人工知能 , 汎用人工知能 , AI , GAI , AGI , GPU , 機械学習 , 深層学習 , ディープラーニング , 自然言語処理 , 画像認識 , 強化学習 , 深層強化学習 , Attention , 注意機構 , Transformer , LSTM , ニューラルネットワーク , AlphaGo , AlphaStar , Minecraft , マインクラフト , DQN
この記事を読むのに必要な時間:およそ 1 分
※『ゲームから学ぶAI ——環境シミュレータ×深層強化学習で広がる世界 』より。
将棋や各種ボードゲーム,リアルタイムシューティングゲーム(RTS) ,マインクラフトなどのビデオゲームに至るまで,数々のゲームがAIの研究に用いられ,AIの進化を加速させてきました。本記事では,基礎知識を中心にその概略を見てみましょう。
「ゲームAI」の二つの意味
「ゲームAI」( game AI )は,AIやゲームの分野においてさまざまな文脈で使われる用語で,言葉として知っている方も多いのではないでしょうか。「 ゲームAI」は,おもに二つの意味で使われます(図1 ) 。
図1 ゲームの中のAI,ゲームをプレイするAI
❶ ゲームの中のAI (AI in gaming )
➡︎ゲームの中に組み込まれたAI
❷ゲームをプレイするAI (game playing AI )
➡︎ゲームを題材としたAI研究
とくに❷は人間と同じようにAIにゲームをプレイさせ,囲碁のAlphaGoやStarCraft IIをプレイするAlphaStarが知られています。❶❷のゲームAIは技術的に異なる特徴や傾向を持ち,「 ゲームによるAIの研究」というと❷が想定されます[1] 。
[1] ただし,両者は完全に別物ではなく,たとえば「将棋AI」であっても,研究テーマとして扱っているうちは「ゲームをプレイするAI」であり,それが市販の将棋ソフトに組み込まれて販売されれば「ゲームの中のAI」となります。
なぜAIの研究にゲームを使って,AIを研究するのか
AIの研究にゲームが用いられるのは,現在のAIが「成功と失敗とを何度も繰り返して学習する」しくみであるという点が理由として挙げられます。現実の「ロボット制御」などにAIを使う研究もありますが,実験のために大量の機材を用意するのは大変です。また,「 物理演算のシミュレータ」を用意して,仮想空間で試行する方法もありますが,物理法則に従う必要のない基礎的な研究も多く,それらにシミュレータを使うのも非効率です。そこで,より単純化されたゲームの世界で新しい手法を試すのです。
汎用AIの実現へ AGI
GoogleやAI研究で有名なDeepMindが巨額の費用をかけてまでゲームAIを開発するのは,なにも最強のゲーム内AIやゲームソフトを作りたいからではありません。目的は開発過程で得られた知見や技術を活用して,より汎用的なAI(汎用AI,AGI/artifcial general intelligence )を実現することにあります。
ゲームAIは,どれもその過程で作られてきた基礎的な成果物です。汎用AIの実現にはまだまだ時間がかかるため,少しでもできることを増やしていくためにゲームを題材として基礎研究を進めてられています。
人工知能 , 汎用人工知能 , AI , GAI , AGI , GPU , 機械学習 , 深層学習 , ディープラーニング , 自然言語処理 , 画像認識 , 強化学習 , 深層強化学習 , Attention , 注意機構 , Transformer , LSTM , ニューラルネットワーク , AlphaGo , AlphaStar , Minecraft , マインクラフト , DQN