Kecerdasan Buatan (AI) Meningkatkan Pengembangan Game – AI menjadi alat desain game yang umum. Meskipun kecerdasan buatan dalam video game masih dalam tahap awal, perusahaan game sudah mulai menyadari manfaat menariknya, seperti pengalaman pemain yang lebih baik dan biaya yang lebih rendah.

Kecerdasan Buatan (AI) Meningkatkan Pengembangan Game

kebsdequebec – Sejak program pertama yang memainkan catur pada tahun 50an, video game telah dikombinasikan dengan kecerdasan buatan. Upaya untuk menantang kemampuan komputer untuk mengalahkan manusia berpengalaman dalam permainan strategis seperti catur, poker, dan Go telah memberikan kontribusi besar pada studi kecerdasan buatan. Hal ini pada gilirannya menyebabkan berkembangnya format permainan baru.

Secara garis besar, sebagian besar video game menggunakan kecerdasan buatan. Namun, metode kecerdasan buatan modern dapat diterapkan di berbagai bidang dan juga membantu perusahaan game mencapai keuntungan bisnis. Misalnya, dengan meningkatkan efek fotorealistik, membuat konten, menyeimbangkan kompleksitas game, dan memberikan informasi kepada karakter non-pemain (NPC), AI meningkatkan pengalaman pengguna secara keseluruhan dan menghemat anggaran dan waktu perusahaan game.

Baca terus untuk mengetahui lebih lanjut tentang pentingnya dan dampak AI dalam game, aplikasi umum, teknik AI yang umum digunakan, game AI terbaik, manfaat bisnis, keterbatasan aplikasi AI saat ini, dan masa depan AI dalam game.

Pentingnya dan Dampak Kecerdasan Buatan pada Permainan

Pengembang game berupaya memberikan pengalaman interaktif yang berharga bagi para pemain. Pengalaman ini didasarkan pada efek kumulatif dari beberapa elemen permainan yang diatur (seperti grafik, audio, pengaturan waktu permainan, cerita, tantangan, dan konten yang berinteraksi dengan pemain (sekutu, lawan, atau objek lain)). Itulah sebabnya AI menjadi alat yang belum pernah ada sebelumnya untuk membantu para desainer mengoordinasikan kompleksitas dinamika game yang semakin meningkat.

Meningkatnya popularitas kecerdasan buatan dalam game juga menawarkan manfaat bisnis yang signifikan bagi perusahaan. Industri perjudian menjadi salah satu sektor yang paling menguntungkan dan nilai pasarnya diperkirakan mencapai sekitar $314 miliar pada tahun 2026. Hasilnya, pendanaan untuk pengembangan game berbasis AI terus tumbuh di seluruh dunia.

Saat ini sudah banyak bermunculan startup-startup yang bergerak di bidang ini. Misalnya, Latitude, sebuah startup yang mengembangkan game menggunakan alur cerita halus yang diciptakan oleh kecerdasan buatan, mengumpulkan dana awal sebesar $3,3 juta pada Januari 2021. Perusahaan game interaktif Osmo telah mengumpulkan pendanaan sebesar $32,5 juta hingga saat ini. Startup game kecerdasan buatan Lituania lainnya, Gosu Data Lab, telah mengumpulkan dana sebesar $5,1 juta. Gosu terutama berfokus mempelajari data game untuk kecerdasan buatan, membantu pemain bermain lebih baik.

Penerapan kecerdasan buatan pada umumnya dalam permainan

Penerapan kecerdasan buatan dalam permainan bervariasi; itu dapat digunakan untuk meningkatkan grafik, secara otomatis menghasilkan level, skenario dan cerita, menyeimbangkan kompleksitas permainan dan menambah kecerdasan pada karakter yang tidak dapat dimainkan (NPC).

Penyempurnaan Gambar

Yang terdepan dalam penyempurnaan gambar adalah para insinyur kecerdasan buatan yang menggunakan sistem pembelajaran mendalam untuk mengubah grafik render 3D menjadi gambar fotorealistik. Sistem seperti itu telah diuji di Grand Theft Auto 5. Jaringan saraf canggih mampu menciptakan kembali lanskap LA dan California Selatan dengan sangat detail. Algoritme peningkatan gambar paling canggih dapat mengubah gambar 3D sintetis berkualitas tinggi menjadi gambar nyata.

Salah satu aplikasi untuk penyempurnaan gambar pada video game adalah untuk menyempurnakan grafis game klasik. Ide utama di balik algoritma yang diusulkan untuk pekerjaan ini adalah untuk mengambil gambar beresolusi rendah dan mengubahnya menjadi versi yang terlihat sama tetapi memiliki lebih banyak piksel. Proses ini disebut “peningkatan AI”.

Pembuatan Level Game

Pembuatan Level Game juga dikenal sebagai Pembuatan Konten Prosedural (PCG). Ini adalah serangkaian metode yang menggunakan algoritme AI tingkat lanjut untuk menciptakan lingkungan terbuka yang luas, level game baru, dan banyak aset game lainnya. Ini adalah salah satu penerapan kecerdasan buatan yang paling menjanjikan dalam desain game. Permainan dunia terbuka atau permainan kartu terbuka sejauh ini merupakan permainan yang paling populer. Permainan ini memberi pemain kesempatan untuk menjelajahi lanskap yang luas. Pembuatan game seperti ini sangat memakan waktu dari segi desain dan pengembangannya. Namun, algoritma AI dapat membuat dan mengoptimalkan adegan baru berdasarkan keadaan permainan. Misalnya, No Man’s Sky adalah game berbasis AI tempat Anda membuat level baru tanpa batas saat bermain.

Skenario dan cerita

Kecerdasan buatan digunakan untuk membuat cerita dan skenario. Kecerdasan buatan paling sering digunakan untuk membuat cerita interaktif. Dalam jenis permainan ini, pengguna membuat atau mempengaruhi cerita dramatis melalui tindakan atau kata-kata mereka. Program kecerdasan buatan menggunakan analisis teks dan membuat skenario berdasarkan cerita yang telah dipelajari sebelumnya. AI Dungeon 2 adalah salah satu contoh paling terkenal dari aplikasi ini. Game ini menggunakan sistem pembuatan teks sumber terbuka canggih yang dibangun oleh OpenAI dan dilatih oleh Choose Your Own Adventure.

Menyeimbangkan Kompleksitas Game

Keuntungan utama algoritma AI adalah kemampuannya untuk memodelkan sistem yang kompleks. Pengembang game terus berupaya menciptakan game yang lebih imersif dan realistis. Namun, memodelkan dunia nyata itu sulit. Algoritme AI dapat memprediksi dampak masa depan dari tindakan pemain dan bahkan memodelkan cuaca dan emosi untuk menyeimbangkan kompleksitas permainan. Contoh nyata penerapan ini adalah mode tim pamungkas FIFA. FIFA secara otomatis menghitung skor chemistry tim berdasarkan ciri-ciri kepribadian para pemain tim sepak bola. Semangat tim bervariasi dari rendah ke tinggi tergantung pada peristiwa permainan (kehilangan bola, operan tepat waktu, dll.) Jadi tim dengan pemain yang lebih baik bisa kalah dari tim yang lebih lemah karena semangat mereka. Dengan cara ini, AI dapat digunakan untuk menambah lapisan kompleksitas.

 

Baca juga : Alat Pemasaran Kecerdasan Buatan untuk Meningkatkan Bisnis

 

Menambah kecerdasan pada karakter non-pemain (NPC)

Kebanyakan game saat ini memiliki NPC yang telah diprogram sebelumnya sebagai lawan; Namun, AI cenderung menambah kecerdasan pada karakter tersebut. Hal ini membuat mereka kurang dapat diprediksi dan lebih menyenangkan untuk dilawan. Selain itu, AI memungkinkan NPC menjadi lebih cerdas dan bereaksi terhadap kondisi permainan dengan cara yang baru dan unik seiring berjalannya permainan. Banyak perusahaan game sudah mulai mengerjakan NPC berbasis AI. Misalnya, SEED (EA) melatih karakter NPC yang meniru pemain utama dalam game. Pendekatan ini akan sangat mengurangi waktu pengembangan NPC, karena melakukan hard coding pada perilaku mereka adalah proses yang membosankan dan memakan waktu.

Metode AI yang digunakan dalam game

Secara tradisional, perilaku NPC diprogram oleh mesin negara yang berbasis aturan dan terbatas. Pengembangan menggunakan teknik ini melibatkan pemrograman beberapa kondisi yang memberikan perilaku deterministik kepada NPC. Pengembang menggunakan logika fuzzy untuk mengurangi upaya pengembangan dan menimbulkan ketidakpastian dalam permainan. Salah satu penggunaan pertama kecerdasan buatan dalam pemrograman game adalah melalui apa yang disebut algoritma pencarian jalur A*, yang menentukan perilaku NPC dan eksplorasi mereka di dunia terbuka. Teknik lainnya termasuk penulisan, sistem pakar, dan pendekatan kehidupan buatan (A-life).

Banyak permainan populer seperti Black and White, Battlecruiser 3000AD, Creatures, Dirt Track Racing, Fields of Battle, dan Heavy Gear menggunakan metode non-deterministik seperti pohon keputusan, jaringan saraf (dalam), algoritma genetika, dan metode pembelajaran. Mari kita jelajahi teknik ini secara detail.

 

AI Pengembangan Game

 

Pohon Keputusan

Pohon Keputusan (DT) adalah model pembelajaran terbimbing yang dapat dilatih untuk melakukan klasifikasi dan regresi. Ini adalah salah satu metode pembelajaran mesin paling sederhana dalam desain game dan digunakan untuk memprediksi nilai variabel yang diinginkan dengan mempelajari aturan keputusan sederhana yang berasal dari fungsi data.

Pohon keputusan cukup mudah dipahami dan hasilnya mudah diinterpretasikan. Teknik pencitraan pohon juga sangat canggih. Model yang dikembangkan dikenal dengan model white box dan dapat divalidasi menggunakan berbagai uji statistik.

Dalam desain game AI, DT digunakan untuk mendeskripsikan pilihan dan konsekuensi (memprediksi tindakan). Kebanyakan game modern menggunakan DT, terutama game berbasis cerita. Dengan sekali penggunaan, pohon keputusan dapat memberi pemain gambaran tentang masa depan tergantung pada pilihan mereka. Misalnya, dalam Star Wars Jedi: Fallen Order, pohon keputusan memberikan petunjuk tentang masa lalu dan masa depan protagonis ketika keadaan tertentu terjadi.

(Deep) Neural Networks

Artificial Neural Networks (NNs) adalah struktur otak manusia yang dapat mempelajari berbagai fungsi dari data pelatihan. Berdasarkan data besar, NN mampu memodelkan skenario dunia nyata dan permainan yang sangat kompleks. NN mengatasi beberapa kekurangan teknik kecerdasan buatan klasik dalam merancang agen permainan. Selain itu, NN bersifat adaptif dan beradaptasi dengan baik terhadap lingkungan game yang berubah secara real-time.

Agen game berbasis NN dapat belajar dengan dua cara. Baik dilatih sebelum digunakan dalam permainan (offline) atau pembelajarannya dapat diterapkan secara real time selama permainan (online). Pelatihan online memungkinkan Anda membuat agen permainan yang terus diperbarui selama permainan.

Algoritma Genetika

Algoritma Genetika (GA), pada dasarnya, merupakan proses heuristik tingkat lanjut yang diilhami oleh teori evolusi alami. Algoritma genetika meniru proses seleksi alam, yang memilih kandidat yang paling cocok untuk generasi berikutnya.

Pembelajaran penguatan

Pembelajaran penguatan (RL) adalah metode pembelajaran mesin berdasarkan pembelajaran coba-coba. Selama pelatihan, model dapat memainkan skenario dan mengetahui apakah semuanya berakhir dengan baik atau tidak.

Pembelajaran penguatan efektif dalam merancang NPC untuk membuat keputusan dalam lingkungan yang dinamis dan tidak diketahui. Pembelajaran penguatan telah digunakan dalam permainan sejak lama. Oleh karena itu, permainan adalah domain yang kaya untuk menguji algoritma pembelajaran penguatan. Sementara itu, beberapa gamer komputer terbaik menggunakan pembelajaran penguatan (AlphaGo). Namun, algoritma pembelajaran penguatan biasa tidak cukup untuk permainan tingkat lanjut, sehingga algoritma tersebut sering digunakan dalam kombinasi dengan metode AI lainnya, seperti pembelajaran mendalam.

Ikhtisar Game Populer Berbasis AI

Ada banyak contoh penerapan AI dalam desain game. Semua AI ini memiliki tingkat kecanggihan yang berbeda-beda. Berikut adalah beberapa contoh AI yang paling dihormati di industri game.