dipertimbangkan mempunyai kelemahan menjadi terlalu kompleks.

Bagi menyelesaikan masalah ini, Procedural Content Generation via Reinforcement Learning (penjanaan tahap menggunakan pembelajaran pengukuhan, selepas ini dirujuk sebagai PCGRL) telah digunakan. Anda boleh menjana tahap berdasarkan ganjaran yang ditetapkan oleh manusia, dan dalam kes ini, jika anda menggunakan CR sebagai ganjaran, AI akan belajar cara mencipta tahap.

Pembelajaran pengukuhan ialah ejen yang mempelajari strategi terbaik berdasarkan ganjaran, mencari cara untuk mendapatkan lebih banyak ganjaran. Dalam PCGRL, ejen menerima ganjaran apabila mereka meletakkan halangan pada tahap yang mereka edit, jadi mereka belajar untuk menyasarkan ganjaran yang lebih tinggi (peletakan yang sepadan dengan niat reka bentuk pentas).


Walaupun bercakap tentang PCGRL, terdapat pelbagai kaedah, masing-masing dengan batasannya sendiri. Sebagai contoh, apabila menggunakan PCGRL untuk menjana permainan teka-teki secara automatik di mana anda menolak peti ke dalam gol (mungkin apa yang dipanggil "Sokoban"), anda boleh mencipta tahap dengan tahap kesukaran tertentu dengan melaraskan ganjaran, Ia tidak mungkin untuk mencipta tahap mengikut parameter seperti mengawal nombor.

Dalam erti kata lain, adalah mustahil untuk menjana tahap mengikut CR sasaran. PCGRL yang boleh dikawal menyelesaikan masalah ini. Dalam contoh yang saya berikan sebelum ini, PCGRL boleh mengawal aspek seperti bilangan peti, gol dan bilangan langkah terpendek, tetapi ia tidak dapat menjana tahap permainan yang kompleks seperti permainan menembak yang saya ingin buat kali ini.

PCGRL berbilang lapisan secara automatik menjana tahap permainan yang kompleks dengan menggabungkan "lapisan tahap" seperti musuh dan rupa bumi, "lapisan maklumat" dengan maklumat seperti CR, modul penjanaan rupa bumi, modul penempatan musuh, dsb. Modul penjanaan rupa bumi mencipta rupa bumi, modul peletakan musuh meletakkan musuh berdasarkan ini, dan modul peletakan item meletakkan item untuk melengkapkan tahap.



Kuliah itu juga menerangkan bagaimana PCGRL berbilang lapisan secara automatik menjana tahap mengenai keupayaan untuk memusnahkan rupa bumi. PCGRL berbilang lapisan secara automatik menjana satu skrin pada satu masa. Matlamat dalam kes ini ialah "purata CR 20 baris", iaitu purata CR 20 baris x 16 lajur untuk satu skrin. PCGRL berbilang lapisan mengulangi percubaan dan ralat supaya CR purata tahap yang dijana ialah purata CR 20 baris. Dalam erti kata lain, dasar tahap yang anda ingin hasilkan ialah purata 20 baris CR, dan lebih banyak padanan, lebih tinggi ganjarannya.

Dalam contoh ini, kami sedang menjalankan ujian di mana kami mempelajari 20 juta langkah dalam kira-kira 4 hari, menentukan CR rawak dan mencipta 100 tahap (dalam kes ini, peta bernilai 100 skrin). Ia mengambil purata 0.62 saat untuk menjana secara normal, 0.46 saat untuk menjana jalan dan rupa bumi lain untuk membimbing pemain, dan 0.74 saat untuk menambah halangan, semuanya pantas, dan semua peringkat yang dijana mengambil purata 20 baris mengatakan bahawa ia memenuhi kriteria CR.

Apabila meletakkan musuh dan item di kawasan rata dengan purata CR sebanyak 20 baris, musuh boleh diletakkan dalam purata 0.32 saat dan item dalam 0.48 saat, dan 100% mempunyai purata CR sebanyak 20 baris. Dengan mempunyai PCGRL mengedit tahap sedia ada, ia juga mungkin untuk mencipta sesuatu yang mudah pada mulanya tetapi sukar pada separuh masa kedua. Mereka juga menjalankan ujian di mana PCGRL menjana tahap dalam masa nyata semasa bermain, dan nampaknya keputusan yang baik diperolehi.





Akhir sekali, Encik Song bercakap tentang kaedah analisis keupayaan, seperti menjana kandungan dan pencarian secara dinamik, mempunyai peta lengkap AI yang telah mula dibuat oleh pemain, dan mencipta permainan baharu yang merupakan pemain tunggal tetapi mengingatkan berbilang pemain, seperti pemain vs. master permainan AI Dia mengakhiri syarahannya dengan bercakap tentang prospek masa depan dan berfikir bahawa ia boleh digunakan untuk seks.


　Pelarasan automatik kesukaran menggunakan AI telah menjadi impian pembangun permainan, sesuatu yang telah menjadi usaha berterusan sejak sekian lama. Boleh dikatakan bahawa penyelidikan AI moden dan kuasa mesin telah menjadikan impian itu lebih realistik dan meluas. Sebagai pemain, anda boleh menikmati permainan yang bersesuaian dengan tahap kemahiran anda, dan penjanaan peringkat automatik akan menjadikan pembangunan lebih pelbagai, jadi hasrat itu menjadi kenyataan. Terdapat trend baru-baru ini untuk mencipta persekitaran yang mudah dimainkan untuk pelbagai orang, dan nampaknya terdapat keperluan yang kuat untuk pelarasan kesukaran automatik dan penjanaan tahap automatik, dan syarahan ini memberi saya rasa yang kuat tentang potensi mereka.

Atas ialah kandungan terperinci Adakah kita akan melihat hari apabila AI akan menganalisis kemahiran anda dan melaraskan tahap kesukaran secara automatik? Laporan tentang sesi di mana kaedah dan aplikasinya kepada penjanaan tahap automatik telah dibincangkan [CEDEC 2024]. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!