![プレイヤー?プロフィールデータ
- ステータス
- 体力
- 魔法力
- 装備
-- 右手武器
-- 左手武器
-- 防具
-- 指輪
- レベル
- 職業
- 覚えている魔法リスト
- 経路
- 最後に訪れた街
- 最後に訪れたダンジョン
-- 滞在時間
-- 受けた総ダメージ
-- 魔法使用料
-- 消費したアイテムリスト
-- 倒したモンスターのリスト
-- 戦闘不能にされたモンスター
- 最後に話した人物
- 徒歩距離
- これまでに訪れて来た街のリスト
- 物語
- 最後の話した人物
- 物語の進行度
- 探しているアイテム
- これまで聞いたキーワードのリスト
プレイヤー?プロフィールデータ
- [名前] ファウスト
- ステータス
- [体力] 256
- [魔法力] 137
- [装備]
-- [右手武器] 星光剣
-- [左手武器] 鉄こんぼう
-- [防具] 月の盾
-- [指輪] レッドリング
- [レベル] 31
- [職業] 戦士
- [覚えている魔法リスト] ファイラル ウオラル デポイゾ
- 経路
- [最後に訪れた街] ケルム
- [最後に訪れたダンジョン] 北のほこらの洞窟
-- [滞在時間] 4時間33分
-- [受けた総ダメージ] 17324
-- [魔法使用量] 384
-- [消費したアイテムリスト] 薬草 10 魔法石 34 毒気薬 7
-- [倒したモンスターのリスト] ザッコ― ボムラス ニコラム 大狼
-- [戦闘不能にされたモンスター] 大狼
- [徒歩距離] 1783km
- [これまでに訪れて来た街のリスト] グリ エラート ナミル ウロ
- 物語
- [最後の話した人物] カイル
- [物語の進行度] 73%
- [探しているアイテム] ふしぎの杖
- [これまで聞いたキーワードのリスト] 霧の山脈 白銀の搭
フレームベースの物語生成](https://image.slidesharecdn.com/aio22020428-200428094410/85/AI-2-47-320.jpg)
![The Sims シリーズのＡＩの作り方
人をダイナミクス（力学系、動的な数値の仕組み ）として動かす。
世界を動かす PeerAI(=キャラクターＡＩ) を構築。
Sub
Peer
Meta
Meta
Peer
Sub
[原則] 周囲の対象に対する、あらゆる可能な行動から、
ムード（幸せ） 係数を最大化する行動を選択する。
Sims (not under direct player control) choose what to do by selecting, from all of the
possible behaviors in all of the objects, the behavior that maximizes their current happiness.
Will Wright, AI: A Design Perspective (AIIDE 2005)
http://www.aaai.org/Papers/AIIDE/2005/AIIDE05-041.ppt
Kenneth Forbus, Will Wright, “Some notes on programming objects in The Sims – Example”
http://www.qrg.cs.northwestern.edu/papers/Files/Programming_Objects_in_The_Sims.pdf](https://image.slidesharecdn.com/aio22020428-200428094410/85/AI-2-49-320.jpg)
![最適（＝最大効用）な行動を選択する
Hunger +20
Comfort -12
Hygiene -30
Bladder -75
Energy +80
Fun +40
Social +10
Room - 60
Mood +18
Toilet
- Urinate (+40 Bladder)
- Clean (+30 Room)
- Unclog (+40 Room)
Mood +26
Bathtub
- Take Bath (+40 Hygiene)
(+30 Comfort)
- Clean (+20 Room)
Mood +20
[原則] 周囲の対象に対する、あらゆる可能な行動から、
総合的な効用 （＝Mood） を最大化する行動を選択する。](https://image.slidesharecdn.com/aio22020428-200428094410/85/AI-2-51-320.jpg)
![適応型動的ペーシング
[基本的発想]
(1) ユーザーがリラックスしている時に、ユーザーの
緊張度が一定の敷居を超えるまで敵をぶつけ
続ける。
(2) ユーザーの緊張度が一定の緊張度を超えると
敵を引き上げる。
(3) リラックスすると敵を出現し始める（(１)へ）。
Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and
Interactive Digital Entertainment Conference at Stanford.
http://www.valvesoftware.com/publications.html](https://image.slidesharecdn.com/aio22020428-200428094410/85/AI-2-92-320.jpg)
More Related Content
What's hot (20)
More from Youichiro Miyake (19)
ゲーム础滨公开セミナー#2「物语生成」
- 2. あらすじ 第一章 なぜ、人工知能に物语生成か？ 第二章 人工知能が何を生み出すか？ 第三章 文章生成アプローチ （例）ＫＥＬＤＩＣ 第四章 TRPG的アプロ―チ （例）人狼知能 第五章 知識モデル?ソーシャルモデル （例） The Sims 第六章 作家ですのよ 第七章 Fa?ade の事例 第八章 プラン二ングによる物語生成 第九章 メタＡＩによる物语生成 第十章 まとめ
- 3. あらすじ 第一章 なぜ、人工知能に物语生成か？ 第二章 人工知能が何を生み出すか？ 第三章 文章生成アプローチ （例）ＫＥＬＤＩＣ 第四章 TRPG的アプロ―チ （例）人狼知能 第五章 知識モデル?ソーシャルモデル （例） The Sims 第六章 作家ですのよ 第七章 Fa?ade の事例 第八章 プラン二ングによる物語生成 第九章 メタＡＩによる物语生成 第十章 まとめ
- 7. ） 人工 知能 人はどのように人工知能を使っているか？ 情報の海を母体として、人工知能が育っている。 ＝ 情報の海を母体として人工知能が生まれる 人間 記号の海 言葉の海 意味の海 概念の海 情報の海 @2015 SQUARE ENIX CO., LTD. All Rights Reserved.
- 8. IT技術による新しい現実空間のサービス（新規） ネット空間 現実空間 クラウド/人工知能 インターネット 進出? 浸食 ロボット 実空間 センシング ドローン IoT ネット空間から現実空間へ、現実世界からネット空間へ ゲーム空間 人工知能 デジタル世界の人工知能 現実世界の人工知能 難しい～未開拓 成熟 @2015 SQUARE ENIX CO., LTD. All Rights Reserved.
- 11. あらすじ 第一章 なぜ、人工知能に物语生成か？ 第二章 人工知能が何を生み出すか？ 第三章 文章生成アプローチ （例）ＫＥＬＤＩＣ 第四章 TRPG的アプロ―チ （例）人狼知能 第五章 知識モデル?ソーシャルモデル （例） The Sims 第六章 作家ですのよ 第七章 Fa?ade の事例 第八章 プラン二ングによる物語生成 第九章 メタＡＩによる物语生成 第十章 まとめ
- 12. 人工知能が何を生み出すか？
- 15. あらすじ 第一章 なぜ、人工知能に物语生成か？ 第二章 人工知能が何を生み出すか？ 第三章 文章生成アプローチ （例）ＫＥＬＤＩＣ 第四章 TRPG的アプロ―チ （例）人狼知能 第五章 知識モデル?ソーシャルモデル （例） The Sims 第六章 作家ですのよ 第七章 Fa?ade の事例 第八章 プラン二ングによる物語生成 第九章 メタＡＩによる物语生成 第十章 まとめ
- 18. あらすじ 第一章 なぜ、人工知能に物语生成か？ 第二章 人工知能が何を生み出すか？ 第三章 文章生成アプローチ （例）ＫＥＬＤＩＣ 第四章 TRPG的アプロ―チ （例）人狼知能 第五章 知識モデル?ソーシャルモデル （例） The Sims 第六章 作家ですのよ 第七章 Fa?ade の事例 第八章 プラン二ングによる物語生成 第九章 メタＡＩによる物语生成 第十章 まとめ
- 19. （例）KELDIC ? クロスボーダー「AI×言語解析」パネルディスカッ ション（CEDEC 2014） ? https://cedil.cesa.or.jp/cedil_sessions/view/1224 ? 講演資料より（上記で無料登録してダウンロード できます）
- 20. KELDIC ? 機械学習によって応答を決定するプログラム ? Twitter上で会話中(@KELDIC) ←フォローしてください！
- 21. 碍贰尝顿滨颁との対话例2
- 22. なめこと通じ合う碍贰尝顿滨颁の図
- 23. KELDIC で行っていること？ 状況に応じたセリフ 人間が付けた評価値 AIが付けた評価値 それはすごい！ 30 20 無茶するな。 15 49 本当にそう思う？ 15 1 わからないよ！ 1 4 ある文脈において、セリフ（発話候補）に人間が評価値を付ける。 人間がつけた評価値に近い評価値を付けられるように、 学習させて行く。 教師データ付き学習 稲葉通将，平井尚樹，鳥海不二夫，石井健一郎: 「統計的発話選択による非タスク指向型対話エージェントの設計」 Human-Agent Interaction Symposium 2011 (HAI-2011), 2011. http://www.ii.is.kit.ac.jp/hai2011/proceedings/html/paper/paper-3-1b-1.html その文脈において… （稲葉先生の論文を 読んで三宅なりに まとめてみた） 学習
- 24. あらすじ 第一章 なぜ、人工知能に物语生成か？ 第二章 人工知能が何を生み出すか？ 第三章 文章生成アプローチ （例）ＫＥＬＤＩＣ 第四章 TRPG的アプロ―チ （例）人狼知能 第五章 知識モデル?ソーシャルモデル （例） The Sims 第六章 作家ですのよ 第七章 Fa?ade の事例 第八章 プラン二ングによる物語生成 第九章 メタＡＩによる物语生成 第十章 まとめ
- 26. あらすじ 第一章 なぜ、人工知能に物语生成か？ 第二章 人工知能が何を生み出すか？ 第三章 文章生成アプローチ （例）ＫＥＬＤＩＣ 第四章 TRPG的アプロ―チ （例）人狼知能 第五章 知識モデル?ソーシャルモデル （例） The Sims 第六章 作家ですのよ 第七章 Fa?ade の事例 第八章 プラン二ングによる物語生成 第九章 メタＡＩによる物语生成
- 27. （例）「人狼知能」 ? 人狼＝村人（９～１２人ぐらい）と人狼（３人） に分かれて、会話によって人狼を探し出す ゲーム。人狼側は毎晩、村人を一人ずつ消 すことができるので、人狼と村人が同数にな れば人狼の勝ち。 ? 人狼知能＝人工知能が人狼をプレイする。不 完全情報の上に会話や推論を研究する。 ? http://aiwolf.org/
- 28. 「人狼知能」小説の作り方 ? 人狼知能（人狼ＡＩ）同士で会話させる。 ? 会話のログを取る。 ? 人间が小説に起こす
- 33. 人狼 ＡＩ それぞれの人狼ＡＩが記憶を持つ 人狼 ＡＩ 人狼 ＡＩ 人狼 ＡＩ 人狼 ＡＩ 人狼 ＡＩ サーバー 何か話して Ｃは狼 人狼知能がそれぞれ記憶を持ち、 記憶を利用して推論する 記憶 ? Aは自分が狼でないと言った ? BはCが狼だと言った ? DはAが狼だと言った ? Eは昨晩処刑されたDが狼だと言った ? -- ? --
- 37. あらすじ 第一章 なぜ、人工知能に物语生成か？ 第二章 人工知能が何を生み出すか？ 第三章 文章生成アプローチ （例）ＫＥＬＤＩＣ 第四章 TRPG的アプロ―チ （例）人狼知能 第五章 知識モデル?ソーシャルモデル （例） The Sims 第六章 作家ですのよ 第七章 Fa?ade の事例 第八章 プラン二ングによる物語生成 第九章 メタＡＩによる物语生成 第十章 まとめ
- 46. あらすじ 第一章 なぜ、人工知能に物语生成か？ 第二章 人工知能が何を生み出すか？ 第三章 文章生成アプローチ （例）ＫＥＬＤＩＣ 第四章 TRPG的アプロ―チ （例）人狼知能 第五章 知識モデル?ソーシャルモデル （例） The Sims 第六章 作家ですのよ 第七章 Fa?ade の事例 第八章 プラン二ングによる物語生成 第九章 メタＡＩによる物语生成 第十章 まとめ
- 47. プレイヤー?プロフィールデータ - ステータス - 体力 - 魔法力 - 装備 -- 右手武器 -- 左手武器 -- 防具 -- 指輪 - レベル - 職業 - 覚えている魔法リスト - 経路 - 最後に訪れた街 - 最後に訪れたダンジョン -- 滞在時間 -- 受けた総ダメージ -- 魔法使用料 -- 消費したアイテムリスト -- 倒したモンスターのリスト -- 戦闘不能にされたモンスター - 最後に話した人物 - 徒歩距離 - これまでに訪れて来た街のリスト - 物語 - 最後の話した人物 - 物語の進行度 - 探しているアイテム - これまで聞いたキーワードのリスト プレイヤー?プロフィールデータ - [名前] ファウスト - ステータス - [体力] 256 - [魔法力] 137 - [装備] -- [右手武器] 星光剣 -- [左手武器] 鉄こんぼう -- [防具] 月の盾 -- [指輪] レッドリング - [レベル] 31 - [職業] 戦士 - [覚えている魔法リスト] ファイラル ウオラル デポイゾ - 経路 - [最後に訪れた街] ケルム - [最後に訪れたダンジョン] 北のほこらの洞窟 -- [滞在時間] 4時間33分 -- [受けた総ダメージ] 17324 -- [魔法使用量] 384 -- [消費したアイテムリスト] 薬草 10 魔法石 34 毒気薬 7 -- [倒したモンスターのリスト] ザッコ― ボムラス ニコラム 大狼 -- [戦闘不能にされたモンスター] 大狼 - [徒歩距離] 1783km - [これまでに訪れて来た街のリスト] グリ エラート ナミル ウロ - 物語 - [最後の話した人物] カイル - [物語の進行度] 73% - [探しているアイテム] ふしぎの杖 - [これまで聞いたキーワードのリスト] 霧の山脈 白銀の搭 フレームベースの物語生成
- 48. （例）The Sims シリーズ
- 49. The Sims シリーズのＡＩの作り方 人をダイナミクス（力学系、動的な数値の仕組み ）として動かす。 世界を動かす PeerAI(=キャラクターＡＩ) を構築。 Sub Peer Meta Meta Peer Sub [原則] 周囲の対象に対する、あらゆる可能な行動から、 ムード（幸せ） 係数を最大化する行動を選択する。 Sims (not under direct player control) choose what to do by selecting, from all of the possible behaviors in all of the objects, the behavior that maximizes their current happiness. Will Wright, AI: A Design Perspective (AIIDE 2005) http://www.aaai.org/Papers/AIIDE/2005/AIIDE05-041.ppt Kenneth Forbus, Will Wright, “Some notes on programming objects in The Sims – Example” http://www.qrg.cs.northwestern.edu/papers/Files/Programming_Objects_in_The_Sims.pdf
- 50. The Sims における「モチーフ?エンジン」 Ken Forbus, “Simulation and Modeling: Under the hood of The Sims” (NorthWerstern University) http://www.cs.northwestern.edu/%7Eforbus/c95-gd/lectures/The_Sims_Under_the_Hood_files/frame.htm Data - Needs - Personality - Skills - Relationships Sloppy - Neat Shy - Outgoing Serious - Playful Lazy - Active Mean - Nice Physical - Hunger - Comfort - Hygiene - Bladder Mental - Energy - Fun - Social - Room Motive Engine Cooking Mechanical Logic Body Etc. AIの人格モデル
- 51. 最適（＝最大効用）な行動を選択する Hunger +20 Comfort -12 Hygiene -30 Bladder -75 Energy +80 Fun +40 Social +10 Room - 60 Mood +18 Toilet - Urinate (+40 Bladder) - Clean (+30 Room) - Unclog (+40 Room) Mood +26 Bathtub - Take Bath (+40 Hygiene) (+30 Comfort) - Clean (+20 Room) Mood +20 [原則] 周囲の対象に対する、あらゆる可能な行動から、 総合的な効用 （＝Mood） を最大化する行動を選択する。
- 52. ムードの計算方法と各パラメーターのウェイトグラフ Mood = W_Hunger(X_Hunger) * X_Hunger + W_Engergy(X_Energy) * X_Energy + … -100 0 100 -100 0 100 -100 0 100 -100 0 100 -100 0 100 -100 0 100 -100 0 100 -100 0 100 W_Hunger W_Energy W_Comfort W_Fun W_Hygiene W_Social W_Bladder W_Room
- 54. 効用(Utility)の計算の仕方 W_Hunger X_Hunger W_Hunger(-80) -80 60 W_Hunger(60) Hunger degree at -80 ＝ W_Hunger(-80)*(-80) Hunger degree at 60 ＝ W_Hunger(60)*(60) Δ ＝ W_Hunger(60)*(60) - W_Hunger(-80)*(-80) Utility for hunger
- 55. 限界効用逓減の法則 X_Hunger W_Hunger(-80) -80 60 W_Hunger(60) Δ（-80 → 60）＝W_Hunger(60)*(60) - W_Hunger(-80)*(-80) Δ (60→90） ＝W_Hunger(90)*(90) - W_Hunger(60)*(60) 90 W_Hunger(90) Δ（-80 → 60） is much larger than Δ(60→90） ある程度満たされたものを満たすより、 満たされないものをある程度満たす方が大きな満足をもたらす Utility for hunger ビールは一杯目が一番おいしい
- 59. あらすじ 第一章 なぜ、人工知能に物语生成か？ 第二章 人工知能が何を生み出すか？ 第三章 文章生成アプローチ （例）ＫＥＬＤＩＣ 第四章 TRPG的アプロ―チ （例）人狼知能 第五章 知識モデル?ソーシャルモデル （例） The Sims 第六章 作家ですのよ 第七章 Fa?ade の事例 第八章 プラン二ングによる物語生成 第九章 メタＡＩによる物语生成 第十章 まとめ
- 61. 作家ですのよ ? 星新一の小説を解析 ? 物語構造からキーワードを変換 ? http://www.fun.ac.jp/~kimagure_ai/
- 64. あらすじ 第一章 なぜ、人工知能に物语生成か？ 第二章 人工知能が何を生み出すか？ 第三章 文章生成アプローチ （例）ＫＥＬＤＩＣ 第四章 TRPG的アプロ―チ （例）人狼知能 第五章 知識モデル?ソーシャルモデル （例） The Sims 第六章 作家ですのよ 第七章 Fa?ade の事例 第八章 プラン二ングによる物語生成 第九章 メタＡＩによる物语生成 第十章 まとめ
- 65. FA?ADE の事例
- 66. プロシージャルの歴史: 会話&自然言語 まだゲームには 十分に応用されていない Facade 2005 Virtual Avater 岡山県立大学 渡辺研究室 （ノンバーバル?コミュニケーション） http://hint.cse.oka-pu.ac.jp/ シーマンどこでもいっしょくまうた 会話 自然言語 日本のゲームデザインの 巧み ＭｕｕＭｕｕ ＳＣＥ ビバリウム Michael Mateas, Andrew Stern
- 67. ドラマ?ジェネレーター「Facade」 Interactive Story 部屋の中で自動的に演技をする（大規模なストーリーでない） Beats システム （全体の流れを制御） ゴールシステム (reactive planning system) ユーザー?インプット （自然言語） Surface Processing （自然言語処理） 入力した言語を事前に準備した 概念に割り当てる （例）意見に反対しているのか、 賛成しているのか まともに言語を解釈しているのではない 全体のシステム Michael Mateas, Andrew Stern, "Facade", Procedural Arts, 2005
- 68. ドラマ?ジェネレーター 「Facade」 Interactive Story 振る舞い ゴール 振る舞い ゴール 振る舞い ゴール行動 振る舞い ゴール行動 行動 （１）ゴールを単位としたシステム （２）ゴールは、サブゴールと 行動をコールする（指定する） （３）平行して実行できる 行動は同時に実行する 行動、或いは サブゴールを呼ぶ 前提条件 終了条件 ゴールの形 ゴールシステム
- 69. 全体の流れ Beats システム Michael Mateas and Andrew Stern Fa?ade: An Experiment in Building a Fully-Realized Interactive Drama Game Developers Conference, Game Design track, March 2003
- 70. ドラマ?ジェネレーター 「Facade」 sequential behavior AnswerTheDoor() { WME w; with (success test f w = (KnockWME) g ) wait; act sigh(); subgoal OpenDoor(); subgoal GreetGuest(); mental act f deleteWME(w); } sequential behavior OpenDoor() { precondition ｛ (KnockWME doorID :: door) (PosWME spriteID == door pos :: doorPos) (PosWME spriteID == me pos :: myPos) (Util.computeDistance(doorPos, myPos) > 100) ｝ speci?city 2; // Too far to walk, yell for knocker to come in subgoal YellAndWaitForGuestToEnter(doorID); } sequential behavior OpenDoor() ｛ precondition ｛ (KnockWME doorID :: door) ｝ speci?city 1; // Default behavior - walk to door and open ｝ 振る舞い ゴール 振る舞い ゴール 振る舞い ゴール行動 振る舞い ゴール行動 行動 条件判定 条件判定 ゴールシステム " Michael Mateas and Andrew Stern A Behavior Language for Story-based Believable Agents", appeared in Artificial Intelligence and Interactive Entertainment, AAAI symposium, March 2002
- 71. ドラマ?ジェネレーター 「Facade」 Interactive Story 協調の仕方 ゴール Member: Trips ,Grace Mission 酒を進める （ Tripsの役割 Grace の役割）） The wogglesのＡＩ でも使われた方法 Trip Grace ゴールが２人のエージェントに打診 Trips はこのミッションの役割を 受けられる状態にあるか？ Graceはこのミッションの役割を 受けられる状態にあるか？ サブゴール サブゴール 両方が Yes なら Michael Mateas and Andrew Stern A Behavior Language: Joint Action and Behavioral Idioms
- 72. ドラマ?ジェネレーター 「Facade」 Interactive Story 協調の仕方 joint sequential behavior OfferDrink() { team Grace, Trip; // The steps of Grace’s and Trip’s OfferDrink() // behaviors differ. } joint sequential behavior OfferDrink() { team Trip, Grace; // wait for Trip to say first line with (success_test { OfferDrinkMemory (CompletedGoalWME name == iInitialDrinkOffer status == SUCCEEDED)}) wait; subgoal iLookAtPlayerAndWait(0.5); // react to Martini suggestion with (synchronize) subgoal jSuggestMartini(); with (synchronize) subgoal jFancyCocktailShakers(); } joint sequential behavior OfferDrink() { team Trip, Grace; with (post-to OfferDrinkMemory) // Individual behavior for initial offer subgoal iInitialDrinkOffer(); subgoal iLookAtPlayerAndWait(0.5); with (synchronize) subgoal jSuggestMartini(); // react to Grace’s line about fancy shakers with (synchronize) subgoal jFancyCocktailShakers(); GraceTrip (At the beginning of the behavior, Trip starts walking to the bar. If he gets to the bar before the end of the behavior, he stands behind it while delivering lines.) Trip: A beer? Glass of wine? (Grace smiles at player. Short pause) Trip: You know I make a mean martini. (Grace glances at Trip with slight frown partway into line. At the end of line, rolls her eyes at the ceiling.) Grace: (shaking her head, smiling) Tch, Trip just bought these fancy new cocktail shakers. He’s always looking for a chance to show them off. (If Trip is still walking to the bar, he stops at “shakers”. At “shakers” Trip looks at Grace and frowns slightly. At the end of the line he looks back at player and smiles. If he was still on the way to the bar, he resumes walking to the bar). ドラマ生成 " Michael Mateas and Andrew Stern A Behavior Language for Story-based Believable Agents", appeared in Artificial Intelligence and Interactive Entertainment, AAAI symposium, March 2002
- 73. あらすじ 第一章 なぜ、人工知能に物语生成か？ 第二章 人工知能が何を生み出すか？ 第三章 文章生成アプローチ （例）ＫＥＬＤＩＣ 第四章 TRPG的アプロ―チ （例）人狼知能 第五章 知識モデル?ソーシャルモデル （例） The Sims 第六章 作家ですのよ 第七章 Fa?ade の事例 第八章 プラン二ングによる物語生成 第九章 メタＡＩによる物语生成 第十章 まとめ
- 74. プランニングによる物语生成
- 80. プランニングによる物语生成技術
- 83. プランニングによる物语生成技術
- 85. 「トロと流れ星」におけるキーワード?カテゴライズ （技術が公開されているわけではなく、これは三宅ならこう実装するというものです） ＴＲ 「みやけが好きなものは何かにゃ ～」 Ｍ 「じてんしゃ」 ＴＲ 「それは食べれるものかにゃ？」 Ｍ 「Ｎ」 (Yes or No) ＴＲ 「それは大切なものかにゃ？」 Ｍ 「Y」 (Yes or No) ＴＲ 「どれぐらい大切かにゃ？」 Ｍ 「とっても」 （例） (上記はゲーム内のセリフのままではなく、解説のために三宅が構成したものです。) タグ：じてんしゃ 属性：もの 性質：好き ランク：１ ＴＲ 「この木は何ていうのかにゃ？」 Ｍ 「さくら」 ＴＲ 「みやけはさくらじてんしゃどっちが好き」 Ｍ 「さくら」 (Yes or No) ＴＲ 「トロもさくらと同じぐらい、みやけに大切に してもらいたいにゃ～。 せめて、じてんしゃぐらいに．．．」 Ｍ 「N」 タグ：さくら 属性：木 性質：好き ランク：１?２ ①ユーザーに言語データベースを作成させる。 ②それを用いてセリフを生成する。 SCE SCEI どこでもいっしょ http://www.dokodemoissyo.com/index1.html
- 88. あらすじ 第一章 なぜ、人工知能に物语生成か？ 第二章 人工知能が何を生み出すか？ 第三章 文章生成アプローチ （例）ＫＥＬＤＩＣ 第四章 TRPG的アプロ―チ （例）人狼知能 第五章 知識モデル?ソーシャルモデル （例） The Sims 第六章 作家ですのよ 第七章 Fa?ade の事例 第八章 プラン二ングによる物語生成 第九章 メタＡＩによる物语生成 第十章 まとめ
- 89. メタＡＩによる物语生成
- 91. メタＡＩ Left 4 Dead の事例 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html 今回は Left 4 Dead の事例を見てみる。
- 92. 適応型動的ペーシング [基本的発想] (1) ユーザーがリラックスしている時に、ユーザーの 緊張度が一定の敷居を超えるまで敵をぶつけ 続ける。 (2) ユーザーの緊張度が一定の緊張度を超えると 敵を引き上げる。 (3) リラックスすると敵を出現し始める（(１)へ）。 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 93. 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
- 94. メタＡＩがゲームを認識する方法 キャラクター用に作成された ナビゲーションメッシュを メタＡＩがゲームの 状況を認識するために使用する。 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 95. メタAIが作用を行う領域 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html メタＡＩが作用（敵の生成? 消滅）を行う領域を、 AAS（= Active Area Set） と 言う。
- 96. メタAIが作用を行う領域 (AAS=Active Area Set) Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 97. メタAIが作用を行う領域 (AAS=Active Area Set) Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 98. 安全な領域までの道のり(Flow Distance) メタＡＩはプレイヤー群の経路を トレースし予測する。 - どこへ来るか - どこが背面になるか - どこに向かうか Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 99. AAS に対して行うこと。 メタＡＩはプレイヤー群の移動に伴い、 その周囲（ＡＡＳ）に敵の群れを 生成?消滅させたりする。 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 100. プレイヤーからの可視領域 可視領域（プレイヤーから見えている 部屋）では、敵のスパウニング（発生） はできない。 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 101. 敵出現領域 背後 前方 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html 前方と背後のプレイヤー群から見えてない部屋に、 モンスターを発生させる。
- 102. モンスター?アイテム出現頻度 敵の種類、アイテムの種類ごとに出現頻度が違うが、頻度に応じて発生させる。 高頻度 低頻度 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html Wandereｒs (高頻度) Mobs(中頻度) Special Infected (中頻度) Bosses (低頻度) Weapon Caches (低頻度) Scavenge Items (中頻度)
- 103. ボス出現アルゴリズム (1) Ｎ体を予想される逃走経路上に配置 (2) ３つの出現イベントパターン （何もいない、を含む） （例） Tank, Witch, 何もいない (3) 同じパターンのくり返しは禁止 (例) Witch, 何もいない、Witch はＯＫ。 Witch, Witch はだめ。 何もいない Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html Tank Witch Witch Tank Witch Tank
- 104. 具体的なアルゴリズム (1) 各エリアに、出現数 N を決定する (2) 出現数Nは予想される逃走経路の長さと 要求される密度によって計算される。 (3) あるエリアがAAS の中に入るとクリー チャーがN体生成される。 (4) そのエリアがAAS の外に出ると生成が中 止され、クリーチャーは消滅される。 (5) Ｎはそのエリアがプレイヤーから見えてい る場合、或いは、プレイヤーがリラックス モードの場合には、強制的に０になる。 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 108. あらすじ 第一章 なぜ、人工知能に物语生成か？ 第二章 人工知能が何を生み出すか？ 第三章 文章生成アプローチ （例）ＫＥＬＤＩＣ 第四章 TRPG的アプロ―チ （例）人狼知能 第五章 知識モデル?ソーシャルモデル （例） The Sims 第六章 作家ですのよ 第七章 Fa?ade の事例 第八章 プラン二ングによる物語生成 第九章 メタＡＩによる物语生成 第十章 まとめ
- 109. 飽和したネット空間のサービス競争（飽和） IT技術による新しい現実空間のサービス（新規） ネット空間 現実空間 クラウド/人工知能 インターネット 進出? 浸食 ロボット 実空間 センシング ドローン IoT 現実世界とデジタル世界をまたぐゲーム空間 ゲーム空間 人工知能 デジタル世界の人工知能 現実世界の人工知能 未開拓 成熟 巨大な 内部デジタル 空間 巨大な外部 空間 現実とデジタル空間 にまたがる 人工知能 （物语自动生成） @2015 SQUARE ENIX CO., LTD. All Rights Reserved.
- 110. 飽和したネット空間のサービス競争（飽和） IT技術による新しい現実空間のサービス（新規） ネット空間 現実空間 クラウド/人工知能 インターネット 進出? 浸食 ロボット 実空間 センシング ドローン IoT 現実世界とデジタル世界をまたぐゲーム空間 ゲーム空間 人工知能 デジタル世界の人工知能 現実世界の人工知能 未開拓 成熟 巨大な 内部デジタル 空間 巨大な外部 空間 現実とデジタル空間 にまたがる 人工知能 （物语自动生成） @2015 SQUARE ENIX CO., LTD. All Rights Reserved. ネット＝現実をまたがって情報を集め 時代と都市の夢を見る人工知能