SG.hu
A játékfejlesztést megkönnyítő MI-t mutatott be a Microsoft
Az Xbox adatain kiképzett New Muse modell potenciális áldás lehet a költségcsökkentésre törekvő játékstúdiók számára.
A Microsoft olyan mesterséges intelligencia eszközöket mutatott be, amelyek képesek olyan videojáték-jeleneteket létrehozni, amelyeket normális esetben embereknek kellene leprogramoznia és animálnia. A cég a modellt az Xbox játékosoktól és kontrollereiktől gyűjtött adatok alapján alkotta meg. A Muse nevű modell a Microsoft szerint első a maga nemében. A Muse-modellt szerdán ismertették a Nature című folyóiratban.
Egy gépi tanulási kutatócsoport játékfejlesztőket kérdezett meg, hogy felmérje, hogyan lehet hasznos a generatív MI, és mire lenne szükségük ahhoz, hogy az ilyen eszközök hatékonyak legyenek - mondta Katja Hofmann, a Microsoft vezető kutatási vezetője. Ezután az MI-modell betanításához Hofmann csapata hét évnyi játékadatot gyűjtött össze a Bleeding Edge, az Xbox Ninja Theory stúdiójának 2020-as többjátékos harci arénájából. "Ha valaki még nem látott ilyen generált játékmenet-felvételeket, azt hiheti, hogy ezek egy videojátékból származó klipek” - mondta Hofmann egy újságíróknak tartott bemutatón.
A Microsoft Xbox-csapata és más iparági szereplők szívesen használnák arra a mesterséges intelligenciát, hogy csökkentsék a stúdiók által a legnagyobb címekre fordított több százmillió dolláros kiadásokat. Ezek a költségek az elmúlt években az egekbe szöktek, még azzal együtt is, hogy az eladások növekedése lelassult. Ez azért ellentmondásos, mert a játékosok gyanakodnak, hogy a generatív MI árthat a játékok minőségének. A stúdiók alkalmazottai pedig, akiket már így is számos elbocsátás sújtott, attól tartanak, hogy a technológia tovább csökkentheti a létszámukat.
A Bleeding Edge két négyfős csapatot állít szembe egymás ellen, és teljes egészében online játszható. Minden meccset a játékosok engedélyével rögzítenek. Ez lehetővé tette a kutatók számára, hogy több mint egymilliárd játékképet gyűjtsenek össze a megfelelő kontrollerhasználattal párosítva. Az eredmény a Microsoft "világ- és emberi cselekvési modellje” (World and Human Action Model, WHAM) lett. Mint a legtöbb generatív mesterséges intelligencia modell, ez is utasításokra hoz létre dolgokat, ebben az esetben egy képsorozatot, miután egy ember által létrehozott játékjelenetet mutattak neki. "A modell képes olyasmit létrehozni, ami valóban konzisztens, ami a tényleges játékvilág nagyon pontos megértését mutatja” - mondta Hofmann. Az MI által létrehozott elemek között szerepelnek a karakterek és a játék egyéb elemei közötti interakciók.
A Microsoft azzal büszkélkedik, hogy a WHAM kimenetei akár két percig is nagyjából konzisztensek maradnak anélkül, hogy szétesnének, a szimulált felvételek pedig jól illeszkednek a tényleges felvételekhez, még akkor is, ha a tárgyak és a környezetek ki-be mozognak a képből. A Microsoft azt is tesztelte, hogy a WHAM képes-e reagálni olyan véletlenszerű bemenetek változatos halmazára, amelyek nem szerepelnek a képzési adatokban. A tesztek alapján nagyjából megfelelő válaszokat mutattak számos különböző bemeneti szekvenciára. A legérdekesebb eredmény azonban a játékbeli objektumok állandósága volt. A Microsoft példákat mutatott be arra, hogy a fejlesztők új játékbeli tárgyak vagy karakterek képeit illesztették be már meglévő játékfelvételekbe. A WHAM-modell ezt követően képes volt az új képet beépíteni a később generált képkockákba, a játékosok inputjára vagy a kamera mozgására adott megfelelő reakciókkal. A Nature tanulmány szerint mindössze öt szerkesztett képkocka esetén az új objektum az esetek 85-98 százalékában megfelelően „megmaradt” a következő képkockákon.
Mindettől függetlenül a vállalat azt mondja, hogy a durva prototípuskészítés lesz az elsődleges felhasználási terület. A fejlesztők egy „WHAM Demonstrator” prototípussal játszhatnak majd az Azure AI Foundry-n, hogy megnézzék, hogyan képes a rendszer új, interaktív játékfolyamatokat generálni mindössze néhány képkockányi videó alapján. Ez a demonstrátor jelenleg előre rögzített bemenetek alapján generálja a kapott videót, sokkal alacsonyabb sebességgel, mint ami a tényleges élő játékhoz szükséges. A sajtónak tartott zártkörű bemutató során azonban a Microsoft egy korai prototípust is bemutatott egy valós idejű WHAM-alapú videogeneráló eszközből, amely a felhasználó bemenetei alapján azonnal új játékkockákat generál. A felhasználók akár jelenetről jelenetre is ugorhatnak azonnal, ha friss mintaképeket táplálnak a rendszerbe.
Ez a fajta valós idejű, „menet közben generált” világmodell a mesterséges intelligencia kutatás egyik szent grálja. És bár a Microsoft által bemutatott jelenlegi verzió „határozottan nem azonos a játékkal”, ahogy Hoffman mondta a bemutató során, „nem olyan, mint egy hagyományos videojáték-élmény, de nagyon érdekes felfedezni és megnézni, mit tehetek ebben a környezetben”. Azért ne reménykedjünk abban, hogy a közeljövőben az MI által generált játékok új hulláma jön. A Microsoft WHAM eszközének prototípusa még mindig erősen korlátozott, és nagyon zavaros, 300×180-as felbontású (az eredeti Nintendo DS képernyőjéhez hasonló), a sebessége pedig 10 képkocka/másodperc - ez jóval a modern játékok alapszintje alatt van.
És a sokat hangoztatott konzisztencia- és perzisztenciajavulás ellenére a WHAM-felvételeken még mindig éteri, álomszerű minőséget mutatnak a bemutatott tárgyak, még az alacsony felbontású WHAM-felvételeken is. Különösen a játékos karaktere hajlamos úgy viselkedni, mint egy alakváltó, nem pedig mint egy szilárd és konzisztens csontvázzal rendelkező, feszes játékosmodell. A Microsoft mégis azt reméli, hogy a WHAM az első lépés egy olyan jövő felé, ahol a mesterséges intelligencia képes lesz egy pillanat alatt magas színvonalú interaktív élményeket létrehozni. "Remélhetőleg ez egy kis ízelítőt ad arról, hogy mire gondolunk, amikor olyan interaktív élményeken dolgozunk, amelyeket ezek a valós idejű generatív MI modellek menet közben generálnak” - mondta Hoffman.
A Microsoft olyan mesterséges intelligencia eszközöket mutatott be, amelyek képesek olyan videojáték-jeleneteket létrehozni, amelyeket normális esetben embereknek kellene leprogramoznia és animálnia. A cég a modellt az Xbox játékosoktól és kontrollereiktől gyűjtött adatok alapján alkotta meg. A Muse nevű modell a Microsoft szerint első a maga nemében. A Muse-modellt szerdán ismertették a Nature című folyóiratban.
Egy gépi tanulási kutatócsoport játékfejlesztőket kérdezett meg, hogy felmérje, hogyan lehet hasznos a generatív MI, és mire lenne szükségük ahhoz, hogy az ilyen eszközök hatékonyak legyenek - mondta Katja Hofmann, a Microsoft vezető kutatási vezetője. Ezután az MI-modell betanításához Hofmann csapata hét évnyi játékadatot gyűjtött össze a Bleeding Edge, az Xbox Ninja Theory stúdiójának 2020-as többjátékos harci arénájából. "Ha valaki még nem látott ilyen generált játékmenet-felvételeket, azt hiheti, hogy ezek egy videojátékból származó klipek” - mondta Hofmann egy újságíróknak tartott bemutatón.
A Microsoft Xbox-csapata és más iparági szereplők szívesen használnák arra a mesterséges intelligenciát, hogy csökkentsék a stúdiók által a legnagyobb címekre fordított több százmillió dolláros kiadásokat. Ezek a költségek az elmúlt években az egekbe szöktek, még azzal együtt is, hogy az eladások növekedése lelassult. Ez azért ellentmondásos, mert a játékosok gyanakodnak, hogy a generatív MI árthat a játékok minőségének. A stúdiók alkalmazottai pedig, akiket már így is számos elbocsátás sújtott, attól tartanak, hogy a technológia tovább csökkentheti a létszámukat.
A Bleeding Edge két négyfős csapatot állít szembe egymás ellen, és teljes egészében online játszható. Minden meccset a játékosok engedélyével rögzítenek. Ez lehetővé tette a kutatók számára, hogy több mint egymilliárd játékképet gyűjtsenek össze a megfelelő kontrollerhasználattal párosítva. Az eredmény a Microsoft "világ- és emberi cselekvési modellje” (World and Human Action Model, WHAM) lett. Mint a legtöbb generatív mesterséges intelligencia modell, ez is utasításokra hoz létre dolgokat, ebben az esetben egy képsorozatot, miután egy ember által létrehozott játékjelenetet mutattak neki. "A modell képes olyasmit létrehozni, ami valóban konzisztens, ami a tényleges játékvilág nagyon pontos megértését mutatja” - mondta Hofmann. Az MI által létrehozott elemek között szerepelnek a karakterek és a játék egyéb elemei közötti interakciók.
A Microsoft azzal büszkélkedik, hogy a WHAM kimenetei akár két percig is nagyjából konzisztensek maradnak anélkül, hogy szétesnének, a szimulált felvételek pedig jól illeszkednek a tényleges felvételekhez, még akkor is, ha a tárgyak és a környezetek ki-be mozognak a képből. A Microsoft azt is tesztelte, hogy a WHAM képes-e reagálni olyan véletlenszerű bemenetek változatos halmazára, amelyek nem szerepelnek a képzési adatokban. A tesztek alapján nagyjából megfelelő válaszokat mutattak számos különböző bemeneti szekvenciára. A legérdekesebb eredmény azonban a játékbeli objektumok állandósága volt. A Microsoft példákat mutatott be arra, hogy a fejlesztők új játékbeli tárgyak vagy karakterek képeit illesztették be már meglévő játékfelvételekbe. A WHAM-modell ezt követően képes volt az új képet beépíteni a később generált képkockákba, a játékosok inputjára vagy a kamera mozgására adott megfelelő reakciókkal. A Nature tanulmány szerint mindössze öt szerkesztett képkocka esetén az új objektum az esetek 85-98 százalékában megfelelően „megmaradt” a következő képkockákon.
Mindettől függetlenül a vállalat azt mondja, hogy a durva prototípuskészítés lesz az elsődleges felhasználási terület. A fejlesztők egy „WHAM Demonstrator” prototípussal játszhatnak majd az Azure AI Foundry-n, hogy megnézzék, hogyan képes a rendszer új, interaktív játékfolyamatokat generálni mindössze néhány képkockányi videó alapján. Ez a demonstrátor jelenleg előre rögzített bemenetek alapján generálja a kapott videót, sokkal alacsonyabb sebességgel, mint ami a tényleges élő játékhoz szükséges. A sajtónak tartott zártkörű bemutató során azonban a Microsoft egy korai prototípust is bemutatott egy valós idejű WHAM-alapú videogeneráló eszközből, amely a felhasználó bemenetei alapján azonnal új játékkockákat generál. A felhasználók akár jelenetről jelenetre is ugorhatnak azonnal, ha friss mintaképeket táplálnak a rendszerbe.
Ez a fajta valós idejű, „menet közben generált” világmodell a mesterséges intelligencia kutatás egyik szent grálja. És bár a Microsoft által bemutatott jelenlegi verzió „határozottan nem azonos a játékkal”, ahogy Hoffman mondta a bemutató során, „nem olyan, mint egy hagyományos videojáték-élmény, de nagyon érdekes felfedezni és megnézni, mit tehetek ebben a környezetben”. Azért ne reménykedjünk abban, hogy a közeljövőben az MI által generált játékok új hulláma jön. A Microsoft WHAM eszközének prototípusa még mindig erősen korlátozott, és nagyon zavaros, 300×180-as felbontású (az eredeti Nintendo DS képernyőjéhez hasonló), a sebessége pedig 10 képkocka/másodperc - ez jóval a modern játékok alapszintje alatt van.
És a sokat hangoztatott konzisztencia- és perzisztenciajavulás ellenére a WHAM-felvételeken még mindig éteri, álomszerű minőséget mutatnak a bemutatott tárgyak, még az alacsony felbontású WHAM-felvételeken is. Különösen a játékos karaktere hajlamos úgy viselkedni, mint egy alakváltó, nem pedig mint egy szilárd és konzisztens csontvázzal rendelkező, feszes játékosmodell. A Microsoft mégis azt reméli, hogy a WHAM az első lépés egy olyan jövő felé, ahol a mesterséges intelligencia képes lesz egy pillanat alatt magas színvonalú interaktív élményeket létrehozni. "Remélhetőleg ez egy kis ízelítőt ad arról, hogy mire gondolunk, amikor olyan interaktív élményeken dolgozunk, amelyeket ezek a valós idejű generatív MI modellek menet közben generálnak” - mondta Hoffman.