Acampar en la ubicación de los orbes es una estrategia sólida: el jugador debe recoger orbes para ganar (imagínese si los fantasmas de Pac-Man simplemente se quedaran cerca de las entradas a cada esquina del mapa). También hace que el juego sea menos divertido. Los jugadores ya no experimentan una persecución emocionante. En cambio, la IA podría lanzar una emboscada impredecible. Trachel y Peyrot dicen que su objetivo «no es crear bots sobrehumanos, que no sería divertido ni atractivo para un jugador novato, sino encontrar formas de incorporar el aprendizaje automático en las herramientas de IA del juego que ya se utilizan en la producción».
Eso puede sonar aburrido para los jugadores que anhelan una mejor IA. Sin embargo, las técnicas de aprendizaje automático mostradas por Trachel y Peyrot siguen siendo útiles para ajustar la dificultad incluso cuando los enemigos a los que se enfrentan los jugadores en el juego final no las utilizan. Julian Togelius, cofundador y director de investigación de Modl.ai, ha pasado casi cinco años usando IA para probar juegos. Modl.ai usa bots para cazar fallas gráficas, encontrar fallas en la geometría del mundo y detectar situaciones que hacen que sea imposible ganar.
“Puede decirnos qué tipo de estado de falla le interesa. Y luego, básicamente, se ejecuta. Envías un trabajo y se ejecuta dependiendo de cuánto quieras explorar”, dice Togelius. “Y, por supuesto, podemos agruparlos por usted y proporcionarle un informe, diciendo que aquí es donde parece tener problemas, y así sucesivamente”.
Los bots de prueba de Modl.ai utilizan el aprendizaje automático para adaptarse a cada juego probado, aunque su implementación actual limita esas adaptaciones a cada título específico. Togelius dice que la compañía está creando un prototipo de la adición de aprendizaje profundo que entrenará el comportamiento de los bots en múltiples juegos. Una vez en uso, los bots de Modl.ai aprenderán a emular el comportamiento de los jugadores reales, lo que debería descubrir de manera más eficiente los problemas que encontrarían los jugadores.
Para un verdadero aprendizaje automático, los motores de juego necesitan una revolución
Entonces, cuando se trata de dificultades, el aprendizaje automático puede ser tanto un problema como una solución. Pero crear un desafío justo y divertido no es el único obstáculo que enfrentan los desarrolladores que desean usar el aprendizaje automático en los juegos. Los problemas son más profundos, tan profundos que, de hecho, pueden obligar a repensar cómo se construyen los juegos.
El rendimiento es una barrera. El aprendizaje automático requiere una gran cantidad de datos de entrenamiento para obtener resultados valiosos, y esos datos solo se pueden adquirir jugando un juego miles o decenas de miles de veces (aunque los bots pueden aligerar la carga, una táctica que Trachel y Peyrot usaron para construir su demostración). Y una vez que se recopilan los datos de entrenamiento, el modelo resultante puede resultar complicado de ejecutar en tiempo real.
“Sí, el rendimiento es claramente un problema, especialmente con los grandes modelos de ML que procesan cuadros para cada tic del reloj del juego”, dijeron Trachel y Peyrot en un correo electrónico. “En nuestro caso, para evitar problemas de rendimiento, usamos una pequeña red neuronal que solo infiere en momentos precisos del juego”. Escalar a los enormes entornos de mundo abierto que esperan los jugadores modernos es un asunto completamente diferente.
Togelius dice que la forma en que funcionan los motores de juegos modernos exacerba el problema. El aprendizaje automático, dice, “necesariamente será lento porque los motores de juegos no están diseñados para esto. Una de las muchas razones por las que no vemos una IA moderna más interesante en los juegos es porque Unreal y Unity y todos los demás son básicamente terribles: anti-IA en muchos sentidos”.
La animación es otro tema. La mayoría de los motores de juegos modernos esperan que las animaciones se definan estrictamente cuadro por cuadro. Esto funciona bien cuando los animadores saben con certeza cómo se comportarán los personajes del juego, pero una IA controlada por el aprendizaje automático podría comportarse de formas que los animadores no esperaban. Los diseñadores pueden solucionar esto con un enfoque de la animación basado en la física, pero esto impone aún más presión sobre el rendimiento en una consola de juegos o hardware de computadora y viene con sus propios desafíos de desarrollo.
En resumen, los desarrolladores se enfrentan a un monstruo creado por ellos mismos. Los motores de juegos están diseñados para usar árboles de comportamiento y acciones preestablecidas para crear mundos de NPC controlados por IA que funcionan bien incluso en hardware escaso. Pero a medida que el aprendizaje automático gane impulso, será necesario reconsiderar estas soluciones clásicas.
“Si vas a hablar con un investigador de aprendizaje automático que no conoce el diseño de juegos, te dirá: ‘¿Por qué no usas cosas nuevas y obtienes NPC que son más realistas y se adaptan a tu forma de jugar?’, y etcétera”, dice Togelius. “Pero no puedes simplemente conectar esto a un juego existente. Tienes que repensar qué es el juego».