✨ AI Kontextualisierung
Künstliche Intelligenzen in der Gaming-Welt sind mittlerweile nicht mehr neu. Immer wieder werden von Computer geschriebenen Programmen neue Spiel-Rekorde aufgestellt. Menschen fällt es immer schwerer, gegen solche Programme in virtuellen Spielen zu gewinnen. Nun könnte eine Künstliche Intelligenz die Gaming-Industrie auch in der Spieleentwicklung revolutionieren.
Künstliche Intelligenz entwickelt Spiel-Klon
Neu ist, dass eine Künstliche Intelligenz durch Beobachtung nicht nur ein besserer Spieler wird, sondern auch den Code hinter dem Spiel versteht- und nachbauen kann. Ein Expertenteam des Georgia Institute of Technology veröffentlichte nun eine Studie, die das beweisen soll. Demnach soll ihr Computer-Programm keinen Zugang zu den Codes jener Spiele haben, die es beobachten soll. Für die Gaming-Industrie wäre dies revolutionär. Die Nachahmung ist dabei nicht von allzu schlechter Qualität. (Siehe unten)
Weniger als 2 Sekunden


Sehr lange braucht die Künstliche Intelligenz nicht, um das Spiel zu verstehen. Nur zwei Sekunden lang muss sie sich eine Videosequenz ansehen, um eine Kopie davon erstellen zu können.
Dabei beobachtet sie die Zusammensetzung des Spiels und sagt zukünftige Ereignisse basierend auf möglichen Spiel-Ereignissen und Charaktereigenschaften von Spielfiguren voraus.
Kopie kommt dem Original sehr nahe
„Unsere Künstliche Intelligenz sagt Modelle voraus, ohne jemals den Code des Spiels gesehen zu haben“, so Matthew Guzdial, der ein Teil des Forscherteams ist in einer Aussendung. „Ein einziges Video produziert natürlich keinen perfekten Klon der Spielmaschine, aber durchs Trainieren der A.I. mit nur wenigen weiteren Videos, wird das Ergebnis dem Original sehr ähnlich.“
Die Technik basiert dabei „auf einem sehr einfachen Suchalgorithmus“, der nach möglichen Regelsätzen Ausschau hält und Rahmenbedingungen voraussagen kann, erklärt Mark Riedl, der als Assistenzprofessor an der Studie beteiligt war. Er ist davon überzeugt, das ihr Programm die Gaming-Industrie verändern könnte. „Unser Modell kann für eine Vielzahl von Aufgaben im Trainings- oder Lernbereich verwendet werden; wir glauben, dass es in Zukunft auf eine Vielzahl von unterschiedlichen Spieltypen skalieren wird“.







