AIを効果的にゲームの面白さに生かした最初期の作品「パックマン」

　その筆頭として紹介されたのは、1980年に登場したナムコの「パックマン」。敵キャラクタのそれぞれに明確な性格付けがされ、AIと呼べる水準の制御がなされている一方で、ゲームにランダム性が一切含まれていない点を、Rabin氏は高く評価している。そのほか、紹介は「シムシティ」、「たまごっち」と続き、近年の成果としても「SPORE」、「Fable II」、「Left 4 Dead」などが挙げられている。それぞれについては下図でご紹介しよう。

　そしてRabin氏は、ゲームAI技術者が、より密接にゲームデザイナーと連携していくことが、新たなゲーム性を生み出す上でとても大切であるとし、またそれによって新たな市場を開拓することができるはずだとして講演をまとめた。そういった試みの理解者、あるいは先駆者の例として、Rabin氏はウィル・ライト（最新作は『SPORE』）と、ピータ・モリニュー（最新作は『Fable II』）の名前を挙げている。両タイトルとも、AI技術がゲームのユニークな体験に不可欠である点で共通している。

「シムシティ」は、セル・オートマタを本格的にゲームに応用した最初の例	「たまごっち」は、仮想ペットの先駆となった	「Half-Life」は大量のスクリプトをAI制御に組み合わせ、効果的な演出を実現

「シムズ」はオブジェクトに「役割」の情報を持たせることで、NPCとの自然なインタラクションを実現	「Black＆White」のペットは学習によって性格が変わるという試みがなされていた	「EyeToy」は動き認識、ヘッドトラッキングといった映像処理を大規模に実験した例と言える

「Halo 2」は、後に主流となるBehavior Tree AIアルゴリズムの最初の成功例	「Forza Mortorport」はプレーヤーの走行を学習する人工知能を搭載した	「SPORE」のクリーチャークリエーターには、すぐれた制作支援AIの例を見ることができる

「GTA IV」は、AIによって都市のリアルな生活感が演出されている	「Fable II」では、ペットの犬、家族、町の人々が、プレーヤーに対して多様な反応を示す	「Left 4 Dead」では、AI監督がゲームの展開を制御し、毎回異なるゲーム体験を提供する

■ ジャンルを問わずに使えるAI技術は可能なのか?
　Rockstar Leedsのエンジニアが提案する、AIプログラムの汎用デザインパターン

Rockstar LeedsスタジオのBrett Laming氏

ここからの議論の基礎となるAI処理ループ。プレーヤー操作と同じ構造をもつ

　前節のSteve Rabin氏によるセッションでは、「すべてのゲームが異なるAIを必要とする」ことが語られていた。これはゲームAIにかかわる開発者を等しく悩ませる問題であるようで、この“AI Summit”全体を通じ、「共通の部品はありうるのか?」、「再利用可能な技術は?」といった生産性をテーマとするディスカッションが多くみられた。

　その中で、比較的明確な提案をしてみせたのが、Rockstar LeedsスタジオのBrett Laming氏だ。Laming氏は、「GTA Vice City」や、最新作の「GTA Chinatown Wars」といった作品の教訓を生かし、再利用可能なゲームAIの設計方法について議論を展開した。「GTA」シリーズは多彩な動きが存在するアクションゲームであり、移動だけを見ても、徒歩から車、飛行機まで、さまざまな形態があるため、汎用性の高いアルゴリズム設計が必須であったのだろう。

　本セッションで対象となるのは、おもにNPCの制御に使われるAIだ。Laming氏はここで、、ジャンルを問わずに利用できるAI設計の提案を試みる。そのために前提となるAI処理の基本的な構造として、「情報を集める」、「考える」、「操作を入力する」、「動作する」という4つのステップを設定。これは、プレーヤーがキャラクタを操作する手順ととまったく変わらない構造だ。これにより、AI制御にまつわる特殊性が薄れ、可搬性が高まるということのようだ。

　では、それぞれのステップをどのように処理するか。まず情報の収集については、一定角度範囲の視野、一定距離範囲の聴覚といった、限定的な能力の「センサー」で外界の情報をとらえ、記憶領域に保持するという手法を基本とする。メモリから直接ターゲットの位置や状態を取得してしまうのではなく、人間のように外界の情報を得て、それをもとに各種の判断を下すことで、たいていのゲームで自然な反応が可能になるわけである。

　次に「操作を入力する」という部分。Laming氏は、プレーヤー操作のキャラクターと、AI操作のキャラクターとで全く同じ手順を使えるよう、キャラクターの操作情報を「Virtual Yoke(仮想の操縦桿)」という形にまとめている。これは、加速や方向転換といったごくプリミティブな操作の入力をまとめたデータクラスで、人間型のキャラクターだけでなく、車両に、船舶にと、あらゆる対象に対して同じものが使えるのがポイントだ。

　操作情報が与えられたら、あとはそれをもとにキャラクターを動作させるだけなので、話は簡単である。これで、AIがキャラクターを動作させるための基本的なインターフェイスが揃った。残るは、キャラクターにどのような動作をさせるかを決める、つまり「考える」という部分だ。これこそがゲームAIのキモであり、本セッションの多くの時間が割かれた。

情報の収集フェーズでは、人間の能力とおなじく、可視範囲と可聴範囲のターゲット情報を集め、記憶する。AIに対して「自然な」判断基準が提供される	「仮想の操縦桿」をAIに与え、人間と同じようにキャラクターを操作させる。これにより、どのような対象も同じ構造で動かすことができる	実際に動作させるには、「仮想の操縦桿」によるコマンドをオブジェクトに適用できればよい。AIのための特別な処理はほとんど必要ない

思考プロセスに「明示的な命令」のフェーズを噛ませることで、スクリプトによる制御や、プレーヤーやAIによる命令が可能となっている

「行動計画」のフェーズは、AIの具体的なふるまいを決定する重要なパートだ

　「環境による制御」は、言い換えればスケジュールのようなもので、1日単位の長い時間系の中で、その時々において何をすべきかを既定するものだ。内容としては「朝起きて仕事に行く」、「お腹が空いたので食事をする」という感じになる。「行動計画」は、そういった大目標を達成するための、具体的な行動内容を決定する部分だ。プレーヤーが目にするAIの振る舞いは、おもにこのレベルとなる。最後の「明示的な命令」は、スクリプトによる直接制御や、プレーヤーによるAIへの命令などを実現する、割り込み制御である。

　これらの要素のうち、最も具体性の高い「行動計画」をどう実装するかが、AIの質を決める上で決定的になる。Laming氏は、単純なゲームAIの実装でよくつかわれてきた有限状態マシン(FSM)や、階層型有限状態マシン(HFSM)、あるいは「Halo 3」や「SPORE」などの新しいゲームで使われたBihaviour Tree(振る舞いツリー)の構造を例にしつつ、そのすべてに共通する問題点として「ある行動中に、別の行動を割り込ませることの難しさ」を挙げている。

　どういうことかというと、たとえば「家に帰る」という行動をしている最中に、「敵に遭遇」という事件が発生し、「敵と戦う」という行動が割り込んだ場合、敵との戦闘をやりおおせた後に、「家に帰る」という、以前の行動状態への復帰がうまくできないのである。「行動の文脈」に相当する構造がないためだ。対応するためには、大方、特別なデータ構造と特別なコーディングが必要になってしまう。

「MARPO」アルゴリズムでは、行動の粒度に応じて異なるスタックを持つ。いかなる状態からでも、上位の行動に立ち戻ることができる

　上記の例では、「家に帰る」は「長期行動」のスタックに、「敵と戦う」というのは「その場の対応」のスタックに分類される。さらに具体的なアクションは「瞬間の動作」内に積み上げられる。この構造では、どのようなタイミングでも、元々目指していた目標を忘れることなく、「家に帰る」という原状に復帰することができるわけだ。これは、遠大な計画に基づいて行動する「賢いAI」を実現するために、有効な手段となりそうだ。

　この「MARPO」法については、Laming氏が技術書「AI Game Programming Wisdom 4」に詳細を寄稿しているので、さらに関心のある方は同書を当たってみるといいだろう。Laming氏はその他、AIの経路探索、移動アルゴリズムについても議論を広げていった。そこでのポイントも、やはり汎用性の高さとなっており、人間にも車にも使える手法となっていたのが印象的だった。

　このセッションのほか、“AI Summit”では、ゲームAI技術に関して様々な角度から議論が行なわれた。全体的には、最新ゲームでの新しい技術が披露され拍手喝采、というような派手さはなく、純粋に知識を共有することを目的とするセッションや、現状におけるAI技術の課題と解決策を模索するパネルディスカッションなど、業界全体の技術レベルを向上させるような、手堅い内容が主流を占めていたように思う。いずれにせよ、このような形で情報交換が行なわれ知識が共有されることは、今後ますます質の高いゲームが生まれる土壌を育むことになりそうだ。

有限状態マシンやBehavior TreeによるAI表現では、その構造上「行動の割り込みと原状への復帰」の実現が難しい。「MARPO」では、その問題をうまく解決している

【その他のセッション】
“Beyond the Behavior: An Introduction to Knowledge Representation”というセッションでは、MITメディアラボのPeter Gorniak氏と、Game AI and Design ConsultantのDamian Isla氏による、Knowledge Representation(オブジェクトの知識表現)の紹介と解説が行なわれた。この手法は、オブジェクトを、そのものではなく、キャラクターの持つ「知識」として表現するもので、実際のゲームとしては、「シムズ」シリーズで似た方法が使われている。この方法では、AIが欲求をベースに行動を選択するが、「知識」が不完全なときには、人間くさく行動を間違えることもある。

“Toward Solving Pathfinding”というセッションでは、Rockstar New EnglandスタジオのKevin Dill氏とRelic EntertaimentのChris Jurney氏による、経路探索関連の話題が展開した。Jurney氏は、ゲームの内部処理で必ず使用する距離評価関数を並行利用して、AIの戦略判断の精度を高める方法や、フォーメーション制御における応用案を提示した。またDill氏は、経路探索に用いられるナビゲーションメッシュの作成方法、また、ゲーム的な戦略価値判断を経路探索に織り交ぜて活用するアイディアなど、いくつかの研究成果を披露した。“AI Summit”は、このような知識を共有しようとするセッションが多かったように思える