Was braucht es, um KI in Spielen besser zu machen?

Games-KI könnte auf unterschiedlichen Wegen besser werden - und die Forschung und Industrie sind bereits auf allen unterwegs.

1. Unvorstellbar starke Hardware: MCTS würde die beste Lösung berechnen, wenn wir bei jedem Zug warten würden, bis es den gesamten Spiel-Baum ausgeforscht hat. Praktisch würde man dafür aktuell mehrere Jahrhunderte rechnen, aber Quantencomputer könnten uns solch eine Antwort innerhalb weniger Millisekunden liefern.

2. XAI/Explainable KI und Generalisierung: Das größte Problem von neuronalen Netzen ist, dass sie eine Blackbox sind. Sind sie fertig trainiert, sind das Ergebnis von ein paar Millionen Zahlen, von denen ein Mensch nichts versteht, aber die irgendwie eine gangbare Lösung ausspucken. Wenn man diese Blackbox interpretierbar und vor allem durch den Menschen gezielt anpassbar machen kann, könnte man Probleme wie fehlende Generalisierbarkeit lösen. Darum ist XAI auch der Renner in der Forschung.

3. Procedural Content Generation (PCG): Neuronale Netze können zwar nicht allgemein generalisieren (PDF), aber einen spezifischen Level-Generator verstehen und lernen. EA hat auf der Conference on Games 2021 gezeigt, dass sich dies ausnutzen lässt, um schrittweise schwieriger werdende Level mithilfe von RL zu verstehen (PDF), die sonst nicht so leicht erlernbar gewesen wären.

Toller Nebeneffekt: Spiele mit solcher KI könnten sich dann dynamisch an den aktuellen Skill eines Spielers anpassen, um sowohl KI als auch Level Design immer fordernd zu halten.

4. Das richtige Teilproblem finden: siehe Forza. Auch wenn neuronale Netze noch nicht alles perfekt können, so gibt es viele Symbiosen mit existierenden Techniken, die abhängig vom gewählten Teilproblem gut funktionieren können.