Các nghiên cứu về Trí tuệ nhân gần đây đã cho thấy sự hấp dẫn và khả năng mang lại những thay đổi đột phá trong môi trường học thuật của nó. Tuy nhiên, khó khăn từ việc triển khai khiến nhiều người tin rằng rất khó để áp dụng trong thực tế. Vậy các nhà phát triển đã ứng dụng nó trò chơi điện tử thương mại như thế nào?
Để thu hẹp khoảng cách giữa việc nghiên cứu phát triển trong môi trường học thuật và hạn chế sự rủi ro cho doanh nghiệp, nhà phát hành trò chơi Ubisoft đã thành lập ‘La Forge‘, một nhóm chuyên gia gồm sinh viên, giáo sư và nhân viên làm việc để tìm hiểu cách AI có thể cải thiện quá trình phát triển trò chơi.
AI Business đã tiếp cận La Forge và Test Automation để tìm hiểu cách mà họ ứng dụng AI để giúp các nhà xuất bản trò chơi điện tử lớn trong việc xây dựng và phát triển ứng dụng. Nhiệm vụ của La Forge là tạo điều kiện thuận lợi cho việc xây dựng các mẫu kỹ thuật dựa trên nghiên cứu học thuật mới nhất, nói cách khác, chúng tôi kiểm tra và đánh giá khả năng ứng dụng các kỹ thuật mới nổi như học sâu, sinh trắc học, v.v.
“Khi chúng tôi có bằng chứng chắc chắn về khái niệm hoặc nguyên mẫu và chúng tôi hiểu những hạn chế và khả năng ứng dụng của nó, chúng tôi sẽ áp dụng kiến thức đó vào những mảng đem lại thay đổi lớn nhất cho công ty.” Jacquier cho biết nhóm đang tìm kiếm các dự án “vừa phục vụ lợi ích học thuật (tạo kiến thức chung) vừa có tác động cụ thể đến việc sản xuất trò chơi”.
“Một số vấn đề rõ ràng là mang tính dài hạn, chẳng hạn như xây dựng các nhân vật tự động hoặc tạo nội dung theo hoạt ảnh, nhưng chúng tôi luôn hướng tới các mục tiêu nhỏ hơn, hữu hình hơn”.
“Bạn không leo lên đỉnh Everest ngay lập tức, bạn cần nhắm đến điểm cắm trại tiếp theo, nơi bạn có thể chỉnh sửa kế hoạch của mình. Khi chúng tôi giải quyết các chủ đề mới, chúng tôi bắt đầu từ những việc nhỏ và cố gắng khắc phục nhanh chóng, nếu chúng tôi thất bại.”
La Forge đã làm việc với các nhà nghiên cứu, giúp tài trợ cho các dự án và cấp cho họ quyền truy cập vào các công cụ và dữ liệu nội bộ của công ty.
Jacquier nói: “Qua nhiều năm, chúng tôi đã phát triển chuyên môn để duy trì sự cân bằng giữa nghiên cứu có thể được sử dụng khả thi và khả năng giải quyết vấn đề thực tế đồng thời, giúp mang lại lợi ích cho nghiên cứu học thuật. “Chúng tôi bắt đầu nghiên cứu về Deep learning hơn mười năm trước khi khái niệm này được nhiều người biết đến, và đã trải qua nhiều thất bại cũng như thành công.”
Kết hợp mô phỏng
Để La Forge thành công, điều quan trọng là nhóm phải hợp tác với hoạt động kinh doanh rộng lớn hơn của Ubisoft. “Tôi không muốn La Forge trở thành một bộ phận thiếu khả năng ứng dụng thực tế, nên chúng tôi không ngừng thử thách bản thân để đảm bảo rằng chúng tôi cung cấp những gì tốt nhất cho cả hai việc: bảo vệ nghiên cứu và các rủi ro đồng thời có tác động đến tổ chức trong dài hạn , được nhấn mạnh bằng những chiến thắng ngắn hạn,” Jacquier lưu ý.
Bất chấp động cơ thương mại, nhóm vẫn xem xét cả đến những mảng không liên quan trực tiếp đến dự án với trò chơi điện tử; những người nghiên cứu về biến đổi khí hậu và xe tự lái.
Jacquier lập luận rằng điều này rất quan trọng nếu bạn muốn thu hút các nhà nghiên cứu từ các nền tảng khác tham gia và hỗ trợ đổi mới ở nhiều khía cạnh khác. “Ví dụ, tại Ubisoft, chúng tôi thường tự hỏi các công cụ của chúng tôi – đặc biệt là phần kết xuất – thực tế đến mức nào, ánh sáng phản chiếu trên mặt nước có đủ tốt không? Điều này mang tính chủ quan rất cao.”
Có thời điểm, nhóm đã được liên hệ bởi một bộ phận phát triển đang cố gắng mô phỏng lũ lụt ở những cảnh quan quen thuộc để giáo dục mọi người về tác động của biến đổi khí hậu.
Người dùng được yêu cầu tải lên một bức ảnh về khu phố của họ để nhóm có thể hình dung được nó sẽ trông như thế nào sau 30 năm nữa. Jacquier cho biết: “Để làm được điều này, nhóm cần đào tạo một mô hình AI với rất nhiều ví dụ trước/sau và nhưng không có nhiều dữ liệu sẵn có, vì vậy họ nảy ra ý tưởng mô phỏng mô hình đó trong môi trường trò chơi điện tử.
“Bằng những đóng góp cho dự án này, chúng tôi đã học được rất nhiều về các kỹ thuật mới gọi là GAN – nhưng chúng tôi có thể thấy rằng hình ảnh của chúng tôi đã cải thiện đáng kể hiệu suất của AI mà chúng tôi huấn luyện, khoảng 300%, trong khi hình ảnh từ một trò chơi khác làm giảm đi hiệu suất của nó.
“Nói cách khác, bằng cách áp dụng nghiên cứu này vào vấn đề không liên quan gì đến trò chơi điện tử, chúng tôi đã có thể trả lời câu hỏi về chất lượng hiển thị.” Nhóm đã tham gia nhiều nghiên cứu về học trực tuyến, phương pháp điều trị sức khỏe tâm thần, hình đại diện thực tế và giải pháp AI cho khoa học máy tính, được phát triển cho cộng đồng lập trình.
Jacquier nói: “Chúng tôi không phải là chuyên gia trong những lĩnh vực này nhưng chúng tôi nghĩ rằng việc thực hiện các dự án như vậy sẽ tạo ra ‘bối cảnh ba bên cùng có lợi’ cho giới hàn lâm/Ubisoft/các lĩnh vực khác.”
Tất nhiên, nhóm cũng có những nghiên cứu có thể có tác động rõ ràng và đáng chú ý đến quá trình phát triển trò chơi. Một trong những dự án thú vị nhất là Clever Commit, hiện đang được phát triển chung với Mozilla. Jacquier giải thích: “Mọi chuyện bắt đầu với một sinh viên – Mathieu Nayrolles – người cần kinh nghiệm trong ngành để hoàn thành bằng Tiến sĩ.
“Chúng tôi đã đề nghị anh ấy làm việc với La Forge và cung cấp cho anh ấy quyền truy cập vào các dòng mã, lịch sử lỗi, bản vá, v.v. từ hơn 10 năm trò chơi AAA. “Ý tưởng là đào tạo một AI sử dụng lịch sử mã, lỗi của chúng tôi và cách chúng tôi sửa chúng, vì vậy nó sẽ học được một lỗi tiềm ẩn thường trông như thế nào, giống hệt như một lập trình viên có kinh nghiệm.”
Điều này dẫn đến việc tạo ra một nguyên mẫu có tên là ‘Commit Assistant‘ có thể phát hiện ra 70% lỗi trước khi mã được gửi vào sản xuất thử nghiệm. Jacquier cho biết: “Đây là những kết quả tuyệt vời, nhưng trong quá trình xây dựng nguyên mẫu, nó cũng đặt ra những câu hỏi quan trọng về dữ liệu chúng tôi muốn sử dụng để đào tạo AI.
“Nếu chúng tôi đào tạo các mô hình như vậy với dữ liệu có thể nhận dạng, chẳng hạn như giới tính của lập trình viên cùng với lịch sử lỗi của anh ấy/cô ấy, chúng tôi có thể tăng hiệu quả tổng thể của hệ thống AI, nhưng cũng có những dự đoán sai lệch.
Cuối cùng, khả năng AI có thể phân biệt đối xử với các nhóm người đã thuyết phục chúng tôi không đưa vào loại dữ liệu này.”
Rất nhiều công việc phải được thực hiện để đưa nguyên mẫu đến một điểm mà nó có thể được sử dụng trong môi trường sản xuất. Jacquier giải thích: “Khi bạn chuyển bất kỳ nguyên mẫu nào sang bước tiếp theo này, nó sẽ đặt ra những câu hỏi quan trọng và thách thức mới: ai sẽ truy cập dự đoán lỗi? Bạn giải thích quy trình như thế nào để các lập trình viên tin tưởng vào kết quả? Tác vụ nào sẽ trở nên lỗi thời? Đào tạo nhân lực như thế nào?”
Tác giả ban đầu, Nayrolles, được giao phụ trách một nhóm có nhiệm vụ tìm ra những điểm tắc nghẽn. Dự án đã trở thành Clever Commit, hiện có tỷ lệ phát hiện lỗi thành công là 85% và được triển khai trong hơn 25 sản phẩm trên toàn thế giới, Jacquier tiết lộ.
“Đồng thời, chúng tôi đang tiếp tục nghiên cứu về các chủ đề tài sản thế chấp để dự đoán lỗi trực tuyến hoặc tải trên máy chủ trò chơi.”
SmartBots lắp ráp
Một con đường nghiên cứu hấp dẫn khác tại La Forge là ‘SmartBots’, với hy vọng giải quyết các thách thức đối với các hệ thống điều khiển hành động của các nhân vật trong trò chơi (còn được gọi là AI) trong thế giới ảo ngày càng lớn và phức tạp. “AI dựa trên Máy học dựa trên dữ liệu để khái quát hóa và đưa dự đoán, cho dù bạn cung cấp dữ liệu này (trong cái được gọi là tập dữ liệu đào tạo) hay nó tạo ra dữ liệu của riêng mình,” Jacquier giải thích.
“Khi bạn có các đối tượng trong trò chơi, chẳng hạn như phương tiện, NPC, đối thủ, đám đông hoặc động vật hoang dã, các hệ thống ngày càng trở nên phức tạp. Mỗi đối tượng (hoặc lớp đối tượng) cần điều hướng trong thế giới và tương tác với môi trường, cũng như với các đối tượng khác. Vì vậy, khi bạn thêm các yếu tố mới, chẳng hạn như nhân vật mới, vũ khí mới, phương tiện mới hoặc hành vi thế giới mới như thời tiết, mỗi đặc vụ cần tính đến các yếu tố mới đó. Lập trình chúng với câu lệnh “if this then that” không thuận tiện, vì điều đó không mở rộng được.” SmartBots sử dụng Phương pháp học tăng cường để thử và giải quyết thách thức này.
Ví dụ: thay vì lập trình quỹ đạo của ô tô theo cách thủ công, bạn đưa ra các hành động cho tác nhân (vô lăng, phanh, chân ga) dẫn đến các kết quả khác nhau, dựa vào đó bạn xây dựng phần thưởng. Ví dụ ô tô đi được từ điểm A đến điểm B được 100 điểm nhưng mỗi lần lệch khỏi tâm đường là bị trừ điểm. Sau đó, đối tượng thực hiện rất nhiều lần thử và sai để tối đa hóa phần thưởng của mình và theo thời gian, sẽ hội tụ để xây dựng một chiến lược tối ưu hóa. “Lập trình viên không nói cho nó biết cách lái, nó học cách lái dựa trên các kỹ thuật học tập tăng cường.” Jacquier cho biết:
Điều này có thể có tác động rất lớn đến quá trình phát triển trò chơi. Giả sử, bạn thêm một tính năng mới, chẳng hạn như tuyết, được bổ sung muộn; bạn không cần phải lập trình lại tất cả các câu lệnh ‘if this then that’. Thay vào đó, các đại lý chỉ cần đào tạo lại bản thân trong môi trường mới, vẫn cố gắng tối đa hóa phần thưởng của họ.
Jacquier nói: “’Nghệ thuật’ là xác định phần thưởng, điều này khó hơn nhiều so với bạn tưởng tượng, vì đôi khi có mâu thuẫn giữa phần thưởng dài hạn và phần thưởng ngắn hạn, hoặc khám phá chiến lược so với khai thác chiến thuật.
Vẫn còn sớm, nhưng các kỹ thuật tương tự được sử dụng cho phương tiện, máy bay không người lái và điều hướng đám đông, hiện đã được đưa vào phần mềm trung gian của Ubisoft.
SmartBots cũng đã tìm thấy các ứng dụng trong cân bằng trò chơi: “Khi bạn sử dụng các thủ thuật phức tạp với muôn hình vạn dạng để có thể giành chiến thắng một cách không công bằng: chúng tôi gọi chúng là khai thác. Với lối chơi phức tạp, rất khó tìm ra các chuỗi như vậy trong các bối cảnh cụ thể hoặc với các đối thủ cụ thể.”
Phải cần một cộng đồng trò chơi lớn với hàng triệu trận đấu để tìm ra các lỗ hổng – hoặc bạn có thể để các bot chơi hàng nghìn trận đấu, thử hàng nghìn cách tiếp cận khác nhau. Đây là những gì chúng tôi đã làm trên For Honor ba năm trước,” Jacquier nói.
“Khi nhận được report một vấn đề liên quan đến lối chơi từ cộng đồng, chúng tôi đã sử dụng một cách tiếp cận dựa trên bot, trong đó các nhà thiết kế sẽ tham số hóa một nhân vật hoặc vũ khí mới, để bot chơi với nhân vật mới này qua đêm và nhận báo cáo cho biết mức độ cân bằng về mặt thống kê của các trận đấu”.
Điều này tỏ ra cực kỳ hữu ích cho các đấu trường 1v1, nhưng vào thời điểm đó, các bot phải vật lộn với các tình huống phức tạp hơn. Hy vọng rằng một ngày nào đó, một hệ thống tương tự sẽ có thể chơi hàng nghìn lần lặp lại trong các tựa game thế giới mở với các môi trường chơi trò chơi khác nhau, nhưng “vẫn còn rất nhiều nghiên cứu cần được thực hiện,” Jacquier thừa nhận.
Sử dụng một đội quân bot
Ở Ấn Độ, một nhóm khác tại Ubisoft đang sử dụng một phương pháp khác để thử nghiệm trò chơi. “Chúng tôi là một nhóm gồm 22 kỹ sư thành thạo lập trình C ++, C # và Python, ở nhiều các bộ phận: Ubisoft Pune Studio và Ubisoft India Research Unit @ IIT-Bombay Research Park”. Kiến trúc sư kiểm thử tự động Madhukar Joshi giải thích.
Joshi cho biết: “Nhóm tự động hóa ở Pune làm việc với các nhóm Sản xuất để phát triển khung tự động hóa và đáp ứng nhu cầu tự động hóa và công cụ của cả nhóm Sản xuất và Kiểm soát chất lượng (QC) trên các trò chơi HD và di động.
“Nhóm Ubisoft tại IIT-Bombay làm việc để phát triển các giải pháp liên quan đến Thị giác máy tính và Học máy có thể được tích hợp với nhu cầu QC và Sản xuất trong tương lai. Các thành viên trong nhóm của chúng tôi tại IIT-Bombay Research Park, cũng như tại Pune Studio, cũng phát triển các công cụ giúp tự động hóa quy trình làm việc thủ công tốn thời gian hoặc các công cụ tiên tiến hỗ trợ các hoạt động QC và sản xuất nhanh hơn, năng suất hơn và được cung cấp đầy đủ thông tin.
Kế hoạch là phát triển một giải pháp cuối cùng làm tiêu chuẩn – có khả năng thử nghiệm các trường hợp sử dụng phổ biến nhất được thực hiện bởi các nhóm QC và nhà phát triển thử nghiệm trên bất kỳ trò chơi nào của Ubisoft,” Joshi nói.
Với việc Ubisoft được biết đến nhiều nhất với các tựa game thế giới mở rộng lớn, điều này khiến việc kiểm tra đầy đủ trở thành một nhiệm vụ to lớn. “Các trường hợp sử dụng phổ biến nhất là khám phá thế giới mở, thử nghiệm 3D, thử nghiệm hiệu suất, tùy chỉnh nhân vật, thử nghiệm Navmesh, v.v,” Joshi nói.
Một hệ thống giúp khám phá các thế giới được tạo ra theo quy trình nhằm phát hiện lỗi. Một người khác có thể thử hàng triệu cách kết hợp nhân vật, thiết bị, trang phục và vũ khí khác nhau mà trò chơi có thể có, trong khi người khác lại tìm kiếm kết cấu không phù hợp hoặc các vấn đề khác trong kết xuất trò chơi.
“Giải pháp nhằm mục đích tiết kiệm thời gian bị mất trong các hoạt động lặp đi lặp lại do người thử nghiệm thực hiện trên nhiều phiên bản trò chơi. Nó cũng nhắm đến các bài kiểm tra tùy chỉnh, vì việc cung cấp phạm vi bảo hiểm đầy đủ là một nhiệm vụ bất khả thi đối với những người thử nghiệm là con người.”
Về lâu dài, một số người đã đề xuất ý tưởng về một hệ thống không chỉ xác định các vấn đề mà còn khắc phục chúng. Chúng tôi quay trở lại La Forge, kết hợp các mức độ của kỹ thuật giải quyết và ngăn chặn lỗi (CLEVER) là một dự án được tài trợ một phần bởi Natural Sciences and Engineering Research Council của Canada nhằm tìm cách thực hiện điều đó.
Được dẫn dắt bởi Mathieu Nayrolles như một phần của dự án Clever Commit, nghiên cứu giai đoạn đầu được áp dụng cho 12 hệ thống của Ubisoft, phát hiện mã có khả năng gây ra lỗi với độ chính xác 79%. Sau đó, nó có thể đề xuất các bản sửa lỗi đầy đủ trong 66,7% trường hợp.
Trong một bài báo nghiên cứu năm 2018, Nayrolles thừa nhận nỗ lực này vẫn còn ở giai đoạn sơ khai và có một số hạn chế, nhưng Joshi nói La Forge dự kiến sẽ “sớm sử dụng hệ thống đó trong lộ trình của chúng tôi”. Điều này sẽ giúp quá trình phát triển trò chơi trở nên thông minh hơn.
(Theo Sebastian Moss)
Cách Ubisoft sử dụng AI trong phát triển ứng dụng game
Xem ngay 📹: 👉 Chi tiết: https://4techviews.net/cach-ubisoft-su-dung-ai-trong-phat-trien-ung-dung-game/