GameGAN AI de Nvidia crée Pac-Man sans moteur de jeu sous-jacent

Ce site peut gagner des commissions d’affiliation à partir des liens sur cette page. Conditions d’utilisation.

Nvidia a créé le premier réseau génératif capable de créer un jeu vidéo entièrement fonctionnel sans moteur de jeu sous-jacent. Le projet a été lancé pour tester une théorie: une IA pourrait-elle apprendre à imiter un jeu suffisamment bien pour le dupliquer, sans avoir accès à la logique de jeu sous-jacente?

La réponse est oui, au moins pour un titre classique comme Pac-Man – et c’est un bond en avant impressionnant dans la capacité globale de l’IA.

GameGAN utilise un type d’IA connu sous le nom de Generative Adversarial Network. Dans un GAN, il y a deux IA adversaires qui s’affrontent, chacune essayant de se battre.

Voici une hypothèse: imaginez que vous vouliez former un réseau de neurones pour déterminer si une image était réelle ou avait été générée artificiellement. Cette IA commence par un ensemble de base d’images précises qu’elle sait réelles et elle s’entraîne à identifier les signes révélateurs d’une image réelle par rapport à une image synthétique. Une fois que vous avez obtenu votre premier modèle d’IA à un niveau de précision acceptable, il est temps de construire l’adversaire génératif.

Le but de la première IA est de déterminer si une image est réelle ou fausse. Le but de la deuxième IA est de tromper la première IA. La deuxième IA crée une image et évalue si la première IA la rejette ou non. Dans ce type de modèle, ce sont les performances de la première IA qui entraînent la seconde, et les deux IA sont périodiquement rétropropagées pour mettre à jour leur capacité à générer (et détecter) de meilleurs faux.

Le modèle GameGAN a été formé en lui permettant d’ingérer à la fois la vidéo des jeux Pac-Man et les actions de clavier associées utilisées par le joueur au même moment. L’une des principales innovations de Nvidia qui fait fonctionner GameGAN est un décodeur qui apprend à démêler les composants statiques et dynamiques dans le modèle au fil du temps, avec la possibilité d’échanger divers éléments statiques. Cela permet théoriquement des fonctionnalités telles que la palette ou les échanges de sprites.

Une vidéo de GameGAN en action. L’équipe a une approche qui améliore la qualité graphique à ce niveau, et la secousse est censée être due à des limitations dans la capture de la sortie vidéo plutôt qu’à un problème fondamental avec le jeu.

Je ne sais pas dans quelle mesure cela peut s’appliquer directement aux jeux. Les jeux sont parfaits pour certains types de formation à l’IA, car ils combinent des entrées et des résultats limités qui sont suffisamment simples pour qu’un modèle d’IA apprenne mais assez complexes pour représenter une tâche assez sophistiquée.

Ce dont nous parlons ici, fondamentalement, est une application d’apprentissage par observation dans laquelle l’IA s’est entraînée à générer son propre jeu qui est conforme aux règles de Pac-Man sans jamais avoir une implémentation réelle de Pac-Man. Si vous y réfléchissez, c’est beaucoup plus proche de la façon dont les humains jouent.

Bien qu’il soit évidemment possible de s’asseoir et de lire le manuel (ce qui équivaudrait à peu près à avoir un accès sous-jacent au moteur de jeu), de nombreuses personnes apprennent les jeux informatiques et de société en regardant d’autres personnes les jouer avant de sauter pour essayer. Comme GameGAN, nous effectuons une substitution statique des actifs sans arrière-pensée. Vous pouvez jouer aux dames avec des pièces rouges et noires classiques ou une poignée de galets. Une fois que vous avez regardé quelqu’un d’autre jouer aux dames à quelques reprises, vous pouvez partager le jeu avec un ami, même s’il n’a jamais joué auparavant.

La raison pour laquelle des avancées comme GameGAN me semblent importantes est qu’elles ne représentent pas seulement une IA qui apprend à jouer à un jeu. L’IA apprend en fait quelque chose sur la façon dont le jeu est mis en œuvre uniquement en regardant quelqu’un d’autre y jouer. C’est plus proche, conceptuellement, de la façon dont les humains apprennent – et il est intéressant de voir les algorithmes, les approches et les concepts de l’IA s’améliorer au fil des années.

Maintenant lis:

Catégories Science