Искусственный интеллект в видеоиграх: обзор и перспективы.

Введение

Обзор использования искусственного интеллекта в видеоиграх

В видеоиграх искусственный интеллект (ИИ) используется для создания отзывчивого, адаптивного или разумного поведения, прежде всего у неигровых персонажей (НПЧ), имитирующего человеческий интеллект. Искусственный интеллект является неотъемлемой частью видеоигр с момента их появления в 1950-х годах. ИИ в видеоиграх – это отдельная область, отличная от академического ИИ. Он служит для улучшения игрового опыта, а не для машинного обучения или принятия решений. В золотой век аркадных игр идея ИИ-соперников получила широкое распространение в виде постепенно возрастающих уровней сложности, различных моделей движения и внутриигровых событий, зависящих от действий игрока. Современные игры часто используют существующие методы, такие как поиск пути и деревья решений, для управления действиями НПЧ. ИИ также часто применяется в механизмах, невидимых пользователю, например, в анализе данных и процедурной генерации контента. В целом, игровой ИИ не подразумевает, вопреки распространенному мнению и иногда встречающимся изображениям, создание искусственного существа, соответствующего НПЧ в духе теста Тьюринга или общего искусственного интеллекта.

Обзор

Термин "игровой ИИ" используется для обозначения широкого спектра алгоритмов, включающих также методы из теории управления, робототехники, компьютерной графики и информатики в целом. Поэтому ИИ в видеоиграх часто нельзя назвать "истинным ИИ", поскольку подобные методы не обязательно обеспечивают машинное обучение или соответствуют другим стандартным критериям, а представляют собой лишь "автоматизированные вычисления" или заранее заданный, ограниченный набор реакций на заранее заданный, ограниченный набор входных данных. Многие представители индустрии и корпоративного сектора утверждают, что игровой ИИ значительно продвинулся, совершив революцию в способах взаимодействия человека с технологиями, однако многие эксперты-исследователи скептически относятся к этим заявлениям, особенно к утверждению о том, что такие технологии соответствуют стандартному определению "интеллекта", используемому в когнитивных науках. Представители индустрии утверждают, что ИИ сделал технологические устройства более универсальными, позволяя использовать их не только по прямому назначению, поскольку ИИ обеспечивает возможность работы в различных режимах, якобы развивая собственные "личности" и выполняя сложные команды пользователя. Специалисты в области ИИ, напротив, считают, что игровой ИИ – это не настоящий интеллект, а рекламный термин, используемый для описания компьютерных программ, применяющих простые алгоритмы сортировки и сопоставления для создания иллюзии разумного поведения, при этом придавая программному обеспечению обманчивую ауру научной или технологической сложности и прогресса. Поскольку игровой ИИ для неигровых персонажей (NPC) ориентирован на создание видимости интеллекта и обеспечение увлекательного игрового процесса в рамках заданных ограничений среды, его подход существенно отличается от подхода традиционного ИИ.

История

Игры были областью исследований в области ИИ с самого начала. Одним из первых примеров ИИ является компьютерная игра Nim, созданная в 1951 году и опубликованная в 1952 году. Несмотря на то, что в год создания, за 20 лет до Pong, игра представляла собой относительно небольшое устройство и смогла регулярно выигрывать даже у высококвалифицированных игроков. Это были одни из первых компьютерных программ, когда-либо написанных. Программа для игры в шашки Артура Сэмюэля, разработанная в середине 50-х и начале 60-х годов, в конечном итоге достигла достаточного мастерства, чтобы бросить вызов уважаемому любителю. Работа над шашками и шахматами завершилась поражением Гарри Каспарова от компьютера IBM Deep Blue в 1997 году. Первые видеоигры, разработанные в 1960-х и начале 1970-х годов, такие как Spacewar!, Pong и Gotcha (1973), были реализованы на дискретной логике и строго основывались на соревновании двух игроков, без использования ИИ. Игры с одиночным режимом, в которых присутствовали враги, начали появляться в 1970-х годах. Первые заметные аркадные игры появились в 1974 году: Speed Race от Taito (гоночная видеоигра) и Qwak (стрелялка с оптическим пистолетом для охоты на уток) и Pursuit (симулятор воздушного боя) от Atari. Две текстовые компьютерные игры, Star Trek (1971) и Hunt the Wumpus (1973), также содержали врагов. Движение врагов основывалось на заранее заданных шаблонах. Внедрение микропроцессоров позволило увеличить вычислительные возможности и добавить случайные элементы в шаблоны движения. Именно в золотой век аркадных игр идея противников, управляемых ИИ, получила широкое распространение благодаря успеху Space Invaders (1978), которая отличалась возрастающей сложностью, уникальными моделями движения и внутриигровыми событиями, зависящими от хэш-функций, основанных на действиях игрока. Galaxian (1979) добавила более сложные и разнообразные движения врагов, включая маневры отдельных противников, вырывающихся из строя. Pac-Man (1980) представила модели ИИ в лабиринтные игры, а также уникальные особенности характера для каждого врага. Karate Champ (1984) позже внедрила модели ИИ в файтинги. First Queen (1988) была тактической action-RPG, в которой персонажи могли управляться ИИ компьютера, следуя за лидером. Ролевая видеоигра Dragon Quest IV (1990) представила систему "Тактика", позволяющую пользователю настраивать алгоритмы ИИ неигровых персонажей во время боя, концепция, позже перенесенная в жанр action-RPG Secret of Mana (1993). Такие игры, как Madden Football, Earl Weaver Baseball и Tony La Russa Baseball, использовали ИИ в попытке воспроизвести на компьютере тренерский или управленческий стиль выбранной знаменитости. Мэдден, Уивер и Ла Русса активно сотрудничали с командами разработчиков игр, чтобы максимально повысить точность игрового процесса. Позднее спортивные игры позволяли пользователям "настраивать" переменные ИИ для создания собственной управленческой или тренерской стратегии. Появление новых игровых жанров в 1990-х годах стимулировало использование формальных инструментов ИИ, таких как конечные автоматы. Стратегии в реальном времени предъявляли высокие требования к ИИ, требуя управления большим количеством объектов, неполной информацией, решения задач поиска пути, принятия решений в реальном времени и экономического планирования. Первые игры этого жанра имели серьезные проблемы. Например, в Herzog Zwei (1989) были почти неработоспособные алгоритмы поиска пути и очень простые трехсостоятельные автоматы для управления юнитами, а Dune II (1992) атаковала базу игрока по прямой и использовала многочисленные читы. Поздние игры в этом жанре демонстрировали более сложный ИИ. В более поздних играх использовались методы ИИ снизу вверх, такие как эмерджентное поведение и оценка действий игрока в играх, таких как Creatures или Black & White. Façade (интерактивная история), выпущенная в 2005 году, использовала интерактивные многовариантные диалоги и ИИ в качестве основного элемента игры. Игры предоставили среду для разработки искусственного интеллекта с потенциальными приложениями, выходящими за рамки игрового процесса. Примеры включают в себя Watson, компьютер, играющий в Jeopardy!, и турнир RoboCup, где роботы тренируются для соревнований в футбол.

Game playing was an area of research in AI from its inception. One of the first examples of AI is the computerized game of Nim made in 1951 and published in 1952. Despite being advanced technology in the year it was made, 20 years before Pong, the game took the form of a relatively small box and was able to regularly win games even against highly skilled players of the game. These were among the first computer programs ever written. Arthur Samuel's checkers program, developed in the middle 50s and early 60s, eventually achieved sufficient skill to challenge a respectable amateur. Work on checkers and chess would culminate in the defeat of Garry Kasparov by IBM's Deep Blue computer in 1997. The first video games developed in the 1960s and early 1970s, like Spacewar!, Pong, and Gotcha (1973), were games implemented on discrete logic and strictly based on the competition of two players, without AI. Games that featured a single player mode with enemies started appearing in the 1970s. The first notable ones for the arcade appeared in 1974: the Taito game Speed Race (racing video game) and the Atari games Qwak (duck hunting light gun shooter) and Pursuit (fighter aircraft dogfighting simulator). Two text based computer games, Star Trek (1971) and Hunt the Wumpus (1973), also had enemies. Enemy movement was based on stored patterns. The incorporation of microprocessors would allow more computation and random elements overlaid into movement patterns. It was during the golden age of video arcade games that the idea of AI opponents was largely popularized, due to the success of Space Invaders (1978), which sported an increasing difficulty level, distinct movement patterns, and in game events dependent on hash functions based on the player's input. Galaxian (1979) added more complex and varied enemy movements, including maneuvers by individual enemies who break out of formation. Pac Man (1980) introduced AI patterns to maze games, with the added quirk of different personalities for each enemy. Karate Champ (1984) later introduced AI patterns to fighting games. First Queen (1988) was a tactical action RPG which featured characters that can be controlled by the computer's AI in following the leader. The role playing video game Dragon Quest IV (1990) introduced a "Tactics" system, where the user can adjust the AI routines of non player characters during battle, a concept later introduced to the action role playing game genre by Secret of Mana (1993). Games like Madden Football, Earl Weaver Baseball and Tony La Russa Baseball all based their AI in an attempt to duplicate on the computer the coaching or managerial style of the selected celebrity. Madden, Weaver and La Russa all did extensive work with these game development teams to maximize the accuracy of the games. Later sports titles allowed users to "tune" variables in the AI to produce a player defined managerial or coaching strategy. The emergence of new game genres in the 1990s prompted the use of formal AI tools like finite state machines. Real time strategy games taxed the AI with many objects, incomplete information, pathfinding problems, real time decisions and economic planning, among other things. The first games of the genre had notorious problems. Herzog Zwei (1989), for example, had almost broken pathfinding and very basic three state state machines for unit control, and Dune II (1992) attacked the players' base in a beeline and used numerous cheats. Later games in the genre exhibited more sophisticated AI. Later games have used bottom up AI methods, such as the emergent behaviour and evaluation of player actions in games like Creatures or Black & White. Façade (interactive story) was released in 2005 and used interactive multiple way dialogs and AI as the main aspect of game. Games have provided an environment for developing artificial intelligence with potential applications beyond gameplay. Examples include Watson, a Jeopardy! playing computer; and the RoboCup tournament, where robots are trained to compete in soccer.

Взгляды

Многие эксперты жалуются, что "ИИ" в термине "игровой ИИ" переоценивает его значимость, поскольку игровой ИИ не связан с интеллектом и мало разделяет целей академической области ИИ. В то время как "настоящий ИИ" охватывает области машинного обучения, принятие решений на основе произвольных входных данных и даже конечную цель сильного ИИ, способного к рассуждениям, "игровой ИИ" часто состоит из полудюжины правил большого пальца или эвристик, которых достаточно для обеспечения хорошего игрового опыта. Исторически академические проекты в области игрового ИИ были относительно обособлены от коммерческих продуктов, поскольку академические подходы, как правило, были простыми и не масштабируемыми. Коммерческий игровой ИИ разработал собственный набор инструментов, которых во многих случаях было достаточно для достижения хорошей производительности. Эти написанные вручную деревья решений часто приводят к "искусственной глупости", такой как повторяющееся поведение, потеря эффекта присутствия или аномальное поведение в ситуациях, не предусмотренных разработчиками. Поиск пути, еще одно распространенное применение ИИ, широко используется в стратегиях реального времени. Поиск пути – это метод определения способа перемещения NPC из одной точки карты в другую с учетом местности, препятствий и, возможно, "тумана войны". Коммерческие видеоигры часто используют быстрый и простой "поиск пути на основе сетки", при котором местность отображается на жесткую сетку однородных квадратов, а к сетке применяется алгоритм поиска пути, такой как A* или IDA*. Вместо жесткой сетки некоторые игры используют нерегулярные многоугольники и создают навигационную сетку из областей карты, по которым могут перемещаться NPC. В качестве третьего метода разработчикам иногда удобно вручную выбирать "путевые точки", которые NPC должны использовать для навигации; недостаток заключается в том, что такие точки могут создавать неестественные движения. Кроме того, путевые точки, как правило, работают хуже, чем навигационные сетки в сложных условиях. Помимо статического поиска пути, навигация является подразделом игрового ИИ, ориентированным на предоставление NPC возможности перемещаться в динамической среде, находить путь к цели, избегая столкновений с другими сущностями (другими NPC, игроками) или взаимодействуя с ними (групповая навигация). Навигация в динамических стратегиях с большим количеством юнитов, таких как Age of Empires (1997) или Civilization V (2010), часто работает неэффективно; юниты часто мешают друг другу. В Half-Life (1998) алгоритм поиска пути иногда не мог найти разумный способ для всех NPC уклониться от брошенной гранаты; вместо того, чтобы позволить NPC попытаться увернуться и рисковать выглядеть глупо, разработчики запрограммировали NPC приседать и укрываться в такой ситуации.

Many experts complain that the "AI" in the term "game AI" overstates its worth, as game AI is not about intelligence, and shares few of the objectives of the academic field of AI. Whereas "real AI" addresses fields of machine learning, decision making based on arbitrary data input, and even the ultimate goal of strong AI that can reason, "game AI" often consists of a half dozen rules of thumb, or heuristics, that are just enough to give a good gameplay experience. Historically, academic game AI projects have been relatively separate from commercial products because the academic approaches tended to be simple and non scalable. Commercial game AI has developed its own set of tools, which have been sufficient to give good performance in many cases. These handwritten decision trees often result in "artificial stupidity" such as repetitive behavior, loss of immersion, or abnormal behavior in situations the developers did not plan for. Pathfinding, another common use for AI, is widely seen in real time strategy games. Pathfinding is the method for determining how to get a NPC from one point on a map to another, taking into consideration the terrain, obstacles and possibly "fog of war". Commercial videogames often use fast and simple "grid based pathfinding", wherein the terrain is mapped onto a rigid grid of uniform squares and a pathfinding algorithm such as A* or IDA* is applied to the grid. Instead of just a rigid grid, some games use irregular polygons and assemble a navigation mesh out of the areas of the map that NPCs can walk to. As a third method, it is sometimes convenient for developers to manually select "waypoints" that NPCs should use to navigate; the cost is that such waypoints can create unnatural looking movement. In addition, waypoints tend to perform worse than navigation meshes in complex environments. Beyond static pathfinding, navigation is a sub field of Game AI focusing on giving NPCs the capability to navigate in a dynamic environment, finding a path to a target while avoiding collisions with other entities (other NPC, players ) or collaborating with them (group navigation). Navigation in dynamic strategy games with large numbers of units, such as Age of Empires (1997) or Civilization V (2010), often performs poorly; units often get in the way of other units. In Half Life (1998), the pathfinding algorithm sometimes failed to find a reasonable way for all the NPCs to evade a thrown grenade; rather than allow the NPCs to attempt to bumble out of the way and risk appearing stupid, the developers instead scripted the NPCs to crouch down and cover in place in that situation.

Боевой ИИ видеоигр

Многие современные видеоигры относятся к жанрам экшн, шутер от первого лица или приключения. В большинстве таких игр присутствует определенный уровень боевых действий. Эффективность ИИ в бою важна для этих жанров. Сегодня распространенной целью является создание ИИ, который был бы более человечным или, по крайней мере, казался таковым. Одной из наиболее полезных и эффективных функций современного ИИ в видеоиграх является способность к охоте. Изначально ИИ реагировал очень прямолинейно. Если игрок находился в определенной области, ИИ либо полностью переходил в наступление, либо полностью оборонялся. В последние годы была внедрена концепция "охоты"; в этом состоянии ИИ ищет реалистичные признаки, такие как звуки, издаваемые персонажем, или следы, которые он мог оставить. Эти разработки в конечном итоге позволяют создать более сложный игровой процесс. Благодаря этой функции игрок может обдумывать, как подойти к врагу или избежать его. Особенно часто эта функция встречается в играх жанра стелс. Еще одним развитием в игровом ИИ стало появление "инстинкта самосохранения". Игровые компьютеры могут распознавать различные объекты в окружающей среде и определять, насколько они полезны или вредны для выживания. Как и игрок, ИИ может искать укрытие во время перестрелки, прежде чем совершать действия, которые сделают его уязвимым, например, перезаряжать оружие или бросать гранату. Могут быть заданы определенные параметры, определяющие, когда ИИ должен реагировать тем или иным образом. Например, если ИИ получает команду проверять свое здоровье в течение игры, можно задать дополнительные команды, чтобы он реагировал определенным образом при достижении определенного уровня здоровья. Если здоровье опускается ниже определенного порога, ИИ может убегать от игрока и избегать его до тех пор, пока не будет активирована другая функция. Другой пример: если ИИ замечает, что у него закончились патроны, он найдет укрытие и спрячется за ним, пока не перезарядится. Подобные действия делают ИИ более реалистичным. Однако в этой области все еще есть возможности для улучшения. Еще одним побочным эффектом боевого ИИ является ситуация, когда два персонажа, управляемых ИИ, сталкиваются друг с другом; впервые получившая широкую известность в игре Doom от id Software, так называемая "перестрелка между монстрами" может возникать в определенных ситуациях. В частности, агенты ИИ, запрограммированные реагировать на враждебные атаки, иногда атакуют друг друга, если атаки их союзников оказываются слишком близко. В случае с Doom, в официальных руководствах по игре даже предлагается использовать перестрелки между монстрами для выживания на определенных уровнях и с определенной сложностью.

Many contemporary video games fall under the category of action, first person shooter, or adventure. In most of these types of games, there is some level of combat that takes place. The AI's ability to be efficient in combat is important in these genres. A common goal today is to make the AI more human or at least appear so. One of the more positive and efficient features found in modern day video game AI is the ability to hunt. AI originally reacted in a very black and white manner. If the player were in a specific area then the AI would react in either a complete offensive manner or be entirely defensive. In recent years, the idea of "hunting" has been introduced; in this 'hunting' state the AI will look for realistic markers, such as sounds made by the character or footprints they may have left behind. These developments ultimately allow for a more complex form of play. With this feature, the player can actually consider how to approach or avoid an enemy. This is a feature that is particularly prevalent in the stealth genre. Another development in recent game AI has been the development of "survival instinct". In game computers can recognize different objects in an environment and determine whether it is beneficial or detrimental to its survival. Like a user, the AI can look for cover in a firefight before taking actions that would leave it otherwise vulnerable, such as reloading a weapon or throwing a grenade. There can be set markers that tell it when to react in a certain way. For example, if the AI is given a command to check its health throughout a game then further commands can be set so that it reacts a specific way at a certain percentage of health. If the health is below a certain threshold then the AI can be set to run away from the player and avoid it until another function is triggered. Another example could be if the AI notices it is out of bullets, it will find a cover object and hide behind it until it has reloaded. Actions like these make the AI seem more human. However, there is still a need for improvement in this area. Another side effect of combat AI occurs when two AI controlled characters encounter each other; first popularized in the id Software game Doom, so called 'monster infighting' can break out in certain situations. Specifically, AI agents that are programmed to respond to hostile attacks will sometimes attack each other if their cohort's attacks land too close to them. In the case of Doom, published gameplay manuals even suggest taking advantage of monster infighting in order to survive certain levels and difficulty settings.

Создание процедурного контента

Процедурная генерация контента (PCG) — это метод искусственного интеллекта, позволяющий автономно создавать внутриигровой контент посредством алгоритмов с минимальным участием дизайнеров. PCG обычно используется для динамической генерации игровых элементов, таких как уровни, диалоги NPC и звуки. Разработчики задают определенные параметры, чтобы направить алгоритмы в создании контента. PCG предоставляет множество преимуществ как с точки зрения разработки, так и с точки зрения впечатлений игрока. Игровые студии могут сократить расходы на художников и сэкономить время производства. Игроки получают новый, обладающий высокой реиграбельностью опыт, поскольку игра генерирует новый контент при каждом запуске. PCG позволяет игровому контенту адаптироваться в реальном времени к действиям игрока.

Уровни, полученные в процессе

Генеративные алгоритмы (рудиментарная форма ИИ) используются для создания уровней уже десятилетиями. Знаменитая компьютерная игра Rogue 1980 года является основополагающим примером. Игрокам предстоит спускаться по все более сложным уровням подземелья, чтобы заполучить Амулет Йендора. Уровни подземелья генерируются алгоритмически при каждом запуске игры. Файл сохранения удаляется каждый раз, когда игрок погибает. Алгоритмическая генерация подземелий создает уникальный игровой опыт, который иначе был бы невозможен, поскольку цель – заполучить амулет – остается неизменной. Мнения о полной генерации уровней, как в Rogue, могут быть разными. Некоторые разработчики сомневаются в качестве генерируемого контента и стремятся создать мир с более "человеческим" ощущением, поэтому используют процедурную генерацию контента (PCG) более умеренно. Однако для эффективной работы современных моделей, таких как та, что использовалась в исследовании, требуются большие наборы данных уровней. Исследователи пришли к выводу, что, несмотря на перспективность, высокая стоимость данных для больших языковых моделей в настоящее время перевешивает преимущества для данной задачи. Алгоритм способен оценивать текущее настроение игрового состояния с помощью "разметки настроения". Исследования показывают, что существует значительная положительная статистическая корреляция между оценкой вовлеченности игроков и динамически генерируемыми музыкальными композициями, точно отражающими их текущие эмоции.

Метод поиска по деревьям Монте-Карло

Игровой ИИ часто сводится к прокладке пути и конечным автоматам. Прокладка пути позволяет ИИ добраться из точки А в точку Б, как правило, наиболее прямым способом. Конечные автоматы обеспечивают переход между различными моделями поведения. Метод поиска по дереву Монте-Карло создает более захватывающий игровой опыт, генерируя дополнительные препятствия, которые игроку предстоит преодолеть. MCTS представляет собой древовидную диаграмму, в которой ИИ, по сути, играет в крестики-нолики. В зависимости от исхода, он выбирает путь, который создает следующее препятствие для игрока. В сложных видеоиграх эти деревья могут иметь больше ветвей, если игрок способен разработать несколько стратегий для преодоления препятствия. В этом обзоре за 2022 год вы можете узнать о последних применениях алгоритма MCTS в различных игровых областях, таких как комбинаторные игры с полной информацией, стратегические игры (включая RTS), карточные игры и другие.

Использование в играх за пределами NPC

Академический ИИ может играть роль в игровом ИИ, помимо традиционной задачи управления поведением NPC. Георгиос Н. Яннакакис выделил четыре потенциальные области применения: в 2020 году Nvidia продемонстрировала клон Pac-Man, созданный с помощью GAN; GAN научился воссоздавать игру, наблюдая за 50 000 (в основном сгенерированных ботами) игровых сессий.

Примеры

В игре Creatures 1996 года пользователь "вылупляет" мелких пушистых животных и обучает их поведению. Эти "норны" умеют говорить, самостоятельно добывать пищу и защищаться от опасных существ. Это было первое популярное применение машинного обучения в интерактивной симуляции. Существа используют нейронные сети для обучения своим действиям. Игра считается прорывом в исследованиях искусственной жизни, целью которых является моделирование поведения существ, взаимодействующих с окружающей средой. В шутере от первого лица 2001 года Halo: Combat Evolved игрок берет на себя роль Мастера Чифа, сражаясь с различными инопланетными существами пешком или на транспортных средствах. Враги разумно используют укрытия, применяют подавляющий огонь и гранаты. Ситуация в отряде влияет на отдельных противников, поэтому некоторые из них обращаются в бегство после гибели лидера. Внимание уделяется даже незначительным деталям: враги, например, перебрасывают гранаты, а члены команды реагируют на раздражение. Базовая технология "дерева поведения", впервые применённая в Halo 2, с тех пор стала очень популярной в игровой индустрии. Серия игр в жанре survival horror S. T. A. L. K. E. R. (2007–) ставит игрока перед лицом рукотворных экспериментов, военных и наёмников, известных как Сталкеры. Различные противники, которых можно встретить в игре (при максимальном уровне сложности), используют боевую тактику и поведение, такие как лечение раненых союзников, отдача приказов, обход с фланга и стрельба с высокой точностью. В стратегии в реальном времени StarCraft II: Wings of Liberty 2010 года игрок управляет одной из трёх фракций на арене сражений 1v1, 2v2 или 3v3. Цель игрока – победить противников, уничтожив все их юниты и базы. Это достигается путём создания юнитов, эффективно противодействующих юнитам противника. Игроки могут выбирать различные уровни сложности ИИ, от очень лёгкого до Cheater 3 (безумного). ИИ способен жульничать на уровне сложности "Читер 1" (обзор), где он видит юниты и базы, даже если игрок в аналогичной ситуации был бы лишён этой возможности. Cheater 2 даёт ИИ дополнительные ресурсы, а Cheater 3 – существенное преимущество над противником. Браузерная песочница Infinite Craft 2024 года использует генеративное программное обеспечение ИИ, включая LLaMA. При объединении двух элементов ИИ генерирует новый элемент.

In the 1996 game Creatures, the user "hatches" small furry animals and teaches them how to behave. These "Norns" can talk, feed themselves, and protect themselves against vicious creatures. It was the first popular application of machine learning in an interactive simulation. Neural networks are used by the creatures to learn what to do. The game is regarded as a breakthrough in artificial life research, which aims to model the behavior of creatures interacting with their environment. In the 2001 first person shooter Halo: Combat Evolved the player assumes the role of the Master Chief, battling various aliens on foot or in vehicles. Enemies use cover very wisely, and employ suppressing fire and grenades. The squad situation affects the individuals, so certain enemies flee when their leader dies. Attention is paid to the little details, with enemies notably throwing back grenades or team members responding to being bothered. The underlying "behavior tree" technology has become very popular in the games industry since Halo 2. The survival horror series S. T. A. L. K. E. R. (2007–) confronts the player with man made experiments, military soldiers, and mercenaries known as Stalkers. The various encountered enemies (if the difficulty level is set to its highest) use combat tactics and behaviors such as healing wounded allies, giving orders, out flanking the player and using weapons with pinpoint accuracy. The 2010 real time strategy game StarCraft II: Wings of Liberty gives the player control of one of three factions in a 1v1, 2v2, or 3v3 battle arena. The player must defeat their opponents by destroying all their units and bases. This is accomplished by creating units that are effective at countering opponents' units. Players can play against multiple different levels of AI difficulty ranging from very easy to Cheater 3 (insane). The AI is able to cheat at the difficulty Cheater 1 (vision), where it can see units and bases when a player in the same situation could not. Cheater 2 gives the AI extra resources, while Cheater 3 gives an extensive advantage over its opponent. The 2024 browser based sandbox game Infinite Craft uses generative AI software, including LLaMA. When two elements are being combined, a new element is generated by the AI.

Генеративный искусственный интеллект в видеоиграх

Генеративный искусственный интеллект, система ИИ, способная отвечать на запросы и создавать текст, изображения, аудио- и видеоматериалы, получил развитие в 2023 году с появлением таких систем, как ChatGPT и Stable Diffusion. В видеоиграх эти системы могут открыть возможность бесконечного создания игровых ресурсов, преодолевая обычные ограничения, связанные с человеческим трудом. Однако аналогичные опасения возникают и в других областях, особенно в связи с потенциальной потерей рабочих мест, обычно связанных с созданием этих ресурсов. В январе 2024 года SAG AFTRA, американский профсоюз, представляющий актеров, заключил контракт с Replica Studios, который позволит Replica записывать голоса актеров-членов профсоюза для создания ИИ-систем озвучивания, основанных на их голосах, для использования в видеоиграх. Контракт предусматривает оплату и защиту прав актеров. Несмотря на то, что контракт был согласован комитетом SAG AFTRA, многие члены профсоюза выразили критику в связи с этим решением, поскольку не были уведомлены о нем до его подписания и посчитали, что сделка недостаточно защищает интересы актеров.