AI a játékszint-generálásban
A mesterséges intelligencia automatikusan képes játékszinteket, térképeket és világokat építeni, ahelyett, hogy minden falat és ellenséget kézzel helyezne el.
Áttekintés
This procedural content generation gives games near-infinite variety and helps small studios ship huge worlds.
Mély merülés
A procedurális tartalomgenerálás (PCG) évtizedek óta motorja a játékoknak, a Rogue (1980) kazamataitól a No Man's Sky 18 kvintimillió bolygójáig. A klasszikus módszerek olyan zajfüggvényeket használnak, mint a Perlin zaj a terepen, valamint nyelvtanokat és szabálykészleteket a szobákhoz és a küldetésekhez. Az újabb hullám a PCG a gépi tanuláson keresztül (PCGML), ahol a modellek a meglévő szintekről tanulnak. A megközelítések közé tartoznak a GAN-ok, amelyek játszható Mario-stílusú színpadokat generálnak, a megerősítő tanulási ágensek, amelyek szintet terveznek úgy, hogy maximalizálják a szórakozást vagy a nehézségeket, és a Wave Function Collapse, egy kényszermegoldó, amely úgy csempézi a térképet, hogy a szomszédos darabok mindig elférjenek. A központi kihívás annak garantálása, hogy a szintek valóban kitölthetők és kiegyensúlyozottak legyenek, nem csak vizuálisan, ezért a tervezők a generátorokat automatizált játéktesztelő robotokkal párosítják.
Technikai betekintés
A Wave Function Collapse, egy népszerű eszköz, úgy kezeli a szintépítést, mint egy kényszerrejtvényt: úgy kezdődik, hogy minden lapka szuperpozícióban van, majd ismételten „összecsukja” a legalacsonyabb entrópiájú cellát egyetlen lapkává, és kifelé terjeszti a szomszédsági szabályokat, hasonlóan a Sudoku megoldásához. Ehelyett a tanulás alapú módszerek egy generátort képeznek mintaszinteken; egy diszkriminátor vagy egy fitnesz funkció ellenőrzi a kimenetet, és olyan keresési technikák, mint az evolúciós algoritmusok vagy a minőség-diverzitás (MAP-Elites) a változatosságot és a játszhatóságot szorgalmazzák.
Stratégiai hatás
Építési lehetőségek
Az alkalmazásszintű tervezés határozza meg, hogy az AI javítja-e a valós eredményeket.
Csapat és munkafolyamat
A jó munkafolyamat-integráció olyan termelékenységnövekedést eredményez, amelyben a felhasználók megbízhatnak.
Kockázat és biztonság
A jól körülhatárolt felhasználási esetek csökkentik a változtatások fáradtságát és a végrehajtás kockázatát.
Az AI jövője a játékszintű generálásban
A generáció az offline eszközkészítésről a valós idejű, játékosokhoz igazodó szintekre vált, amelyek a nehézségi szintet és az elrendezést a játékmódhoz igazítják. A nagy nyelvi és diffúziós modellek küldetéseket, párbeszédet és 3D-s eszközöket kezdenek generálni szöveges promptokból, lehetővé téve a tervezőknek, hogy leírjanak egy börtönt, és megkapják a piszkozatot. „Vegyes kezdeményezésű” eszközökre számíthat, ahol a mesterséges intelligencia javaslatokat tesz, és az emberek gondozzák, valamint erősebb garanciákat biztosítanak a megoldhatóságra, így a létrehozott tartalom kézi javítás nélkül szállítható.
Valós megvalósítás
A No Man's Sky eljárási úton nagyjából 18 kvintimillió egyedi bolygót generál algoritmusokból és magokból.
A Minecraft zajfüggvények és biomszabályok segítségével végtelen, változatos világokat építhet minden maghoz.
Spelunky és más szélhámosok, akik minden alkalommal moduláris szobasablonokból állítanak össze friss börtönelrendezéseket.
A Wave Function Collapse funkciót használó tervezők koherens térképek automatikus csempézéséhez, ahol minden darab illeszkedik a szomszédaihoz.
Kockázatok és védőkorlátok
Egy megszakadt folyamat automatizálása felerősítheti a meglévő problémákat.
A csapatok túlautomatizálhatják és eltávolíthatják a szükséges emberi ítélőképességet.
A minőség sodródhat, ha a kimeneteket nem értékelik folyamatosan.
Végrehajtási ütemterv
Térképezze fel az aktuális munkafolyamatot, és határozza meg a legnagyobb súrlódású lépést.
Emberi ellenőrzőpontok meghatározása a teljes automatizálás előtt.
Tanítsa meg a felhasználókat az utasításokról, az eszkalációs utakról és a minőségi szabványokról.
Kövesse nyomon a feladat szintű eredményeket a tartós érték megerősítéséhez.
Folytassa a felfedezést
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Game Level Generation quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Következő útmutató
AI az eljárási tartalom létrehozásában játékokhoz
Gyakran ismételt kérdések
What is AI in Game Level Generation?
A mesterséges intelligencia automatikusan képes játékszinteket, térképeket és világokat építeni, ahelyett, hogy minden falat és ellenséget kézzel helyezne el. Ez az eljárási tartalomgenerálás szinte végtelen változatosságot biztosít a játékok számára, és segít a kis stúdióknak hatalmas világokat szállítani.
Mit jelent a „procedurális tartalomgenerálás” (PCG) a játékokban?
A PCG algoritmusokat és szabályokat használ a játéktartalom automatikus generálására, ahelyett, hogy a tervezők minden elemet kézzel helyeznének el.
Hogyan készít térképet a Wave Function Collapse algoritmus?
A Wave Function Collapse a térképet kényszerrejtvényként kezeli, kiválasztja a legalacsonyabb entrópiájú cellát, rögzíti a lapkáját, és a Sudokuhoz hasonlóan továbbítja, hogy mely szomszédok még engedélyezettek.
Mi a legnagyobb kihívás az AI által generált szinteken?
Egy pálya jól nézhet ki, de lehetetlen befejezni, vagy méltánytalanul nehéz, ezért a legfontosabb kihívás a játszhatóság garantálása, gyakran automatizált játéktesztelő robotok használatával.
Melyik klasszikus zajfunkciót használják széles körben természetes hatású terep létrehozására?
A Perlin zaj és a hasonló gradiens-zaj funkciók sima, természetes megjelenésű variációt hoznak létre, amely ideális a terepre, olyan játékokban, mint a Minecraft.
Mit ad hozzá a PCGML a régebbi, szabályalapú generációhoz képest?
A PCG a gépi tanuláson keresztül példaszinteken tanítja a modelleket, így a generátor megtanulhatja az ember által készített tartalom stílusát és szerkezetét, ahelyett, hogy kizárólag kézzel írt szabályokra hagyatkozna.