黒川塾 三十九 (39）「誰にでもわかる！エンタメ的人工知能(AI)考察」（松原、伊藤、三宅）講演資料
3 likes2,159 views
8月23日に開催された黒川塾 三十九 (39）「誰にでもわかる！エンタメ的人工知能(AI)考察」の講演資料です。松原先生、伊藤先生、三宅の資料を一つのまとめたものです。 【開催日程】 2016年8月23日(火曜日) 19時00分 開場 19時30分 開演 90分～程度 終了後懇親交流会あり -------------------------------------------------------------------------- 記事にして頂いたメディア様（アルファベット順） ファミ通様 AIをトークテーマとして第39回“黒川塾”を開催！ エンタメ業界から見たその可能性を検証する http://www.famitsu.com/news/201608/26114217.html GameDeets様/Yahoo!Japan ゲーム様 【黒川塾39】AIは人類を超越した存在になりうるのか？ https://gamedeets.com/archives/170223 http://games.yahoo.co.jp/news/item?n=20160824-00000013-ygame_gamedeets techne様 黒川塾三十九「誰にでもわかる！エンタメ的人工知能(AI)考察」開催 http://www.art-techne.com/technenews/news201608232328.html ------------------------------------------------------------------------------------------- ■テ－マ 「誰にでもわかる！エンタメ的人工知能 (AI) 考察」 人類が創り出したコンピュータが、その創造主である人類を超えることができるのか？その仮説に基づき、歴史のなかで人類は多くの実験とチャレンジを目撃してきました。 その先駆けとなったのは、1996年、フィラデルフィアで開催された、チェス?チャンピオン?ガリル?カスパロフとIBM製スーパーコンピュータ?ディープブルーとのチェス対戦が挙げられます。 初戦はカスパロフが勝利をおさめ、第二戦は1997年にニューヨークで行われ、ディープ?ブルーが勝利し、人類と人智が人工知能（AI）に敗れた瞬間を目撃しました。 現在に至っても、我々人類は人間の知能や知識、予知を超えた人工知能（AI）に関心を持ちながらも、それらに対して畏怖の念を抱いているようにも思えます。 2016年3月9日～15日、グーグルの研究部門であるGoogle DeepMindが開発した人工知能?囲碁「AlphaGo（アルファ碁）」と、韓国のプロ棋士イ?セドル氏が相まみえた五番勝負は、イ?セドル氏が第四局で一矢を報いたものの、4勝1敗でAlphaGoの圧勝に終わりました。この五番勝負は、人工知能の可能性とその存在を顕示する大きな社会現象となりました。 急速に身近な存在になりつつある人工知能、作曲、脚本構成、有名画家のタッチを再現した絵画複製、マイクロソフト社が導入した人工知能Bot「Tay」など話題には事欠きません。またゲームコンテンツに於いては、ストーリーの進行、キャラクターの動き、ゲーム全体の総合的なコントロールをバックエンドで行っています。 今回の黒川塾39においては、日本におけるAI研究の第一人者である、はこだて未来大学教授?松原仁、電気通信大学 助教?伊藤毅志、ゲームAI開発者?三宅陽一郎をゲストとして招聘します。 現在から未来への人工知能の可能性を識者とともに検証すると同時に、人工知能の持つ強みと弱点、エンタメカテゴリーでのビジネス応用などの可能性や方向性を、皆様とともの考えてまいりたいと思います。ご参加をお待ちしております。 ■登壇ゲスト予定 松原 仁（まつばら ひとし） １９５９年東京??
![シミュレーションの質の向上
－Sylvain Gelly, Yizao Wang,Remi Munos,Olivier Teytaud:
Modification of UCT with Patterns in Monte-Carlo Go,
[Research Report] RR-6062, INRIA, (2006).
シミュレーションにおいて完全にランダムな手ばかりを
選んでいると強くならない。（あり得ない局面に基づい
た勝率計算ではダメ！）
→知的なプレイアウト（有り得そうな局面を調べる）
ことが必要！
３×３のパターンの知識を入れると強くなる
プレイアウトの量より質が重要！](https://image.slidesharecdn.com/392016823-160906134157/85/39-AI-40-320.jpg)
More Related Content
What's hot (20)
Viewers also liked (13)
Similar to 黒川塾 三十九 (39）「誰にでもわかる！エンタメ的人工知能(AI)考察」（松原、伊藤、三宅）講演資料 (8)
More from Youichiro Miyake (20)
黒川塾 三十九 (39）「誰にでもわかる！エンタメ的人工知能(AI)考察」（松原、伊藤、三宅）講演資料
- 3. 3
- 4. 黒川塾資料（39） ? Part I. 松原先生 資料 （P.5-16） ? Part II. 伊藤先生 資料 （P.17-56） ? Part III. 三宅資料 （P.57-73） 4
- 6. ? 1950年頃研究がスタート ? どうしようもなく弱い時代が続く ? 1970年代 力任せ方式の実現 ? 1980年代 プロ棋士レベル ? 1997年 世界チャンピオンに勝つ ? 2000年代後半 パソコンが世界チャンピオンに勝つ ? 2010年代 スマートフォンが世界チャンピオンに勝つ？ チェス
- 9. ? 1975年頃研究がスタート ? どうしようもなく弱い時代が続く ? 1984年 森田将棋発売 ? 1990年代 アマチュア有段レベル ? 2000年代 アマチュア高段レベル ? 2006年 ボナンザが機械学習で評価関数を作る ? 2010年 女流プロに勝つ ? 2013年 プロ棋士に勝ち越す ? 2015年 実力的にはトッププロ棋士に勝つ！！ 将棋
- 10. 10
- 13. 第二回電王戦 ? 2013年3月23日 阿部4段対習甦 × ? 3月30日 佐藤4段対ponanza ○ ? 4月6日 船江5段対ツツカナ ○ ? 4月13日 塚田9段対Puella α △ ? 4月20日 三浦8段対GPS将棋 ○ コンピュータがプロ棋士に3勝1敗1引き分けで勝利！！ （現役男性プロ棋士に初勝利）
- 14. ? ２０１５年３月１４日 斉藤５段 対 Apery × ? ３月２１日 永瀬６段 対 Selene X(反則負け） ? ３月２８日 稲葉７段 対 やねうら王 ○ ? ４月４日 村山７段 対 ponanza ○ ? ４月１１日 阿久津８段 対 AWAKE ×(バグ負け） ? 一応 プロ棋士の勝ち越し ? パソコン固定(１台 ? 数ヶ月前にソフトを固定してプロ棋士に貸し出して変更は許 されず 第四回電王戦
- 15. ? 2015年10月11日 情報処理学会将棋プロジェクト終了 宣言。トッププロ棋士に勝つコンピュータ将棋を開発す るというプロジェクトの目的を事実上クリアできたので終 了する。マスコミでかなり取り上げられる。 ? 羽生さんといい勝負をするのは今しかない！！数年後 にしても意味がない。 ? コンピュータ将棋の研究は人間より強くするという目的 ではないものに移る ? コンピュータ将棋以外の目的に移る 終了宣言
- 16. ? 1960年代に研究が始まる ? 長い長いとても弱い時代が続く ? 2000年代半ば モンテカルロ法の応用手法開発 ? 2010年代 アマ高段者レベル ? 2016年 AlphaGoがイ?セドルに勝つ ディープ?ラーニング、モンテカルロ法、強化学習 囲碁
- 19. 伊藤毅志 ＜肩書＞ 電気通信大学情報理工学研究科情報?通信工学専攻 助教 デジタルハリウッド大学 客員教授 電気通信大学エンターテイメントと認知科学研究ステーション 代表 情報処理学会ゲーム情報学研究会 主査 コンピュータ囲碁フォーラム 理事 UEC杯コンピュータ囲碁大会、電聖戦 実行委員長 ＜研究対象＞ ?複雑な問題解決における人間の思考過程の研究 ?人間の熟達化に伴う「直観」のメカニズムの研究 ?人間らしい思考過程を模倣する人工知能の研究 ?人間とコンピュータの円滑なコミュニケーションを実現する研究 自己紹介 研究の題材としてのゲーム
- 20. 本日のお話 1. ゲーム情報学の中の囲碁 2. いろいろなゲームAIの歴史 3. コンピュータ囲碁の歴史 4. コンピュータ囲碁の技術 5. AlphaGoとDeep Learning
- 21. 囲碁の情報学的分類 ? 囲碁などのゲームは、情報学的に以下のよう に分類される。 「二人 完全情報 確定 ゼロ和 ゲーム」 プレー人数 相手の手が みえている か？ 不確定な要素 （サイコロ）等 が無いか？ 勝敗のつく ゲームか？ 同種のゲームは世界にたくさんある 例）囲碁、チェス、将棋、オセロ、チェッカー、中国象棋などなど １．ゲーム情報学の中の囲碁
- 22. １．ゲーム情報学の中の囲碁 ? ゲーム木からみた二人完全情報確定ゲームの複雑さ 一般にある局面で平均 N通りの合法手があり、そのゲームの終局までに約 M手かかること がわかっているとすると??? N×N×N×???×N＝NM 通りの局面
- 23. １．ゲーム情報学の中の囲碁 ?チェッカー １０の３０乗 ?オセロ １０の６０乗 ?チェス １０の１２０乗 ?将棋 １０の２２０乗 ?囲碁 １０の３６０乗 一般に探索量が多いほど ゲームAIを作ることが難しい ?想定される探索の量と難しさ
- 24. １．ゲーム情報学におけるコンピュータ将棋?囲碁 ? 将棋?囲碁以外のゲームAIの研究の歴史概観 「チェッカー」 １９５０年代 サミュエル（IBM研究者）（←遺伝的アルゴリズム） １９９２年 シェーファーら 「Chinook」 VS ティンズレー氏 （２勝４敗３３引分） ４２年間５敗だけのチャンピオンを破る （←探索型アルゴリズム） ２００７年 シェーファーら 「完全解の発見！」（引き分け） 「オセロ (リバーシ）」（「オセロ」はツクダの商標登録） １９７５年頃 アメリカにて初のリバーシプログラム（←チェスの探索手法を用いる） １９８０年代 森田オセロ、Paul Rosenbloom 作のIAGOなど １９９０年代 リーら「BILL」 （←自動的に静的評価関数を学習） １９９７年 Michael Buro 「logistello」 （←自動定石学習法、パターン学習法など） 対村上氏 （6戦全勝） 「チェス」 １７７０年 自動チェスマシン「トルコ人」 （ヴォルフガング?フォン?ケンペレン） １８４０年代 チャールズ?バベッジの著作 １９４９年 クロード?シャノン「チェスをプレイするコンピュータプログラミング」 １９５１年 アラン?チューリング「コンピュータチェスの研究成果」 １９６７年 グリーンブラッド 初のコンピュータチェスプログラム １９９７年 Deep Blue vs カスパロフ氏 （世紀の対決） 勝ち越す！ 世界初のプログラムで きる計算機の考案！ 情報理論の父 計算機科学の父 １７７０年 ハンガリーのヴォルフガング?フォン?ケンペレン作 「トルコ人」（精巧なオートマトンマシン）
- 25. ?１９７４年 初のコンピュータ将棋プログラム（早稲田大学） ?１９７９年 初のプログラム同士の対戦 大阪大学 ＶＳ 玉川大学（２ヶ月！） ?１９８３年 初の市販プログラム ?１９８７年 コンピュータ将棋協会 ?１９９０年 第1回コンピュータ将棋選手権 ?１９９０年代 （アマチュア有段者レベルへ） －詰め将棋の研究（探索研究の進歩） ?２０００年代～現在 （アマチュア高段者レベルへ） ?２００６年 Ｂｏｎａｎｚａの登場（評価関数の機械学習） ?２００７年 渡辺竜王 ｖｓ 「Bonanza」 Lose ?２０１０年 清水市代 vs 「あから２０１０」 Win －合議アルゴリズム ?２０１２年 第１回電王戦 米長邦雄永世棋聖 vs 「ボンクラーズ」 Win ?２０１３年 第２回電王戦 プロ棋士５名 vs コンピュータ５台（３勝１敗１分） ?２０１４年 第３回電王戦 プロ棋士５名 vs コンピュータ５台（４勝１敗） ※プロ棋士な有利なルールに変更 ?２０１５年 第４回電王戦 Final プロ棋士５名 vs コンピュータ５台（２勝３敗） ?２０１５年 情報処理学会「コンピュータ将棋プロジェクト」終了宣言 「将棋」
- 26. 2 5 3 -2 3 2 0 4 -1 2 -2 -1 自分の手 相手の手 MAX 2 MIN MIN MIN 現在の局面 １手先の局面 ２手先の局面 チェス、オセロ、将棋のAI技術 評価関数とミニマックス探索 ???相手は自分にとって一番嫌な手を選択するはずだ！ →数手先をすべて読んでみて、その局面の良し悪しを判断し、次の一手を決める
- 27. 評価関数の設計（将棋の場合） ? 駒の損得、駒の効率、局面の進行度などをコン ピュータに理解できるように数値化する 歩 香 桂 銀 金 角 飛 基本価値 １００ ４３０ ４５０ ６４０ ６９０ ８９０ １０４０ 駒が成る価値 ３２０ ２００ １９０ ３０ ０ ２６０ ２６０ 持ち駒の付加価値 １５ ５０ ６０ ８０ ９０ ２２０ ２３０ 駒の損得 ?駒の点数化 駒の効率 －飛車角の位置、囲いの形など 局面進行度 －序盤か？中盤か？終盤か？ →駒得優先から詰み優先へ ２００６年Bonanza以降、評価関数の機械学習が主流に ? より人間らしい自然な指し手の獲得
- 30. コンピュータ囲碁の歴史（１） ?1960年代 －コンピュータ囲碁の初の論文（1962） ?囲碁の好手、悪手に関する研究 －初の囲碁プログラム（Zobrist;1968） 38級？程度 ?1970年代 －影響力関数（1972） －石の生死判定アルゴリズム －Reitman & Wilcoxのプログラム（1979） ?攻撃と防御の基本的戦略 ?連と群の階層パターン １５級程度 ?1980年代 －初のコンピュータ囲碁大会（1984；ロンドン、13路盤） －初の19路盤コンピュータ囲碁大会（1986－2000；台北） －囲碁プログラムの開発競争 (Many Faces of Go, Go Intellect, Goliath) －商用プログラムの開発 ?棋力の一定の向上 ３．コンピュータ囲碁の歴史
- 31. コンピュータ囲碁の歴史（２） ?1990年代～2000年代前半 ＜様々な技術の適用＆失敗、、、＞ △機械学習 △ニューラルネットワーク △モンテカルロ碁 △認知科学的アプローチ △組あわせゲーム理論を用いた囲碁の数理的解析 ?どれも明確な成果を上げなかった ?2006年 モンテカルロ革命！！ －モンテカルロ囲碁（Computer Olympiad2006; 9路盤で大活躍！） ?２００８年 －８月７日 US Go Congress のイベント 「MoGo」が韓国のプロ棋士金明完八段に９子局で勝利！ －１２月 第２回UEC杯開催 「Crazy Stone」２連覇 エキシビション（７子）： 青葉かおり四段 VS Win:「Crazy Stone」 ?２０１１年 －１２月 第５回UEC杯開催 「Zen」優勝（日本のプログラム初優勝） エキシビション（６子）： 鄭銘コウ九段 VS Win「Zen」 ?２０１２年～2015年 ープロ棋士との対戦は、5子から3子へ ?２０１６年 ディープラーニングの登場！（アルファ碁の衝撃！） －１月論文発表、３月李世ドルに勝ち越す！ 飛躍的 向上 飛躍的 向上 Zenが初めてプロ棋士（小林光一名誉棋聖）に ３子で勝利！２０１６年３月２３日 Zenがプロ棋士（武宮陽光六段）に２子で勝利！ ２０１６年６月７日 李世ドルVSアルファ碁 ２０１６年３月 アルファ碁の４勝１敗
- 32. Alpha Goのニュース ? 2016年1月28日（日本時間AM3:00） Googleの研究グループがNatureに以下の論文を発表 した！ “Mastering the Game of Go with Deep Neural Networks and Tree Search” ＜概要＞ ?ディープラーニングと教科学習を用いた手法で囲碁の 局面を評価する新しい手法を確立し、モンテカルロ木探 索の手法と組み合わせることで、既存のプログラムに対 して９９．８％勝つばかりか、囲碁のヨーロッパチャンピオ ンのプロ棋士を相手に5連勝した！ ３．コンピュータ囲碁の歴史
- 36. モンテカルロ法のゲームへの応用 原始モンテカルロ…乱数シミュレーション対局を大量に行い、 最も勝率の高い手を選択する ランダム対戦 ： たくさんのプレーアウト 15/100 45/100 62/100 54/100 ４．コンピュータ囲碁の技術 さすがに乱数対戦だけ では強くならなかった！ 強くするための２つの工夫！ １）計算効率を上げる ２）シミュレーションの質を上げる
- 37. 計算効率を上げる手法←UCB値の利用 どれがよく出るかわからないスロットマシンが複数台あると き、どのスロットマシンにどれだけコインを費やすか？ ＜最適化計算＞UCB(Upper Confidence Bound) の値を計算 し、最も大きい値のモノを試す。 UCB = そのスロットのその時点での報酬（期待値） + ? × log （すべての試行回数/そのスロットを試した回数） → スロットの報酬が大きいものほど試す → あまり試していないスロットほど試す 多腕バンディット問題
- 38. モンテカルロ木探索の登場 1/10 5/10 6/10 3/1050/100 どっちが信頼出来る？ こっちをもっと調べた ほうが良いかも、、、 ?どの手をどれだけ調べるべきか？ →N腕バンディット問題 (Multi-armed Bandit Problem) →UCB値を用いた計算資源の割振り UCB値を求める →勝率の高い手をたくさん調べる →あまり調べていないものを調べる １．勝率の高い手を多くプレイアウトする ２．プレイアウトの回数がある閾値を超えたら、木を展開する
- 39. モンテカルロ＋UCT＝モンテカルロ木探索 1/10 4/10 6/10 5/1065/100 ?一定数を超えたら、子ノードを 展開する →さらに深く調べる 評価関数を持たないのに、擬似的に ゲーム木探索のような探索を実現！ ?可能性のある手に計算資源 を多く割り振る
- 40. シミュレーションの質の向上 －Sylvain Gelly, Yizao Wang,Remi Munos,Olivier Teytaud: Modification of UCT with Patterns in Monte-Carlo Go, [Research Report] RR-6062, INRIA, (2006). シミュレーションにおいて完全にランダムな手ばかりを 選んでいると強くならない。（あり得ない局面に基づい た勝率計算ではダメ！） →知的なプレイアウト（有り得そうな局面を調べる） ことが必要！ ３×３のパターンの知識を入れると強くなる プレイアウトの量より質が重要！
- 42. AlphaGoとDeep Learning 予兆と関連研究 －２０１４年～２０１５年に関連する研究が発表されていた ?Christopher Clark, Amos Storkey: Teaching Deep Convolutional Neural Networks to Play Go, arXiv:1412.3409 (2014). ?Maddison, Chris J., Huang, Aja, Sutskever, Ilya, and Silver, David: Move Evaluation in Go Using Deep Convolutional Neural Networks, arXiv:1412.6564, (2014). ?Yuandong Tian, Yan Zhu: Better Computer Go Player with Neural Network and Long-term Prediction, arXiv:1511.06210, (2015). －プロ棋士の棋譜データを教師データとするディープラーニン グを用いることで、プロ棋士の手を予測するシステムを作るとい うもの →これまでの予測器が４０％前半ぐらいだったものが、これらの研 究では５０％を上回るもの、最高では５７％にも及ぶ
- 45. Alpha Goの技術（１）:手の予測ネットワーク Policy network （PN-SL) （第一段階; SL:Supervised Learning） ? 入力は 19 x 19 x 48（特徴）+手番，13層 ? 大量の棋譜から着手確率を学習 – KGS の 6d~9d の棋譜 16万局 (3千万局面), 予測率 57%， 処理時間 3 ms，学習時間 3週間（50 GPU） ※一昨年前の同グループによる論文以降，多くのプログラムが 導入を試みるも、再現が難しかった… NiceGo，Aya，HiraBot，CGI，Zen，．．． – 課題は実行速度（GPU を 8台使っても遅い） アルファ碁の技術
- 46. Alpha Goの技術（２）:強化学習フェーズ Policy network （PN-RL） （第二段階; RL：Reinforcement Learning） ? 構造は同じ，重み（初期値）は SL 版から転用 ? 新しいプログラムと古いプログラムを対局させて （自己）学習させる – 対局（データの作成）に時間が掛かる – 学習そのものは 1日で 128局を 1万回（50 GPU） – 全部で何日掛かったかは不明 ? SL 版に対する勝率 80%以上 アルファ碁の技術
- 47. Alpha Goの技術（３）:評価関数の学習 Value network （VN） （第三段階；強化学習を用いた局面勝率の学習） ? 局面の勝率を学習 ? 構造はほぼ同じだが出力は勝率１つ ? これまでと同様に学習させると局面同士の相関が強 いために上手くいかないので， – 自己対戦の棋譜 3千万局から独立に 3千万局面 ? Policy network（RL 版）を使ったシミュレーションに近い 結果を 1万 5千倍速く得られる アルファ碁の技術
- 48. Alpha Goの技術（４）:モンテカルロとの融合 探索部：PN と VNを用いた探索 ? PN-SLを用いて手を絞り、基本的には従来のMCTSを 用いて探索を行う。 ? 探索では、一部VNとMCTSを併用している。 ? VNはMCTSの補助的な役割を担っている。 アルファ碁の技術
- 49. Alpha Goの達成したこと ?Deep Learningの手法と膨大なハードウエアを 組み合わせて、、、 １）非常に高性能の予測器（PN)を作った ２）評価関数に近いもの（VN）を作った ?さらに、大規模並列マシンを使って、、、 －プロ棋士レベルの強さのAIが作れることを 示した 人間の直観に近いものを Deep 尝别补谤苍颈苍驳によって获得した！
- 54. 2016/8/31 棋風を形成する要素の検出 伊藤研究室紹介１ 棋風に関係しそうな要素を列挙 し、実際に棋譜を統計的に分析 して特徴的な要素をとその特徴 を同定する！ →人は何にプレー スタイル（個性）を 感じるのか？ 認知計測、心を豊かに 特徴/グループ名 攻め(和集合) 受け(和集合) 終局までの手数 0.920789 13.64228 自陣に打った駒の数 0.773295 6.322325 敵陣に打った駒の数 8.457107 -6.73951 自玉の利きの範囲に 打った駒の数 -1.147952 4.7077 敵陣で歩を打った回数 2.316738 -4.577118 中段で歩を打った回数 -2.678741 2.045764 自陣で歩を打った回数 -4.132284 2.143357 敵陣での銀、成り銀の 使用頻度 5.688739 -6.526388 中段での銀の使用頻度 -3.172838 -0.827996 自陣での銀の使用頻度 -4.664235 4.442322 中段の銀を引いた回数 -6.321481 6.729284 中段の銀を上げた回数 -1.213988 -4.949289 敵陣での角、馬の使用 頻度 5.606603 -4.111797 中段での角の使用頻度 4.908857 -3.281391 自陣での角の使用頻度 -1.49967 7.228772
- 55. 2016/8/31 人間らしい自然な弱さを実現するAI 伊藤研究室紹介２ 評価値を調整して適度に弱い手を選ぶ －評価関数が０に近い手を選ぶ －相手のレベルに合わせて、更に調整する →自然に弱い手を選ぶAI （接待将棋？） ものつくり?認知? 心を豊かに ヒューマンエラーのモデルを使ったAI 人間はミスをする生き物 －ミスの認知モデル －人間らしいミスを模倣するシステム 2013年～ 科研費 基盤B 「ミスを犯す人間らしいゲームAIの研究」 ?0 ? = ??(?), &?(?) ≥ 0 ?(?), &?(?) < 0 評価関数＝０の時に最大になるよう にする -500 -400 -300 -200 -100 0 -500 -400 -300 -200 -100 0 100 200 300 400 500 ?_0(?) ?(?)
- 61. チェス 将棋 囲碁 デジタル ゲームAI 19951960 ロボカップサッカー （ロボカップ） 2010 人狼 カーリング 1980 2000 20502020 プロに勝つ（こともある） プロに勝つ（目標） ？ ？ ？ 産学で本格的に研究が始まる スポーツなどデータマイニングからのAI 1950 ゲームＡＩの歴史
- 63. カリキュラム１ 「ゲームＡＩの全体像」 知能化 人工知能 知性 メタＡＩ ゲーム システム ナビゲーション AI キャラクターAI AIの分化 分散人工知能 古典的 メタＡＩ 現代的 メタＡＩ 適応型 動的ペーシング ユーザー エクスペリエンス プロシー ジャル技術 カリキュラム（I） 「ゲームＡＩの全体像」 概念マップ 自律型 制御型 知識 思考 ナビゲー ションデータ A* 戦術 ポイント
- 65. 学習 強化学習 遺伝的 アルゴリズム 統計 学習 適応 進化 ニューラル ネットワーク 動的に変化するゲーム 集団個体 世界 プロシージャル? コンテンツ? ジェネレーション ?2015 SQUARE ENIX CO., LTD. All Rights Reserved. カリキュラム（III） 「プロシージャル、学習、社会性」 概念マップ データドリブン的アプローチプロシージャル的アプローチ
- 66. コミュニケーション ブラックボード アーキテクチャ 言語コミュニ ケーション 非言語コミュニ ケーション 場シンボル言語 ターゲッ ティング 評判 システム 協調 ?2015 SQUARE ENIX CO., LTD. All Rights Reserved. カリキュラム（III） 「プロシージャル、学習、社会性」 概念マップ
- 67. Dragon Age : Way Point Dragon Age pathfinding program put to the test https://www.youtube.com/watch?v=l7YQ5_Nbifo
- 68. メタAI(=AI Director)によるユーザーのリラックス度に応じた敵出現度 ユーザーの緊張度 実際の敵出現数 計算によって 求められた 理想的な敵出現数 Build Up …プレイヤーの緊張度が目標値を超えるまで 敵を出現させ続ける。 Sustain Peak … 緊張度のピークを3-5秒維持するために、 敵の数を維持する。 Peak Fade … 敵の数を最小限へ減少していく。 Relax … プレイヤーたちが安全な領域へ行くまで、30-45秒間、 敵の出現を最小限に維持する。 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html より具体的なアルゴリズム
- 70. 動的?静的ゲームの意思決定 静的ゲーム （ボードゲーム、RTS） 動的ゲーム （アクションゲーム） 意思決定 「手を選ぶ」という問題に 還元できる。 「運動」を生成する。 世界 こちらが手を撃つまで 静止している。 運動し続ける。 思考 局面を解析して最適な解 を選ぶ。 世界と共に運動する。 動的なゲームの意思決定は、馬に乗るように、 世界の変化に常に瞬時瞬時対応しながら、貫かねばならない。
- 72. 強化学習 （例）格闘ゲームTaoFeng におけるキャラクター学習 Ralf Herbrich, Thore Graepel, Joaquin Qui?onero Candela Applied Games Group,Microsoft Research Cambridge "Forza, Halo, Xbox Live The Magic of Research in Microsoft Products" http://research.microsoft.com/en-us/projects/drivatar/ukstudentday.pptx
- 73. 強化学習 （例）格闘ゲームTaoFeng におけるキャラクター学習 Ralf Herbrich, Thore Graepel, Joaquin Qui?onero Candela Applied Games Group,Microsoft Research Cambridge "Forza, Halo, Xbox Live The Magic of Research in Microsoft Products" http://research.microsoft.com/en-us/projects/drivatar/ukstudentday.pptx Microsoft Research Playing Machines: Machine Learning Applications in Computer Games http://research.microsoft.com/en-us/projects/mlgames2008/ Video Games and Artificial Intelligence http://research.microsoft.com/en-us/projects/ijcaiigames/