AIは画像や動画などのコンテンツの作成が非常に得意なので、研究者たちはAIを使ってゲームのレベルを設計しようとしています。
機械は単独で動作しても問題なく、人間の開発者が与えた数多くの訓練例と同じものをそのまま繰り返して再現できます。同じようなものを求めるのであれば問題ありませんが、ゲームにおいてはそれではつまらないです。ゲームデザイン用のボットにはより多くの創造性が必要であり、学ぶのに最適な場所は人間です。
ジョージア工科大学の研究チームは、任天堂の人気プラットフォームゲーム「スーパーマリオ」において、人間とボットが協力して新しいレベルを考案する一連の実験を行いました。彼らはこのプロセスを「共創レベルデザイン」と呼び、arXivの論文で詳細を説明しています。
AIを用いたゲームレベルの生成は、「機械学習による手続き型コンテンツ生成」（PCGML）と呼ばれる独自のニッチ分野へと発展しました。研究者たちはスーパーマリオやDoomのようなシンプルなゲームの作成に取り組んできましたが、その結果はそれほど刺激的なものではありませんでした。レベルのレイアウトはコンピューターが学習したデザインを忠実に模倣しているように見えるため、プレイしてもそれほど楽しいものではありません。
ゲームオーバー、機械：ビデオゲームオリンピックで再び人間がOpenAIボットに勝利
続きを読む
しかし、共創的なレベルデザインが役立つかもしれない。研究者たちは84人の参加者を招集し、AIパートナーと協力してスーパーマリオの新しいレベルを生成させた。スーパーマリオのゲームでは、ブロック、パイプ、スプライトの種類など、様々なオブジェクトがタイルとしてエンコードされている。マルコフ連鎖、ベイズネット、長短期記憶ネットワーク（LSTM）という3つの異なるアーキテクチャに基づく様々な種類のボットがテストされた。
マルコフ連鎖法とLSTMは、トレーニングレベルにおけるタイルのシーケンスを検査し、生成されたレベルの新しいタイルセットを予測します。ベイズネットは確率を用いて、スプライトをどこに追加し、どのような種類にすべきかを判断します。
各参加者は、ランダムに選ばれた異なるタイプのエージェントを使って、2つのレベルを共同で作成します。レベルクリアに与えられた時間は最大15分で、人間の参加者とAIのパートナーは、新しいレベルごとにタイルとスプライトを順番に埋めていきました。
ボットは、レベルの楽しさ、面白さ、挑戦性、創造性、そして参加者が再びチームを組みたいと思うかどうかに基づいてランク付けされました。「ユーザー調査の初期結果では、明らかに優れたエージェントは示されていません」と論文は述べています。
最適なボットを見つけるのは難しいことです。それぞれのタイプに長所と短所があるからです。参加者一人ひとりの創作目標が異なるため、総合的に見て最適なタイプを特定するのは困難です。研究者たちはレベルを分析した結果、「典型的なスーパーマリオブラザーズのレベルとは明らかに異なる点が見られ、これらのレベルはどのエージェントでも生成できなかったことを意味します。既存のエージェントは、AIエージェントのパートナーとして、人間のレベルデザインの多様性や人間の好みに対応できません。」と結論付けました。
実験の第2部
チームは、共同創造レベルのデザインに本当に必要なのは、自律的な PCGML ではなく、チームワークに適応した手法であると判断しました。
「特に、既存のエージェントのいずれもが多様な参加者に十分に対応できなかったことを考えると、代わりに、すべての潜在的な人間のデザイナーに対してより効果的に一般化するか、設計タスク中に人間のデザイナーに積極的に適応する理想的なパートナーが必要になると予想しています」と研究者たちは書いている。
そこでチームは、実験から得られたすべての結果とデータを別のデータセットに変換しました。このデータセットには、人間と機械がどのように連携するかが既に含まれています。両デザイナーが交代でタイルとスプライトを追加する際に行ったすべてのアクションが記録されています。
最終スコアはユーザーランキングによって決定されます。これらのアクションとスコアを組み合わせることで、教師あり学習システムを訓練し、スーパーマリオの最高のレベルにつながる特徴を学習させることができます。畳み込みニューラルネットワークには、合計1,501個のトレーニングサンプルと242個のテストサンプルが投入されました。
共同創造的インタラクションから得られた新しいデータセットを用いたトレーニングにより、AIが自律的に作成したものと比較して、より優れたレベルデザインが実現できることが分かりました。新しく改良されたボットは、共同創造チームが生み出した様々なスタイルを表現するために、より多様なレベルを作成しました。
「PLGML手法は共創に対応するには不十分である。共創型AIレベルデザイナーは、共創型レベルデザインのデータセット、あるいは近似データセットを用いて訓練する必要がある」と論文は結論づけている。
しかし、論文で説明されている現在の手法は、ユーザー実験から新たなデータセットをかき集めるというものであり、実用するには時間がかかりすぎ、面倒です。スーパーマリオ以外の新しいゲームのレベルを作成するには、AIエージェントのローテーションを変えた数十の新たなパイロットスタディを実施する必要があるでしょう。研究者たちは、転移学習によってこのプロセスが様々なゲームに適応できるかどうかを検証する予定だと述べています。
論文の共著者であり、ジョージア工科大学の博士課程の学生であるマシュー・ガズディアル氏は、共同創造ツールが将来役に立つかもしれないと考えている。
この研究は、出版経験のある現役のゲームデザイナーを対象に実施されました。彼らはソフトウェアとのやり取りにオープンなだけでなく、将来どのように発展していくのかを熱心に見守ってくれました。メリットとデメリットは、彼らがツールをどのように使いこなすか、そしてAIの役割をどのように認識しているかによって大きく左右されるでしょう。
「AIを自分の生徒のように、あるいはインスピレーションの源として捉えれば、ゲーム体験を楽しむ傾向があります。一方、AIをプレイ可能なレベルを作るためのタスクを遂行する存在、あるいは雑用をすべてこなす存在として捉えると、ゲーム体験はそれほど楽しくない傾向があります」と彼はThe Register誌に語った。®
