par Camper à l’emplacement des orbes est une stratégie solide : le joueur doit ramasser des orbes pour gagner (imaginez si les fantômes de Pac-Man s’attardaient simplement près des entrées de chaque coin de la carte). Cela rend également le jeu moins amusant. Les joueurs ne font plus l’expérience d’une poursuite passionnante. Au lieu de cela, l’IA pourrait tendre une embuscade imprévisible. Trachel et Peyrot affirment que leur objectif n’est “pas de créer des bots surhumains – ce ne serait pas amusant et engageant pour un joueur novice – mais plutôt de trouver des moyens d’intégrer l’apprentissage automatique dans les outils d’IA de jeu déjà utilisés en production”.
Cela peut sembler ennuyeux pour les joueurs qui recherchent une meilleure IA. Pourtant, les techniques d’apprentissage automatique présentées par Trachel et Peyrot restent utiles pour régler la difficulté même lorsque les ennemis auxquels les joueurs sont confrontés dans le jeu fini ne l’utilisent pas. Julian Togelius, cofondateur et directeur de recherche chez Modl.ai, a passé près de cinq ans à utiliser l’IA pour tester des jeux. Modl.ai utilise des robots pour chasser les problèmes graphiques, trouver des failles dans la géométrie du monde et détecter les situations qui rendent impossible la victoire.
“Vous pouvez nous dire quel type d’état de panne vous intéresse. Et puis, en gros, ça marche. Vous envoyez un travail, et il fonctionne en fonction de ce que vous voulez explorer », explique Togelius. “Et bien sûr, nous pouvons les regrouper pour vous et fournir un rapport, indiquant ici où vous semblez avoir des problèmes, et ainsi de suite.”
Les robots de test de Modl.ai utilisent l’apprentissage automatique pour s’adapter à chaque jeu testé, bien que sa mise en œuvre actuelle limite ces adaptations à chaque titre spécifique. Togelius dit que la société est en train de prototyper l’ajout d’un apprentissage en profondeur qui formera le comportement des bots sur plusieurs jeux. Une fois utilisés, les bots de Modl.ai apprendront à imiter le comportement de vrais joueurs, ce qui devrait révéler plus efficacement les problèmes que les joueurs trouveraient.
Pour un véritable apprentissage automatique, les moteurs de jeu ont besoin d’une révolution
En matière de difficulté, l’apprentissage automatique peut être à la fois un problème et une solution. Mais créer un défi équitable et amusant n’est pas le seul obstacle auquel sont confrontés les développeurs qui souhaitent utiliser l’apprentissage automatique dans les jeux. Les problèmes sont plus profonds – si profonds, en fait, qu’ils peuvent forcer à repenser la façon dont les jeux sont construits.
La performance est un obstacle. L’apprentissage automatique nécessite de nombreuses données d’entraînement pour obtenir des résultats valables, et ces données ne peuvent être acquises qu’en jouant à un jeu des milliers ou des dizaines de milliers de fois (bien que les bots puissent alléger la charge, une tactique utilisée par Trachel et Peyrot pour construire leur démo). Et une fois les données de formation collectées, le modèle résultant peut devenir fastidieux à exécuter en temps réel.
“Oui, les performances sont clairement un problème, notamment avec les grands modèles ML qui traitent les images pour chaque tick de l’horloge de jeu”, ont déclaré Trachel et Peyrot dans un e-mail. “Dans notre cas, pour éviter les problèmes de performances, nous avons utilisé un petit réseau de neurones qui n’inférait qu’à des moments précis du jeu.” La mise à l’échelle des énormes environnements de monde ouvert auxquels les joueurs modernes s’attendent est une tout autre affaire.
Togelius dit que la façon dont les moteurs de jeu modernes fonctionnent exacerbe le problème. L’apprentissage automatique, dit-il, “sera nécessairement lent car les moteurs de jeu ne sont pas conçus pour cela. L’une des nombreuses raisons pour lesquelles nous ne voyons pas d’IA moderne plus intéressante dans les jeux est qu’Unreal et Unity et tous leurs semblables sont fondamentalement terribles – anti-IA à bien des égards.
L’animation est un autre problème. La plupart des moteurs de jeu modernes s’attendent à ce que les animations soient strictement définies image par image. Cela fonctionne bien lorsque les animateurs savent avec certitude comment les personnages du jeu se comporteront, mais une IA contrôlée par l’apprentissage automatique peut se comporter d’une manière à laquelle les animateurs ne s’attendaient pas. Les concepteurs peuvent contourner ce problème avec une approche de l’animation basée sur la physique, mais cela impose encore plus de pression sur les performances d’une console de jeu ou du matériel informatique et s’accompagne de ses propres défis de développement.
Bref, les développeurs font face à un monstre de leur cru. Les moteurs de jeu sont conçus pour utiliser des arbres de comportement et des actions prescrites pour créer des mondes de PNJ contrôlés par l’IA qui fonctionnent bien, même sur un matériel maigre. Mais à mesure que l’apprentissage automatique prend de l’ampleur, ces solutions classiques devront être reconsidérées.
“Si vous allez parler à un chercheur en apprentissage automatique qui ne connaît pas la conception de jeux, il vous dira:” Pourquoi n’utilisez-vous pas de nouvelles choses et obtenez des PNJ plus réalistes et s’adaptant à votre façon de jouer “, et ainsi de suite », dit Togelius. «Mais vous ne pouvez pas simplement brancher cela dans un jeu existant. Vous devez repenser ce qu’est même le jeu. “
