هوش مصنوعی در صنعت بازی سازی

اولین رد پای بزرگ کامپیوتر ها در بازی های کامپیوتری در سال 1997 دیده میشود، زمانی که مشهورترین هماورد انسان در مقابل ماشین صورت گرفت. گری کاسپاروف قهرمان شطرنج جهان که سالها با این عنوان شناخته میشد در سال 1997 در مقابل ماشینی ساخته شده توسط شرکت آی بی ام به نام "دیپ بلو" قرار گرفت که توانایی محاسبه ۲۰۰ میلیون وضعیت را در هر ثانیه داشت!!!! وی در اولین بازی موفق بود و توانست دیپ بلو را شکست دهد اما سال بعد و در بازی برگشت مغلوب کامپیوتر شد. با وجود اینکه بسیاری از افراد بعد از شکست انسان در مقابل کامپیوتر بر این باور بودند که بازی شطرنج در میان مردم کمرنگ خواهد شد اما امروزه میبینیم که بسیاری از مردم حتی روی تلفن های همراه خود یک "دیپ بلو" دارند در مقابل آن مشغول بازی شطرنج هستند.

https://www.ted.com/talks/garry_kasparov_don_t_fear_intelligent_machines_work_with_them?utm_campaign=tedspread&utm_medium=referral&utm_source=tedcomshare

عده‌اي از رياضي‌دانان و دانشمندان علوم كامپيوتر معتقد بودند بوجود آوردن هوش کامپیوتری غيرممكن است به اين علت كه كامپيوتر صرفاً مي‌تواند دستورهاي برنامه‌نويس را كه در قالب يك الگوريتم به آن داده مي‌شود انجام دهد. پس نمي‌توانيم از يك برنامه، انتظار انجام كاري را داشته باشيم كه در قالب الگوريتم به او دستور داده نشده است و در حقيقت برنامه‌هاي كامپيوتري نمي‌توانند كارهايي غيرقابل پيش‌بيني انجام دهند، پس نمي‌توانند استنتاج، حدس، خلاقيت و يادگيري داشته باشند. پاسخ اين ادعاي درست، ادعاي درست ديگري است كه تمام فعاليت‌هاي انجام شده در زمينه‌ي هوش مصنوعي را توجيه مي‌كند. اگر بتوانيم استنتاج، خلاقيت و يادگيري را در قالب الگوريتم و دستورها به كامپيوتر بدهيم و انتظار داشته باشيم تا با تبعيت از اين دستورها، رفتاري هوشمندانه داشته باشد، چيزي خلاف گفته‌ي بالا انجام نگرفته است. در حقيقت دستورهايي كه كامپيوتر در قالب الگوريتم‌هاي هوش انجام مي‌دهد، چنين معنايي خواهند داشت:استنتاج كن، ياد بگير، خلاقيت داشته باش، يك اشتباه را دوبار تكرار نكن و از تجربه‌هايت درس بگير. پس از اینکه بخش کوچکی از هئش مصنوعی به واقعیت پیوست مفهوم جدیدی به نام «یادگیری ماشینی» یا Machine Learning بوجود آمد. فرض کنید یک ربات توانایی یادگیری داشته باشد و به مرور زمان پیشرفت کند، یا دشمنی بعد از مبارزه های پی در پی با شما، مشکلات خود را شناسایی کرده و خود را بهبود بخشد.انسان خود با یادگیری توانست به چنین سطحی برسد. به قطع اینکه یک ربات یا یک نرم افزار بتواند خودش یاد بگیرد، هم شگفت انگیز و هم ترسناک است! 

پیرو موج یادگیری ماشین در تمام صنایع، یادگیری ماشینی در موتور بازی سازی یونیتی نیز آغاز شد و بسیاری از بازی ها طبق الگوریتم های هوش مصنوعی پیاده سازی شده است. بازی سازها از هوش مصنوعی برای تحرک بخشیدن به شخصیت های درون بازی استفاده کرده اند. همچنین میتوان موتور بازی سازی یونیتی را به برنامه های یادگیری ماشینی چون «تنسور فلو» شرکت گوگل وصل کرد و با استفاده از این قابلیت، شخصیت های غیر قابل بازی حالا دارای هویت می شوند؛ با آزمون خطا خود را توسعه داده و از استراتژی های خلاقانه که حتی از انسان نیز برنمی آید، بهره ببرد. اصطلاح هوش مصنوعی بازی، اغلب، به مجموعه‌ای وسیع از الگوریتم‌هایی که شامل تکنیک‌های تئوری کنترل، رباتیک، گرافیک رایانه‌ای و علوم کامپیوتر می‌باشد، مربوط است.  از آنجایی که هوش مصنوعی در بازی‌های کامپیوتری بر روی ظاهر هوش و گیم پلی تمرکز دارد، روشی که از آن استفاده می‌کند با روش‌های معمول هوش مصنوعی سنتی تفاوت زیادی دارد. مثلاً در اکثر موارد، توانایی‌های کامپیوتر باید پایین آورده شود تا بازیکن‌های انسان بتوانند از پس حریف ماشین خود برآیند. این مثال مخصوصا در بازی‌های تیراندازی اول شخص برجسته‌است. اگر نشانه‌گیری شخصیت‌های غیر قابل بازی فوق‌العاده باشد، بازی کردن با چنین ماشینی فراتر از حد توانایی یک انسان می‌شود. حتی با وجود توان تحرک و پایین بودن میزان سلامتی حریف های کامپیوتری،باز هم آنها می توانند بهترین راه را برای ضربه زدن به شما پیدا کنند. اتفاقی که در بازی هایی مانند BLACK که یک نسخه قدیمی است به وضوح مشاهده شده و پس از آن هدف گیری دشمنان در بازی هایی مانند COD نیز به خوبی نشان از دقت هوش مصنوعی آنها دارد.

ربات های هوشمندتر

موتورهای بازی سازی همچون یونیتی و آنریل حالا می توانند قوانین فیزیک را با دقت در یک محیط بازی ویدیویی پیاده سازی کنند. از تعامل بین پرتوهای نور در محیط گرفته تا اصطکاک بین لاستیک ماشین و جاده بتنی، همه و همه توسط این دو موتور قابل پیاده سازی است. بازی های ویدیویی با تهیه محیط های مجازی، وسیله خوبی برای تمرین ربات های قابل استفاده در محیط واقعی هستند.

با استفاده از پروسه ای به نام رندر رویه ای، یک موتور بازی سازی می تواند جاده هایی با طول بی نهایت و با کیفیت فوق العاده بالا طراحی کند که عوامل هوش مصنوعی در آن ها تربیت شوند. نرم افزار یادگیری ماشینی ویدیوهای گرفته شده از خود ماشین را تحلیل کرده و یاد میگیرد چگونه آنچه را که دیده، تفسیر کند. عامل های یادگیری ماشینی کمپانی یونیتی حالا می توانند ابزار خوبی برای توسعه دهندگان ربات های ماشین ران و ربات های کوچک باشد.

پایان