هوش مصنوعی در توسعه بازی: جایگزینی کارآمد برای آزمایش کنندگان بازی

• نویسنده:
• نام نویسنده

  آینده نگاری کوانتوم ران
• ژوئیه 12، 2022

هوش مصنوعی (AI) و یادگیری ماشین (ML) به طور فزاینده‌ای در توسعه بازی ادغام می‌شوند، جایی که طراحان بازی در حال جایگزین کردن آزمایش‌کنندگان بازی انسانی با مدل‌های ML برای تنظیم دقیق فرآیند توسعه هستند.

هوش مصنوعی در زمینه توسعه بازی

محبوبیت بازی های چند نفره اینترنتی از اواسط دهه 2000 افزایش یافته است و میلیون ها گیمر در سراسر جهان را مجذوب خود کرده است. با این حال، این موفقیت، سازندگان بازی را تحت فشار قرار می‌دهد تا بازی‌های ویدئویی ساختار یافته، بدون اشکال و ساختار یافته را تولید کنند. بازی‌ها می‌توانند به سرعت محبوبیت خود را از دست بدهند اگر طرفداران و کاربران احساس کنند که بازی به اندازه کافی چالش برانگیز نیست، به طور مکرر قابل پخش نیست یا نقص‌هایی در طراحی آن دارد. 

برای شناسایی نابرابری‌ها در یک بازی جدید نمونه‌سازی شده در طول فرآیند توسعه بازی، معمولاً ماه‌ها آزمایش بازی طول می‌کشد. هنگامی که یک خطا یا عدم تعادل شناسایی می شود، ممکن است چند روز طول بکشد تا مشکل کاهش یابد. یک استراتژی اخیر برای مبارزه با این مشکل، ابزارهای ML را برای تغییر تعادل گیم‌پلی به کار می‌گیرد و ML از الگوریتم‌های درآمد خود برای عمل به عنوان آزمایش‌کننده بازی استفاده می‌کند. نمونه‌ای از بازی‌هایی که در آن آزمایش شد، نمونه اولیه بازی با کارت دیجیتال Chimera بود که قبلاً به‌عنوان محل آزمایشی برای هنر تولید شده توسط ML استفاده می‌شد. فرآیند تست مبتنی بر ML به طراحان بازی این امکان را می‌دهد تا بازی را جالب‌تر، منصفانه‌تر و با مفهوم اصلی آن سازگارتر کنند. این تکنیک همچنین با اجرای میلیون‌ها آزمایش شبیه‌سازی با استفاده از عوامل آموزش دیده ML برای انجام تحقیقات زمان کمتری می‌برد.

تاثیر مخرب

این عوامل ML ممکن است به طرق مختلف مورد استفاده قرار گیرند، از جمله مربیگری بازیکنان جدید و ایجاد تکنیک های نوین بازی. بسته به میزان موفقیت ML در آزمایش بازی ها، توسعه دهندگان ممکن است به طور فزاینده ای آن را برای ایجاد بازی ها یا کاهش حجم کاری خود در نظر بگیرند. علاوه بر این، از آنجایی که این ابزارها شامل هیچ کدنویسی نیستند، ممکن است با حذف نیاز به تعامل با اسکریپت ها، به راحتی در معرض توسعه دهندگان بازی های جدید قرار بگیرند. طراحی بازی به دلیل این اتوماسیون می تواند دموکراتیک تر شود و به طور بالقوه تولید بازی های آموزشی، علمی و سرگرمی و برنامه های مرتبط با بازی را از نظر اقتصادی مقرون به صرفه تر می کند. 

بنابراین، هوش مصنوعی در توسعه بازی به طور بالقوه اجرای آزمایشی بازی‌های خود را برای توسعه‌دهندگان آسان‌تر می‌کند و در عرض چند روز بهبود می‌بخشد و در آینده بازی‌های جدید پیچیده‌تری را با سرعت بسیار بیشتری تولید می‌کند. طبق تحقیقات، یک سیستم هوش مصنوعی می‌تواند عملکرد بازی را بر اساس یک پیش‌بینی تخمین بزند و کل بازی را تنها با استفاده از فریم‌های کلیدی و داده‌های مصرف‌کننده بسازد. در آینده، سیستم هوش مصنوعی ممکن است بتواند به تنهایی تصاویر، صدا و حتی پیش نویس داستان را در بازی ایجاد کند.

پیامدهای تست هوش مصنوعی در توسعه بازی

پیامدهای گسترده تر استفاده از سیستم های تست و تحلیل هوش مصنوعی در توسعه بازی عبارتند از: 

• افزایش سرعت توسعه بازی، به شرکت ها اجازه می دهد تا با انتشار بازی های بیشتر در سال، سود خود را افزایش دهند.
• بازی‌های کمتری که به‌عنوان یک سیستم هوش مصنوعی تبلیغات بدی دریافت می‌کردند، آنها را آزمایش می‌کرد و خطاهای کدنویسی کمتری وجود داشت.   
• افزایش میانگین مدت زمان بازی ها در ژانرهای مختلف، زیرا هزینه های تولید داستان های طولانی تر و محیط های جهان باز بی نهایت کاهش می یابد. 
• کاربرد روزافزون بازی ها یا گیمیفیکیشن در زمینه های غیر بازی. برای مثال، برندها و بازاریابان ممکن است به دلیل کاهش هزینه‌های توسعه بازی‌های دارای مارک، فعال‌تر ایجاد کنند.
• شرکت های رسانه ای به طور فزاینده ای بخشی از هزینه های فیلم و تلویزیون خود را برای تولید بازی های ویدیویی منحرف می کنند.

سوالاتی برای اظهار نظر

• آیا انواع تجربیات جدید بازی ممکن است به لطف مشارکت هوش مصنوعی ذکر شده در بالا امکان پذیر شود؟
• بدترین یا خنده دارترین تجربه باگ بازی های ویدیویی خود را به اشتراک بگذارید.