PAC-MAN RICREATO NVIDIA UTILIZZANDO QUESTO MODELLO DI RETE NEURALE
Alla vigilia del 40 ° anniversario di PAC-MAN, i ricercatori dell’importante colosso tecnologico NVIDIA si sono uniti al MIT, all’Università di Toronto e al Vector Institute per costruire un nuovo modello di intelligenza artificiale noto come GameGAN per ricreare l’ambiente di gioco di PAC-MAN . Il lato interessante di questa ricerca è che l’IA non solo gioca a PAC-MAN, ma crea anche il proprio gameplay guardando il gioco senza la necessità di un motore di gioco.
Seung-Wook Kim, un ricercatore di NVIDIA e autore principale del progetto, ha dichiarato in un post sul blog , questa è la prima ricerca per emulare un motore di gioco utilizzando reti neurali basate su GAN . Volevano vedere se l’IA poteva imparare le regole di un ambiente semplicemente guardando la sceneggiatura di un agente che si muoveva nel gioco e lo ha fatto.
GameGAN è un nuovo potente modello di intelligenza artificiale creato da NVIDIA Research che viene addestrato su 50.000 episodi del gioco PAC-MAN. Il modello ha la capacità di generare una versione completamente funzionale di PAC-MAN, senza alcun motore di gioco sottostante. Ciò significa che anche senza comprendere le regole fondamentali di un gioco, questo modello di intelligenza artificiale può ricreare il gioco con risultati convincenti.
Secondo i ricercatori di NVIDIA , GameGAN è il primo modello di rete neurale che imita un motore di gioco per computer sfruttando reti generative contraddittorie o GAN . I modelli basati su GAN comprendono due reti neurali concorrenti che generano e discriminano. Il modello impara come creare nuovi contenuti abbastanza convincenti da passare per l’originale.
Bandai Namco Entertainment Inc., sviluppatore ed editore di videogiochi multinazionale giapponese, ha fornito i dati di PAC-MAN per addestrare il modello GameGAN. Con questi dati, i ricercatori del NVIDIA AI Research Lab di Toronto hanno utilizzato i sistemi NVIDIA DGX per addestrare reti neurali sugli episodi PAC-MAN che includono un totale di alcuni milioni di frame, che sono accoppiati con i dati sui tasti premuti da un agente AI giocare.
Dopo l’allenamento, il modello GameGAN genera quindi elementi statici dell’ambiente, ad esempio una forma di labirinto coerente, punti e anche Power Pellet, inclusi elementi in movimento come i fantasmi nemici e lo stesso PAC-MAN.
Come funziona GameGAN
Quando un agente artificiale gioca il gioco generato da GAN, il modello GameGAN risponde alle azioni degli agenti generando nuovi frame dell’ambiente di gioco in tempo reale. Se questo modello GAN viene addestrato su sceneggiature da giochi con più livelli o versioni, il modello può persino generare layout di gioco, che non ha mai visto prima.
Invece di un motore di gioco tradizionale, il modello GameGAN si basa su reti neurali per generare l’ambiente PAC-MAN. Inoltre, l’IA tiene traccia del mondo virtuale ricordando ciò che è già stato generato per mantenere la coerenza visiva da un fotogramma all’altro. Il modello di rete neurale può apprendere le sue regole semplicemente inserendo registrazioni dello schermo e sequenze di tasti degli agenti dal gameplay passato.
Vantaggi di GameGAN
Secondo Koichiro Tsutsumi di BANDAI NAMCO Research Inc., questa ricerca offre interessanti possibilità per aiutare gli sviluppatori di giochi ad accelerare il processo creativo di sviluppo di layout, personaggi e persino nuovi giochi di livello
Gli sviluppatori di giochi potrebbero utilizzare questo strumento di intelligenza artificiale per progettare automaticamente nuovi layout di livello per i giochi esistenti, usando la sceneggiatura dei livelli originali come dati di allenamento
Dal momento che il modello GameGAN può districare lo sfondo dai personaggi in movimento, si può rifondere il gioco con le emoji preferite per svolgersi in un labirinto di siepi all’aperto o scambiare PAC-MAN. Questa funzionalità può essere utilizzata dagli sviluppatori di giochi per sperimentare nuove idee di personaggi o temi di gioco
RIassumendo
La creazione di un simulatore è un processo che richiede tempo per gli sviluppatori, che devono codificare le regole su come gli oggetti interagiscono tra loro e su come funziona la luce all’interno dell’ambiente. Secondo i ricercatori, il modello GameGAN introduce la possibilità che un giorno il lavoro di scrittura di un simulatore per compiti come questi possa essere sostituito semplicemente addestrando una rete neurale.
