要約
ビデオ ゲームは、人工知能 (AI) システムにとって自然で相乗効果のあるアプリケーション ドメインであり、プレーヤーのエクスペリエンスと没入感を向上させる可能性を提供するだけでなく、AI テクノロジー全般を進歩させるための貴重なベンチマークと仮想環境も提供します。
このレポートは、現在の研究状況の中で、最先端の AI 手法、特にディープラーニングをデジタル ゲームに適用するための 5 つの有望な研究経路の概要を示しています。
この研究の目的は、将来的により厳密で包括的な研究努力を促すのに役立つ可能性のある、AI とビデオ ゲームの交差点における研究の方向性を厳選した、非網羅的なリストの概要を示すことです。
(i) ゲーム エージェント モデリングのコア エンジンとしての大規模言語モデルの調査、(ii) 手続き型ゲーム コンテンツ生成のためのニューラル セル オートマトンの使用、(iii) 深いサロゲート モデリングによる計算コストのかかるゲーム内シミュレーションの高速化、(iv) 自己の活用について説明します。
– 有用なビデオ ゲーム状態の埋め込みを取得するための教師あり学習、および (v) ラベルのないビデオ データを使用したインタラクティブな世界の生成モデルのトレーニング。
また、ビデオ ゲーム開発への高度な深層学習システムの統合に関連する現在の技術的課題についても簡単に説明し、さらなる進歩が有益と思われる主要な領域を示します。
要約(オリジナル)
Video games are a natural and synergistic application domain for artificial intelligence (AI) systems, offering both the potential to enhance player experience and immersion, as well as providing valuable benchmarks and virtual environments to advance AI technologies in general. This report presents a high-level overview of five promising research pathways for applying state-of-the-art AI methods, particularly deep learning, to digital gaming within the context of the current research landscape. The objective of this work is to outline a curated, non-exhaustive list of encouraging research directions at the intersection of AI and video games that may serve to inspire more rigorous and comprehensive research efforts in the future. We discuss (i) investigating large language models as core engines for game agent modelling, (ii) using neural cellular automata for procedural game content generation, (iii) accelerating computationally expensive in-game simulations via deep surrogate modelling, (iv) leveraging self-supervised learning to obtain useful video game state embeddings, and (v) training generative models of interactive worlds using unlabelled video data. We also briefly address current technical challenges associated with the integration of advanced deep learning systems into video game development, and indicate key areas where further progress is likely to be beneficial.
arxiv情報
| 著者 | Markus Dablander |
| 発行日 | 2024-12-18 17:32:27+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google