Unternehmen

Maschinelles Lernen in der Spieleentwicklung

Das Google Stadia Research and Development Team Star Lab arbeitet unter der Leitung von Erin Hoffman-John an neuen Tools zur Vereinfachung und Beschleunigung des Entwicklungsprozesses für Spieleentwickler. Zwei Tools werden bereits vorgestellt: Chimera und Semantic ML

24.03.2020 16:15 • von

Google spricht wiederholt von der nächsten Milliarde User (the next billion users). Mit Stadia als dedizierte Gaming Plattform des Unternehmens, wird das Motto allerdings ein wenig angepasst. "Dank der Zugänglichkeit von Stadia werden viel mehr Menschen Games spielen können", meint Stadias Head of Research and Development Erin Hoffman-John. "Google setzt sich immer große Ziele, wie "the next billion users". Wir haben daraus "the next billion Gamers" gemacht. Das bedeutet aber auch, mehr Developer.

"Wir reden hier über massive Veränderungen, wenn wir diese Nummer erreichen", so Hoffman-John weiter. "Wenn man eine Milliarde Gamer haben möchte, muss man zunächst die Anzahl der Entwickler erhöhen, beziehungsweise es Menschen erleichtern, Game Developer zu werden. Dafür muss für Entwickler effizienteres arbeiten ermöglicht werden."

Mit diesem Ziel im Blick arbeitet Google Stadias Research and Development Team Starlab. Unter der Leitung von Head of R&D Erin Hoffman-John konzentriert sich das 24-köpfige Entwicklerteam darauf, Technologien von Google für die Spielentwicklung zu optimieren. Dabei besteht ein Großteil aus Spieelentwicklern, die von einigen auf Maschinelles Lernen Engineers unterstützt werden. "Wir wollen diese verschiedenen Technologien zusammenbringen, um Probleme für Game Developer zu lösen", so Hoffman-John. Die Tools sollen Developers dann bei der Erstellung von Prototypen und schließlich bei vollwertigen Games unterstützen.

"Die meisten Entwickler reden beim Thema Teamgröße von einem Sweet Spot. Dieser liegt bei etwa 14 Leuten. Wenn man den überschreitet, kommt es häufig zu Kommunikationsproblemen", erklärt Hoffman-John. Tatsächlich arbeiten die meisten Entwickler gerne in kleineren Teams, um die Familiarität aufrecht zu erhalten. Wenn man aber ein großes Projekt mit großem Budget produzieren möchte, wird dies schwierig. Hier will Google Stadias StarLab helfen. "Wir haben uns gedacht: Was, wenn wir Maschinelles Lernen verwenden könnten, um ein Team so zu verstärken, dass es mit einer kleinen Mitarbeiterzahl ein großes, inhaltsreiches Spiel zu entwickeln?"

Aufgrund des ambitioniert angelegten Ziels von einer Milliarde Gamer, ist die Arbeit des Stadia-Teams über einen längeren Zeitraum angelegt. Bis die Technologie wirklich so weit ist, dass sie fest auf den Markt kommt, kann es noch zwei bis fünf Jahre dauern. In diesem Zeitraum gehen Hoffman-John und ihr Team sozusagen all die Risiken ein, die mit der Entdeckung neuer Technologien einhergehen, um Entwicklern anschießend ein hilfreiches Endprodukt zu liefern.

Google Stadia stellt zwei Programme als Beispiel für Google Technologien in der Spieleentwicklung vor: Chimera und Semantic ML.

Chimera

Der Langzeitplan ist es, ein Spiel wie "World of Warcraft" dank ML mit einem nur 20-köpfigen Team entwickeln zu können. Bis dahin ist es aber noch ein großer Schritt. Deshalb haben sich Hoffman-John und ihr Team überlegt, wo man am besten anfangen könnte. Die Wahl fiel letztendlich auf die Entwicklung eines Collectible Card Games. Diese seien, erklärt Hoffman-John, ähnlich aufwändig wie MMOs, wenn es um füllenden Inhalt geht. "Fast 70 Prozent der Zeit und des Produktionsbudgets geht hierbei auf die Designs, Zeichnungen und kleine Animationen." Gemeint sind damit vor allem sich wiederholende Arbeiten, also beispielsweise die Kreation von verschiedenen Monstern für ein Kartenspiel.

Für Chimera orientierte sich das Stadia Team dann an Generative Adversarial Network, eine Form von Künstlicher Intelligenz, die 2014 erstmals vorgestellt wurde. Das wahrscheinlich bekannteste Beispiel dafür ist Nvidias StyleGan, dessen Potenzial sich auf This Person does not Exist betrachten lässt. Dabei wird einem ML-Modell beigebracht, wiederkehrende Attribute von dem, was man generieren möchte, zu erkennen. Dies geschieht, indem man dem Modell Beispiele füttert, anhand denen es lernt. Im Fall von StyleGan sind es menschliche Gesichter. Für das digitale Kartenspiel von Stadia konzentrierte man sich auf Monster und Landschaften. Der Algorithmus fand daraufhin Muster, wie Kamerawinkel der Bilder auf den Karten, dynamische Posen und passende Hintergründe. Die Entwickler haben dabei aber dennoch die Kontrolle. Durch Regeln und Nachbesserungen können sie fehlerhafte Zusammensetzungen korrigieren oder einfach persönliche Entscheidungen mit einbringen. "Meine künstlerische Absicht wird widergespiegelt", so Hoffman-John.

Semantic ML

Das Ruder für ein weiteres Google Stadia Tool hat indes Hoffman-Johns Kollegin Anna Kipnis in der Hand. Die Senior Interaction Designerin arbeitete zuvor knapp 16 Jahre als AI Gameplay Programmer bei DoubleFine, wo sie sich darauf spezialisierte den Charakteren Leben einzuhauchen.

Im Bereich der Interaktivität sieht sie in der Gamesbranche noch ordentlich Luft nach oben. "Über die Jahre haben wir die unglaubliche visuelle Evolution miterlebt, 2D zu 3D und Extreme High Fidelity. Die Interaktion mit Charakteren hat allerdings noch kein solch exponentielles Wachstum erfahren. Hier könnte Semantic ML wirklich nachhelfen", meint Kipnis. Vorneweg will sie aber mit einigen Missverständnissen über Maschinelles Lernen aufräumen:

> Man muss wissen, wie man ein ML-Modell trainiert, um es zu verwenden.

> Es werden gewaltige Datenmengen benötigt.

> Entwickler haben keine Kontrolle über den Output des ML. Es ist wie eine Art Black Box und man muss das, was rauskommt, einfach akzeptieren.

"Das sind alles falsche Auffassungen. Ich habe das früher ebenfalls gedacht", meint Kipnis speziell zum ersten Punkt. "Aber man kann einfach ein bereits trainiertes Modell nehmen." In diesem Fall werden dann auch keine großen Datenmengen gebraucht.

Semantic ML wurde anhand von Milliarden von Dialogsätzen trainiert. Anhand dessen kann das Programm zur Brücke zwischen den Aktionen des Spielers und den Charakteren bzw. des Spielinhalts werden. Im Kern handelt es sich hierbei, vereinfacht gesagt, um eine Form der Wort- oder Phrasen-Assoziation.

"Ein Spiel weiß was der Spieler machen möchte, wenn er einen bestimmten Knopf drückt. Diesen Input kann man hier in einen Satz umwandeln und an den ML-Agent weitergeben", erklärt Kipnis. Auf diese Weise kann man mit Semantic ML ein Spiel zu großen Teilen einzig mithilfe einer Tabelle und der englischen Sprache entwickeln.

"Mit Semantic ML können Entwickler Zeit sparen, weil es viel Wiederholungsarbeit wegnimmt", meint Kipnis. "So müssen wir weniger Zeit mit dem langweiligen Teil von AI verbringen. Und so haben Entwickler mehr Freiraum, sich mit interessanteren Problemen auseinanderzusetzen. Es ist genauso wie bei Game Artists. Nur weil denen bessere Tools zur Verfügung stehen, gehen sie nicht einfach früher heim, weil sie schneller fertig sind. Sie nutzen die neuen Werkzeuge, um bessere und komplexere Bilder zu produzieren. Dasselbe kann Semantic ML für die Kreation von Spielecharakteren bieten."

Semantic ML ist bereits in einer fortgeschrittenen Phase und Google ist dabei, Prototypen, die mit dem Tool produziert wurden, zu zeigen. Man arbeitet aktuell daran, Custom Models zu erstellen, die man auf den Markt bringen kann.