Recomendados
Mais conteúdo relacionado
Mais procurados
Mais procurados (20)
Semelhante a ゲームAIから見るAIの歴史
Semelhante a ゲームAIから見るAIの歴史 (20)
Mais de Youichiro Miyake
Mais de Youichiro Miyake (20)
Último
Último (8)
ゲームAIから見るAIの歴史
- 7. My Works (2004-2017) AI for Game Titles Books
- 9. 第一章 人工知能とは
- 15. 第二章 人工知能の歴史
- 16. この３００年の技術の動向 時間 規模 産業革命 情報革命 ネット革命 知能革命 機械化・自動化（オートメーション化） 電子情報化 オンライン化 知能化 第二次産業革命 電動化 1750 1860 1960 1990 Now… 現代は「知能化」の時代に 入りつつある。 第一次AIブーム 第二次AIブーム 第三次AIブーム
- 18. 神経素子（ニューロン）とは？ 入力 入力 入力 出力 入力 この中にはイオン（電解,Na+,K+） 溶液が入っていて、入力によって電圧が 高まると出力する仕組みになっています。 100mVぐらい ニューラルネットワーク内シグナル伝達スピード 100(m/sec) … 案外遅い http://www.brain.riken.go.jp/jp/aware/neurons.html
- 21. 人工知能がブームになるとき 時間 規模 情報革命 ネット革命 知能革命 電子情報化 オンライン化 知能化 1960 1990 2000 第一次AIブーム 第二次AIブーム 第三次AIブーム 1970 1980 2010
- 22. 2 第一次ＡＩブーム（1960年代） • コンピューターは大型のものしかない。 • 人工知能という分野自体が誕生したばかり。 • ニューラルネットという新しい分野のブーム。 １９世紀後半 人間の脳は ニューロンという もので出来てい るらしい ２０世紀前半 ニューロンの 電気的性質が 解明される （ホジキン博士、 ハクスレー博士） 1950年代に ニューラルネット 発明 1963年に ホジキン＝ハク スレー方程式が ノーベル賞
- 23. 2 第一次ＡＩブーム（1960年代） 身長 体重 年齢 健康 要運動 注意 学習データから ここの重みを 変化させます 健康 要運動 注意 新しいデータ ニューラルネット ＝ データを分類する人工知能
- 24. 2 第一次ＡＩブーム（1960年代） もし A ならば B もし B ならば C よって、 もし A ならば C シンボルによる人工知能 （記号主義） ニューラルネットによる人工知能 （コネクショニズム） 推論ベース ニューラルネット 誕生
- 25. 3 第二次ＡＩブーム（1980年代） • パソコンが普及して行く。 • ルールを集めて知能を作ろう。 • 逆伝播法によるニューラルネットのブーム。 パソコンが 世の中で 普及して行く 知識主義 ＝ たくさんの知識 を人工知能に 与えて推論 すれば知能が できる インターネット もなく、知識 が足りない。 推論も専門的 な機能のみ。
- 26. 3 第二次ＡＩブーム（1980年代） IF （A） then B IF （C） then D IF （E） then F IF （G） then H IF （ I ） then J シンボルによる人工知能 （記号主義） ニューラルネットによる人工知能 （コネクショニズム） ルールベース 新しい学習法＝ 逆伝搬法
- 27. 3 第二次ＡＩブーム（1980年代） 1 0 0 このように学習させたい
- 28. 3 第二次ＡＩブーム（1980年代） 0 1 0 このように学習させたい
- 29. 3 第二次ＡＩブーム（1980年代） 0 0 1 このように学習させたい
- 30. 3 第二次ＡＩブーム（1980年代） 0 0 0 【逆伝播法】 ここが１になるように、 結合の強さを、 さかのぼって変えて行く。
- 31. 4 第三次ＡＩブーム（2010年代） • インターネットが普及して行く。 • インターネットで蓄積されたデータを学習させて 知能を作ろう。 • 改善されたニューラルネットのブーム。 インターネット が世の中で 普及して行く データ 学習主義 ＝ たくさんのデー タを人工知能 に学習させる 現在、進行中
- 33. インターネットによる 膨大なデータ 4 第三次ＡＩブーム（2010年代） 時間 規模 1960 1990 2000 第一次AIブーム 第二次AIブーム 第三次AIブーム 1970 1980 2010 ルールベース 逆伝播法 データベース ディープ ラーニング 推論ベース ニューラル ネット誕生 小型・中型 コンピュータの普及 大型コンピュータ 専門家のみのブーム
- 34. 第三章 ゲームAI
- 35. 時間 知能の規模 1960 1990 2000 第一次AIブーム 第二次AIブーム 第三次AIブーム 1970 1980 2010 ルールベース 逆伝播法 データベース ディープ ラーニング 推論ベース ニューラル ネット誕生 コネクショニズム 記号主義 デジタルゲームAI 人工知能の歴史
- 40. レベル ナビゲーション AI メタAI キャラクター AI ゲームの流れを作る エージェントを動的に配置 レベル状況を監視 エージェントに指示 自律的な判断 仲間同士の協調 パス検索 / 位置解析 メタAI, キャラクターAIの為に レベルの認識のためのデータを準備 オブジェクト表現を管理 ナビゲーション・データの管理 Support 敵キャラクタ－ プレイヤー 頭脳として機能 情報獲得 コントロール
- 43. FC SFC SS, PS PS2,GC,Xbox Xbox360, PS3, Wii DC （次世代）Hardware 時間軸20051999 ゲームの進化と人工知能 複雑な世界の 複雑なＡＩ ゲームも世界も、ＡＩの身体と内面もますます複雑になる。 単純な世界の シンプルなＡＩ （スペースインベーダー、タイトー、1978年） （アサシンクリード、ゲームロフト、2007年）
- 46. レベル ナビゲーション AI メタAI キャラクター AI ゲームの流れを作る エージェントを動的に配置 レベル状況を監視 エージェントに指示 自律的な判断 仲間同士の協調 パス検索 / 位置解析 メタAI, キャラクターAIの為に レベルの認識のためのデータを準備 オブジェクト表現を管理 ナビゲーション・データの管理 Support 敵キャラクタ－ プレイヤー 頭脳として機能 情報獲得 コントロール
- 48. このＡＩはどう組むか？ こういったＡＩをゲーム産 業では「Scripted AI」と言 います。こういったＡＩは ゲームデザイナーがス クリプト言語で書く場合 多いため。 プレイ ヤー キャラクター 岩 地面 池 Ａ B 、 （例） プレイヤーがＡにいれば Ｂをうろうろする。 プレイヤーがＢにいれば 近づいて攻撃する。 http://septieme-ciel.air- nifty.com/nikubanare/2007/08/post_3c38.htmlhttp://dear-croa.d.dooo.jp/download/illust.html http://piposozai.blog76.fc2.com/
- 49. スクリプト Scripted AI から自律型ＡＩへの変化 ゲームデザイナーの頭の中 Scripted AI 操り人形（Scripted AI）から、キャラクターが自分で考えて行動する自律型ＡＩ （Autonomous AI）になるためには、 ゲームデザイナーが頭の中で持っている知識と思考をＡＩに埋め込む必要がある。
- 53. 人工知能 ＝ 知識 ｘ 思考
- 54. スクリプト Scripted AI から自律型ＡＩへの変化 ゲームデザイナーの頭の中 ゲームデザイナーの頭の中 知識 思考 Scripted AI 自律型 AI (Autonomous AI) 操り人形（Scripted AI）から、キャラクターが自分で考えて行動する 自律型ＡＩ（Autonomous AI）になるためには、 ゲームデザイナーが頭の中で持っている知識と思考をＡＩに埋め込 む必要がある。
- 55. レベル ナビゲーション AI メタAI キャラクター AI ゲームの流れを作る エージェントを動的に配置 レベル状況を監視 エージェントに指示 自律的な判断 仲間同士の協調 パス検索 / 位置解析 メタAI, キャラクターAIの為に レベルの認識のためのデータを準備 オブジェクト表現を管理 ナビゲーション・データの管理 Support 敵キャラクタ－ プレイヤー 頭脳として機能 情報獲得 コントロール
- 61. ３Ｄゲームの中のＡＩ Halo （ＨＡＬＯ、バンジー、2001年） デバッグ画面 The Illusion of Intelligence - Bungie.net Downloads http://downloads.bungie.net/presentations/gdc02_jaime_griesemer.ppt
- 63. 遅延反応系 INPUT OUTPUT 時間 情報抽象度 反射的に行動 少し場合ごとに対応 抽象的に思考 理論的に考える 言語化のプロセス 反応を遅延させるところに、知性の生じるチャンスがある。
- 64. サブサンプション・アーキテクチャ（ロドニー・ブルックス） INPUT OUTPUT 時間 情報抽象度 反射的に行動 少し場合ごとに対応 抽象的に思考 理論的に考える 言語化のプロセス = 自意識の構築化 Subsumpution Architecture 運動の実現のプロセス = 身体運動の生成
- 66. レベル ナビゲーション AI メタAI キャラクター AI ゲームの流れを作る エージェントを動的に配置 レベル状況を監視 エージェントに指示 自律的な判断 仲間同士の協調 パス検索 / 位置解析 メタAI, キャラクターAIの為に レベルの認識のためのデータを準備 オブジェクト表現を管理 ナビゲーション・データの管理 Support 敵キャラクタ－ プレイヤー 頭脳として機能 情報獲得 コントロール
- 67. パス検索とは 現在の地点から指定したポイントへの経路を、 リアルタイムで計算して導く技術。 RTS - Pathfinding A* https://www.youtube.com/watch?v=95aHGzzNCY8
- 68. Counter Strike (2000) : Nav Mesh The Official Counter-Strike Bot http://aigamedev.com/insider/presentation/official-counter-strike-bot/ Dragon Age : Way Point Dragon Age pathfinding program put to the test https://www.youtube.com/watch?v=l7YQ5_Nbifo
- 69. Counter Strike: Path Following (デモ) The Official Counter-Strike Bot http://aigamedev.com/insider/presentation/official-counter-strike-bot/
- 71. 強化学習 （例）格闘ゲームTaoFeng におけるキャラクター学習 Ralf Herbrich, Thore Graepel, Joaquin Quiñonero Candela Applied Games Group,Microsoft Research Cambridge "Forza, Halo, Xbox Live The Magic of Research in Microsoft Products" http://research.microsoft.com/en-us/projects/drivatar/ukstudentday.pptx Microsoft Research Playing Machines: Machine Learning Applications in Computer Games http://research.microsoft.com/en-us/projects/mlgames2008/ Video Games and Artificial Intelligence http://research.microsoft.com/en-us/projects/ijcaiigames/
- 72. F.E.A.R.のプランニング シンボルによる連鎖プランニング ターゲットＡが 死んでいる ターゲットＡが 死んでいる 攻撃 武器が装填 されている 武器が装填 されている 装填する 武器を 持っている 武器を 持っている 武器を拾う 条件なし プラナー プランニング Jeff Orkins, Three States and a Plan: The AI of FEAR http://alumni.media.mit.edu/~jorkin/gdc2006_orkin_jeff_fear.pdf
- 73. 計画を立てるＡＩ/計画を変更するＡＩ Jeff Orkins, Three States and a Plan: The AI of FEAR http://alumni.media.mit.edu/~jorkin/gdc2006_orkin_jeff_fear.pdf
- 74. レベル ナビゲーション AI メタAI キャラクター AI ゲームの流れを作る エージェントを動的に配置 レベル状況を監視 エージェントに指示 自律的な判断 仲間同士の協調 パス検索 / 位置解析 メタAI, キャラクターAIの為に レベルの認識のためのデータを準備 オブジェクト表現を管理 ナビゲーション・データの管理 Support 敵キャラクタ－ プレイヤー 頭脳として機能 情報獲得 コントロール
- 75. メタＡＩの歴史 1980 1990 メタＡＩというのは、ゲームそのものに埋め込まれたＡＩ。 1980 1990 2000 古典的メタAI 現代のメタＡＩ キャラクターＡＩ技術の発展
- 77. （例）「ゼビウス」（ナムコ、1983） 敵出現テーブル巻き戻し 敵0 敵１ 敵2 敵3 敵4 敵5 『あと面白い機能なんですけれど、 ゼビウスには非常に簡単なAIが組み込まれています。 「プレイヤーがどれくらいの腕か」というのを判断して、 出てくる敵が強くなるんです。 強いと思った相手には強い敵が出てきて、 弱いと思った相手には弱い敵が出てきます。 そういっ たプログラムが組み込まれています。 ゲームの難易度というのは「初心者には難しくて、上級者 には簡単だ」ということが、 ひとつの難易度で(調整を)やっていくと起きてしまうので、 その辺を何 とか改善したいな、ということでそういったことを始めてみたのですけれど、 お陰で割合にあまり上 手くない人でも比較的長くプレイできる、 うまい人でも最後のほうに行くまで結構ドラマチックに楽 しめる、 そういった感じになっています。』 － 遠藤雅伸（出演）、1987、「糸井重里の電視遊戯大展覧会」『遠藤雅伸ゼビウスセミナー』フジテレビ － ゼビウス
- 79. メタＡＩ Left 4 Dead の事例 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html 今回は Left 4 Dead の事例を見てみる。
- 80. 適応型動的ペーシング [基本的発想] (1) ユーザーがリラックスしている時に、ユーザーの 緊張度が一定の敷居を超えるまで敵をぶつけ 続ける。 (2) ユーザーの緊張度が一定の緊張度を超えると 敵を引き上げる。 (3) リラックスすると敵を出現し始める（(１)へ）。 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 82. メタAI(=AI Director)によるユーザーのリラックス度に応じた敵出現度 ユーザーの緊張度 実際の敵出現数 計算によって 求められた 理想的な敵出現数 Build Up …プレイヤーの緊張度が目標値を超えるまで 敵を出現させ続ける。 Sustain Peak … 緊張度のピークを3-5秒維持するために、 敵の数を維持する。 Peak Fade … 敵の数を最小限へ減少していく。 Relax … プレイヤーたちが安全な領域へ行くまで、30-45秒間、 敵の出現を最小限に維持する。 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html より具体的なアルゴリズム
- 83. メタＡＩがゲームを認識する方法 キャラクター用に作成された ナビゲーションメッシュを メタＡＩがゲームの 状況を認識するために使用する。 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 84. メタAIが作用を行う領域 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html メタＡＩが作用（敵の生成・ 消滅）を行う領域を、 AAS（= Active Area Set） と 言う。
- 85. メタAIが作用を行う領域 (AAS=Active Area Set) Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 86. メタAIが作用を行う領域 (AAS=Active Area Set) Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 87. 安全な領域までの道のり(Flow Distance) メタＡＩはプレイヤー群の経路を トレースし予測する。 - どこへ来るか - どこが背面になるか - どこに向かうか Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 88. プレイヤーからの可視領域 可視領域（プレイヤーから見えている 部屋）では、敵のスパウニング（発生） はできない。 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 89. 敵出現領域 背後 前方 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html 前方と背後のプレイヤー群から見えてない部屋に、 モンスターを発生させる。
- 94. AlphaGO 膨大な棋譜のデータ （人間では多過ぎて 読めない） この棋譜を そっくり打てる ように学習する 自己対戦して 棋譜を貯める この棋譜を そっくり打てる ように学習する AlphaGO
- 95. Deep Q-Learning Volodymyr Mnih, Koray Kavukcuoglu, David Silver, Alex Graves, Ioannis Antonoglou, Daan Wierstra, Martin Riedmiller (DeepMind Technologies) Playing Atari with Deep Reinforcement Learning http://www.cs.toronto.edu/~vmnih/docs/dqn.pdf 画面を入力 操作はあらかじめ教える スコアによる強化学習
- 97. 学習過程解析 Volodymyr Mnih, Koray Kavukcuoglu, David Silver, Alex Graves, Ioannis Antonoglou, Daan Wierstra, Martin Riedmiller (DeepMind Technologies) Playing Atari with Deep Reinforcement Learning http://www.cs.toronto.edu/~vmnih/docs/dqn.pdf
- 98. • Pπ ロールアウトポリシー（ロールアウトで討つ手を決める。 Pπ（a|s） sという状態でaを討つ確率） • Pσ Supervised Learning Network プロの討つ手からその 手を討つ確率を決める。Pσ（a|s）sという状態でaを討つ確 率。 • Pρ 強化学習ネットワーク。Pρ（学習済み）に初期化。 • Vθ(s’) 局面の状態 S’ を見たときに、勝敗の確率を予測 する関数。つまり、勝つか、負けるかを返します。 Mastering the game of Go with deep neural networks and tree search http://www.nature.com/nature/journal/v529/n7587/full/nature16961.html https://deepmind.com/research/alphago/
- 99. Mastering the game of Go with deep neural networks and tree search http://www.nature.com/nature/journal/v529/n7587/full/nature16961.html https://deepmind.com/research/alphago/
- 100. あから２０１０ 激指 YSS 合議 Bonanza GPS 将棋 あから2010合議サーバログを可視化してみた（A Successful Failure） http://blog.livedoor.jp/lunarmodule7/archives/1121781.html
- 101. 第四章 生成系ニューラルネットワーク
- 102. 神経素子（ニューロン）とは？ 入力 入力 入力 出力 入力 この中にはイオン（電解,Na+,K+） 溶液が入っていて、入力によって電圧が 高まると出力する仕組みになっています。 100mVぐらい ニューラルネットワーク内シグナル伝達スピード 100(m/sec) … 案外遅 い http://www.brain.riken.go.jp/jp/aware/neurons.html
- 103. ニューラルネットを理解しよう② 基本原理 http://www.pri.kyoto-u.ac.jp/brain/brain/11/index-11.html 医学的知識 http://www.biwako.shiga-u.ac.jp/sensei/mnaka/ut/sozai/ai.html モデル化 数学的モデル ニューロン 人工ニューロン 入出力関係のグラフ 入出力関係の関数（シグモイド関数）
- 106. ニューラルネットを理解しよう③ 数学的原理 数学的モデル 階層型ニューラルネットワーク … 一方向にニューロンをつなげたもの 入力層 隠れ層 出力層 重み 重み 最初に定義するもの＝ウエイト（重み） 、バイアス とりあえず全ての結合を定義しておく（ニューロン間の重みを０にすれば切れる） 数値の組み が入ります 数値の組み が出ます これは３層の例だけど、 何層つなげてもよい 一旦定義してから変えることができないもの…全体の構造 変えることができるもの…ウエイト（重み）
- 107. 生成系ニューラルネットワーク技術 ニューラルネットワーク GAN （一般敵対的ネット） （ディープラーニング） ニューロエヴォリューション （進化的ニューラルネット） 逆伝播法 ニューラルネットワーク
- 108. ⑤ニューラルネットワークの構造が進化させる 「NEAT」の技術 Mat Buckland, Chapter 11, AI techniques for game programming, Premier Press, 2002 (実行ファイルとソースコードがCD-ROMにあります) これまでニューラルネットは、最初に構造を定義した後は変化しなかった。 動的にニューラルネットの構造を変化させる技術 Neuron Evoluation of Augmenting Topologies (NEAT)
- 110. NEAT 回路の構成を遺伝子コードで表現する。 Weight: 1.2 From: 1 To: 3 Enabled: Y Recurrent: N Innovation: 1 Weight: -3 From: 1 To: 4 Enabled: Y Recurrent: N Innovation: 6 Weight: 0.7 From: 2 To: 4 Enabled: Y Recurrent: N Innovation: 2 Weight: -2.1 From: 3 To: 4 Enabled: Y Recurrent: N Innovation: 6 Weight: 1.1 From: 3 To: 5 Enabled: N Recurrent: N Innovation: 3 Weight: 0.8 From: 4 To: 5 Enabled: Y Recurrent: N Innovation: 4 Weight: -1 From: 5 To: 3 Enabled: Y Recurrent: Y Innovation: 7 ID: 1 Type: Input ID: 2 Type: Input ID: 3 Type: hidden ID: 4 Type: hidden ID: 5 Type: Output 2 1 4 3 5 つなぎ方を定義する遺伝子 ニューロンを定義する遺伝子 入力 出力
- 111. NEAT 回路の構成を遺伝子コードで表現する。 Weight: 1.2 From: 1 To: 3 Enabled: Y Recurrent: N Innovation: 1 Weight: -3 From: 1 To: 4 Enabled: Y Recurrent: N Innovation: 6 Weight: 0.7 From: 2 To: 4 Enabled: Y Recurrent: N Innovation: 2 Weight: -2.1 From: 3 To: 4 Enabled: Y Recurrent: N Innovation: 6 Weight: 1.1 From: 3 To: 5 Enabled: N Recurrent: N Innovation: 3 Weight: 0.8 From: 4 To: 5 Enabled: Y Recurrent: N Innovation: 4 Weight: -1 From: 5 To: 3 Enabled: Y Recurrent: Y Innovation: 7 ID: 1 Type: Input ID: 2 Type: Input ID: 3 Type: hidden ID: 4 Type: hidden ID: 5 Type: Output 2 1 4 3 5 リンク（つなぎ方）を定義する遺伝子 ニューロンを定義する遺伝子 Innovation ID によってリンク、 ニューロンを全遺伝子共通の管理す る。 無効 入力 出力
- 113. NEATにおける交叉 親１ 2 1 7 3 4 1 1->4 2 2->4 3 3->4 6 3->7 7 7->4 12 1->7 1 1->4 2 2->4 3 3->4 4 2->5 5 5->4 8 5->9 9 9->4 15 3->9 親２ 2 1 3 95 4 Innovation ID 交 叉 2 1 3 95 4 4 2->5 5 5->4 8 5->9 9 9->4 15 3->9 1 1->4 2 2->4 3 3->4 子供＝新しいニューラルネットワーク
- 115. ⑤ニューラルネットワークの構造が進化させる 「NEAT」の技術 Mat Buckland, Chapter 11, AI techniques for game programming, Premier Press, 2002 (実行ファイルとソースコードがCD-ROMにあります) これまでニューラルネットは、最初に構造を定義した後は変化しなかった。 動的にニューラルネットの構造を変化させる技術 Neuron Evoluation of Augmenting Topologies (NEAT)
- 118. 弾幕自動生成 • Applying Evolutionary Algorithms to the Galactic Arms Race • http://aigamedev.com/open/interviews/galactic-arms-race/ https://www.youtube.com/watch?v=N8q2uOwWcFc
- 121. EA SEED - Deep Learning IMITATION LEARNING WITH CONCURRENT ACTIONS IN 3D GAMES https://www.ea.com/seed/news/seed-imitation-learning-concurrent-actions
- 122. EA SEED - Deep Learning IMITATION LEARNING WITH CONCURRENT ACTIONS IN 3D GAMES https://www.ea.com/seed/news/seed-imitation-learning-concurrent-actions
- 123. EA SEED - Deep Learning IMITATION LEARNING WITH CONCURRENT ACTIONS IN 3D GAMES https://www.ea.com/seed/news/seed-imitation-learning-concurrent-actions
- 124. EA SEED - Deep Learning IMITATION LEARNING WITH CONCURRENT ACTIONS IN 3D GAMES https://www.ea.com/seed/news/seed-imitation-learning-concurrent-actions
- 125. EA SEED - Deep Learning IMITATION LEARNING WITH CONCURRENT ACTIONS IN 3D GAMES https://www.ea.com/seed/news/seed-imitation-learning-concurrent-actions
- 126. • https://www.ea.com/seed/news/self-learning-agents-play- bf1 https://www.ea.com/seed/news/seed-imitation-learning-concurrent-actions https://www.ea.com/seed/news/self-learning-agents-play-bf1 EA SEED - Deep Learning IMITATION LEARNING WITH CONCURRENT ACTIONS IN 3D GAMES https://www.ea.com/seed/news/seed-imitation-learning-concurrent-actions
- 127. The Alchemy and Science of Machine Learning for Games (GDC 2019) https://www.gdcvault.com/play/1025653/The-Alchemy-and-Science-of
- 128. The Alchemy and Science of Machine Learning for Games (GDC 2019) https://www.gdcvault.com/play/1025653/The-Alchemy-and-Science-of
- 129. The Alchemy and Science of Machine Learning for Games (GDC 2019) https://www.gdcvault.com/play/1025653/The-Alchemy-and-Science-of
- 130. Deep Mind • https://deepmind.com/blog /capture-the-flag/ • Multi agnet learning Deep Mind: Capture the Flag: the emergence of complex cooperative agents https://deepmind.com/blog/article/capture-the-flag-science
- 131. Two Agent Cooperation by DeepMind Deep Mind: Capture the Flag: the emergence of complex cooperative agents https://deepmind.com/blog/article/capture-the-flag-science
- 132. Phase-Functioned Neural Networks for Character Control DANIEL HOLDEN, University of Edinburgh TAKU KOMURA, University of Edinburgh JUN SAITO, Method Studios http://theorangeduck.com/media/uploads/other_stuff/phasefunction.pdf
- 134. Tom Mathews Making "Big Data" Work for 'Halo': A Case Study http://ai-wiki/wiki/images/d/d8/AI_Seminar_177th.pdf
- 135. Tom Mathews Making "Big Data" Work for 'Halo': A Case Study http://ai-wiki/wiki/images/d/d8/AI_Seminar_177th.pdf
- 136. Gameplay Data Analysis: Asking the Right Questions Ian Thomas (Epic Games) http://www.gdcvault.com/play/1015482/Gameplay-Data-Analysis-Asking-the
- 138. 第六章 人工知能と創造性
- 139. プロシージャル
- 140. プロシージャル技術 ゲームAI技術 AI技術 プロシージャル 技術 コンテンツ自動生成技術 （PCG, Procedural Contents Generation ）
- 141. （例）① GA Racer遺伝的アルゴリズムによって、遠くまで到達できるレーサーを作成する。 最初はここまでしか たどり着けないけど… だんだんと遠くまで、 たどりつけるようにする。 Mat Buckland, "Building Better Genetic Algorithm", 11.4., AI Game Programming Wisdom 2 （CD-ROMにソースコードと実行ファイルがあります） 最初の世代 新世代（１００～世代後）
- 142. （例）③ムーンランディング （月着陸） ３世代 ２０世代 ３５世代 落下法則（物理法則）のもとで降下ポイントから台座に垂直に着陸する操作を見出す 最初は全く見当違い。 だんだんと近付いて来る。 Mat Buckland, Andre Lamothe, “Moon Landings Made Easy ”, chapter.6., AI techniques for game programming, Premier Press (2002) （CD-ROMにソースコードと実行ファイルがあります） 着陸地点 降下開始ポイント 降下開始ポイント 降下開始ポイント
- 143. Neural Networks in Supreme Commander 2 (GDC 2012) Michael Robbins (Gas Powered Games) http://www.gdcvault.com/play/1015406/Off-the-Beaten-Path-Non http://www.gdcvault.com/play/1015667/Off-the-Beaten-Path-Non ニューラルネットワークの応用
- 144. Neural Networks in Supreme Commander 2 (GDC 2012) Michael Robbins (Gas Powered Games) http://www.gdcvault.com/play/1015406/Off-the-Beaten-Path-Non http://www.gdcvault.com/play/1015667/Off-the-Beaten-Path-Non ニューラルネットワークの応用
- 145. Neural Networks in Supreme Commander 2 (GDC 2012) Michael Robbins (Gas Powered Games) http://www.gdcvault.com/play/1015406/Off-the-Beaten-Path-Non http://www.gdcvault.com/play/1015667/Off-the-Beaten-Path-Non ニューラルネットワークの応用
- 146. Neural Networks in Supreme Commander 2 (GDC 2012) Michael Robbins (Gas Powered Games) http://www.gdcvault.com/play/1015406/Off-the-Beaten-Path-Non http://www.gdcvault.com/play/1015667/Off-the-Beaten-Path-Non ニューラルネットワークの応用
- 147. ニューラルネットワークの応用 Black & White （Lionhead,2000） クリーチャーを育てていくゲーム。 クリーチャーは自律的に行動するが、 訓練によって学習させることができる。 http://www.youtube.com/watch?v=2t9ULyYGN-s http://www.lionhead.com/games/black-white/
- 148. Belief – Desire – Intention モデル Desire (Perceptrons) Opinions (Decision Trees) Beliefs (Attribute List) Intention Overall Plan (Goal, Main Object) Attack enemy town Specific Plan (Goal, Object List) Throw stone at house Primitive Action List Walk towards stone, Pick it up, Walk towards house, Aim at house, Throw stone at house Richard Evans, “Varieties of Learning”, 11.2, AI Programming Wisdom
- 149. Belief – Desire – Intention モデル Desire (Perceptrons) Opinions (Decision Trees) Beliefs (Attribute List) Richard Evans, “Varieties of Learning”, 11.2, AI Programming Wisdom Low Energy Source =0.2 Weight =0.8 Value = Source*Weight = 0.16 Tasty Food Source =0.4 Weight =0.2 Value = Source*Weight = 0.08 Unhappines s Source =0.7 Weight =0.2 Value = Source*Weight = 0.14 ∑ 0.16+0.08+0.14 Threshold （0～1の値に 変換） hunger Desire（お腹すいた度）欲求を決定する 対象を決定する それぞれの対象の 固有の情報 他にも いろいろな 欲求を計算 Hunger Compassion Attack（戦いたい） Help ニューラルネットワークの応用 Black & White （Lionhead,2000） 14:00-
- 150. Rogue (1980)のレベル生成法 Rect[0] Rect[0] Rect[1] Rect[0] Rect[1] Rect[2] Rect[3] http://racanhack.sourceforge.jp/rhdoc/intromaze.html
- 151. Rogue (1980)のダンジョン生成法 Rect[0] Rect[0] Rect[1] Rect[0] Rect[1] Rect[2] Rect[3] このようにアセット（ゲームのデータ）をツールなどを通して製作するのではなく、 プログラムで作ることを「プロシージャル・コンテンツ・ジェネレーション」（PCG）と言う。 http://racanhack.sourceforge.jp/rhdoc/intromaze.html
- 152. 迷路の自動的な作り方 • 穴掘り法 • 棒倒し法 • 壁伸ばし法
- 156. アーロンのアルゴリズム • 知識ベースの人工知能 (左) 学んだ知識から描く （右） 架空のものを学んだものから描く 19851983
- 163. NO MAN’S SKY (Hello Games, 2016) http://www.no-mans-sky.com/ 宇宙、星系、太陽系、惑星を自動生成する。
- 165. FarCry2 (Dunia Engine ) デモ 草原自動生成 時間システム 樹木自動生成 動的天候システム 動的天候システム http://www.farcry2-hq.com/downloads,18,dunia-engine-nr1.htm