O aprendizado de máquina pode criar os chefes de jogo perfeitos

Acampar no local dos orbs é uma estratégia sólida: o jogador deve pegar os orbs para vencer (imagine se os fantasmas do Pac-Man simplesmente permanecessem perto das entradas de cada canto do mapa). Também torna o jogo menos divertido. Os jogadores não experimentam mais uma perseguição emocionante. Em vez disso, a IA pode armar uma emboscada imprevisível. Trachel e Peyrot dizem que seu objetivo é “não criar bots sobre-humanos – isso não seria divertido e envolvente para um jogador novato – mas, em vez disso, encontrar maneiras de incorporar o aprendizado de máquina às ferramentas de IA do jogo já usadas na produção”.

Isso pode soar enfadonho para os jogadores que desejam uma IA melhor. No entanto, as técnicas de aprendizado de máquina mostradas por Trachel e Peyrot continuam sendo úteis para ajustar a dificuldade, mesmo quando os inimigos que os jogadores enfrentam no jogo finalizado não as usam. Julian Togelius, cofundador e diretor de pesquisa da Modl.ai, passou quase cinco anos usando IA para testar jogos. Modl.ai usa bots para caçar falhas gráficas, encontrar falhas na geometria do mundo e farejar situações que impossibilitam a vitória.

“Você pode nos dizer em que tipo de estado de falha você está interessado. E, basicamente, ele é executado. Você envia um trabalho e ele é executado dependendo do quanto você deseja explorar”, diz Togelius. “E, claro, podemos agrupá-los para você e fornecer um relatório, dizendo que aqui é onde você parece ter problemas e assim por diante.”

Os bots de teste do Modl.ai usam aprendizado de máquina para se adaptar a cada jogo testado, embora sua implementação atual limite essas adaptações a cada título específico. Togelius diz que a empresa está prototipando a adição de aprendizado profundo que treinará o comportamento do bot em vários jogos. Uma vez em uso, os bots do Modl.ai aprenderão a imitar o comportamento de jogadores reais, o que deve revelar com mais eficiência os problemas que os jogadores encontrariam.

Para o verdadeiro aprendizado de máquina, os mecanismos de jogos precisam de uma revolução

Quando se trata de dificuldade, o aprendizado de máquina pode ser tanto um problema quanto uma solução. Mas criar um desafio justo e divertido não é o único obstáculo enfrentado pelos desenvolvedores que desejam usar o aprendizado de máquina em jogos. Os problemas são mais profundos – tão profundos, na verdade, que podem forçar uma reavaliação de como os jogos são construídos.

O desempenho é uma barreira. O aprendizado de máquina requer muitos dados de treinamento para resultados valiosos, e esses dados só podem ser adquiridos jogando um jogo milhares ou dezenas de milhares de vezes (embora os bots possam aliviar a carga, uma tática que Trachel e Peyrot usaram na construção de sua demonstração). E uma vez que os dados de treinamento são coletados, o modelo resultante pode se tornar complicado de executar em tempo real.

“Sim, o desempenho é claramente um problema, principalmente com grandes modelos de ML que processam quadros para cada tique do relógio do jogo”, disseram Trachel e Peyrot em um e-mail. “No nosso caso, para evitar problemas de desempenho, usamos uma pequena rede neural que só fazia inferências em momentos precisos do jogo.” Escalar para os enormes ambientes de mundo aberto que os jogadores modernos esperam é outra questão.

Togelius diz que a maneira como os mecanismos de jogos modernos funcionam agrava o problema. O aprendizado de máquina, diz ele, “será necessariamente lento porque os mecanismos de jogos não são construídos para isso. Uma das muitas razões pelas quais não vemos IA moderna mais interessante em jogos é porque Unreal e Unity e todos os seus semelhantes são basicamente terríveis – anti-IA de muitas maneiras.”

A animação é outro problema. A maioria dos mecanismos de jogos modernos espera que as animações sejam estritamente definidas quadro a quadro. Isso funciona bem quando os animadores sabem com certeza como os personagens do jogo se comportarão, mas uma IA controlada pelo aprendizado de máquina pode se comportar de maneiras que os animadores não esperavam. Os designers podem contornar isso com uma abordagem baseada na física para a animação, mas isso coloca ainda mais pressão sobre o desempenho de um console de jogo ou hardware de computador e vem com seus próprios desafios de desenvolvimento.

Resumindo, os desenvolvedores enfrentam um monstro criado por eles mesmos. Os mecanismos de jogo são construídos para usar árvores de comportamento e ações prescritas para criar mundos de NPCs controlados por IA que funcionam bem mesmo em hardware escasso. Mas, à medida que o aprendizado de máquina ganha força, essas soluções clássicas precisam ser reconsideradas.

“Se você conversar com um pesquisador de aprendizado de máquina que não conhece design de jogos, eles dirão: ‘Por que você não usa coisas novas e consegue NPCs que são mais realistas e se adaptam à maneira como você joga’ e assim por diante”, diz Togelius. “Mas você não pode simplesmente conectar isso a um jogo existente. Você tem que repensar o que é o jogo.”