ゲームと人工知能

カリキュラムのサンプルです

Transcript

1. ゲームAI連続講義 「ゲームと人工知能」 第1～４回（概論） 三宅 陽一郎 @miyayou https://www.facebook.com/youichiro.miyake y.m.4160@gmail.com https://miyayou.com/ 2026.7.23
2. 自己紹介
3. My Works (2004-2022) AI for Game Titles Books
4. 近著
7. 戦略ゲームAI • 戦略ゲームにおける人工知能の技術を、 起源から集めた著作 • 2021年10月15日 • 300ページぐらい
8. スクウェア・エニックスのAI 著者：スクウェア・エニックス 発行・発売株式会社 ボーンデジタル 総ページ数 336ページ サイズ B5正寸、オールカラー 発売日 2024年7月30日 電子版 あり 初刷：ほぼ完売しました 二刷：９月上旬出荷開始
9. DeepMind社「Capture the flag」による ディープラーニング学習 シミュレーション 機械学習 （ディープ ラーニン グ） 現実 https://deepmind.com/blog/article/capture-the-flag-science
10. ゲームと人工知能の関係 ゲームを外側から プレイするAI ゲームAI ゲーム内側から 構成するAI ゲームを作り出す 人工知能 将棋、チェス、囲碁… アカデミックで研究されるAI アカデミックではゲームを製作する、 ということはなかなかできない・しない マリオ、ゼルダ、フォートナイト 産業で開発されるAI ゲームを構成するAI ゲームを管理する人工知能 ゲームを製作する人工知能 ゲーム開発AI技術
11. 第一部 ゲームを外側からプレイするAI
12. ゲームと人工知能の関係 ゲームを外側から プレイするAI 将棋、チェス、囲碁… アカデミックで研究されるAI アカデミックではゲームを製作する、 ということはなかなかできない・しない 人工知能は自らを発展させるためにゲームを利用した マリオ、ゼルダ、フォートナイト ゲームAI ゲーム内側から 構成するAI ゲームを作り出す 人工知能 産業で開発されるAI ゲームを構成するAI ゲームを管理する人工知能 ゲームを製作する人工知能
13. 人工知能の歴史とゲーム • 人工知能の誕生 1940-1950年代 • ダートマス会議（1956年） • コンピュータの歴史と人工知能の歴史 • 1950年代にはコンピュータ＝巨大頭脳
14. 人工知能に何をさせるか？ • 人工知能の誕生期 • 「閉じた問題」しか解けない • 人工知能を鍛える問題が必要 箱庭（ゲーム）を解かせる 迷路、チェッカー、将棋、囲碁 迷路学習する機械式マウスを操作する シャノン（情報学の父） （photo: Bell Labs）
15. ダートマス会議（1956年） 我々は、1956年の夏の2ヶ月間、10人の人工知能研究者がニューハンプ シャー州ハノーバーのダートマス大学に集まることを提案する。そこで、 学習のあらゆる観点や知能の他の機能を正確に説明することで機械が それらをシミュレートできるようにするための基本的研究を進める。機械 が言語を使うことができるようにする方法の探究、機械上での抽象化と 概念の形成、今は人間にしか解けない問題を機械で解くこと、機械が自 分自身を改善する方法などの探究の試みがなされるだろう。我々は、注 意深く選ばれた科学者のグループがひと夏集まれば、それらの問題のう ちいくつかで大きな進展が得られると考えている。 人工知能＝人間の知能を機械に写す（移す）。 https://ja.wikipedia.org/wiki/%E3%83%80%E3%83%BC%E3%83%88%E3%83%9E%E3%82%B9%E4%BC%9A%E8%AD%B0
16. ？ B50 ？ http://flopdesign.com/download/Human_S/pages/B50.ht http://static.flickr.com/5051/5525304279_65012a492c_s.jpg ml
17. • AIマップβ https://www.ai-gakkai.or.jp/aimap/
18. 人間の知能の形/人工知能の知能の形 将棋が打てる お料理できる 目的地へ行ける 何でもできる可能性を 持つ総合知性 人間（生物）の知能＝総合的知能 一つの知能がいろんなことをできる
19. 人間の知能の形/人工知能の知能の形 お料理ロボット ＝お料理しかできない ＝何万と言うレシピ AlphaGO ＝囲碁しか打てない ＝人間より強い IBM ワトソン ＝記号の統計情報しかない ＝何百万行のテキストの関係 を記憶 お掃除ロボット ＝お掃除しかできない ＝ 24時間掃除 ナビ ＝目的地へのルート ＝ とても正確 人工知能＝専門的知能 一つのことしかできない。
20. 人間の知能の形/人工知能の知能の形 AlphaGO ＝囲碁しか打てない お料理ロボット ＝お料理しかできない お掃除ロボット ＝お掃除しかできない IBM ワトソン ＝記号の統計情報しかない ＝何百万行のテキストの関係 を記憶 ナビ ＝目的地へのルート 人工知能＝専門的知能 一つのことしかできない。一つのことがとても（人間より）得意。
21. 汎用人工知能 • AGI = Artificial General Intelligence • ASI = Artificial Super Intelligence
22. 人間と人工知能の違い 殆どの人工知能は与えられたフレーム（問題設定）の 時間（イメージ） 外に出ることはできない。 人間は柔軟にフレーム（問題設定）を創造し 変化させることができる。 空間（論理）
23. 人工知能は自分で問題（フレーム）を 作れない。 与えられた問題の中で、人間より賢くなる。 これからの時代に必要な能力 ＝問題を作る能力 ＝人工知能を使役する能力
24. 開いている 総合型人工知能 （汎用人工知能） 直観 専門型 総合型 精密 問題特化型 人工知能 閉じている
25. 開いている 総合型人工知能 （汎用人工知能） 直観 専門型 フレームが 閉じている 精密 問題領域 閉じている 問題特化型 人工知能 総合型
26. 総合型人工知能 開いている フレームが （汎用人工知能） 閉じていない 直観 問題領域 専門型 フレームが 閉じている 精密 問題領域 閉じている 問題特化型 人工知能 総合型
27. モラベックのパラドックス ＝人間と人工知能に得意・ 不得意は正反対 開いている 総合型人工知能 （汎用人工知能） 直観 専門型 総合型 精密 問題特化型 人工知能 閉じている
28. 総合型人工知能 開いている フレームが （汎用人工知能） 閉じていない 直観 問題領域 専門型 フレームが 閉じている 精密 問題領域 閉じている 問題特化型 人工知能 総合型
29. 総合型人工知能 開いている フレームが （汎用人工知能） 閉じていない 直観 問題領域 専門型 フレームが 閉じている 精密 問題領域 閉じている 問題特化型 人工知能 総合型
30. 総合型人工知能 開いている フレームが （汎用人工知能） 閉じていない 直観 問題領域 専門型 総合型 ゲーム 精密 問題特化型 人工知能 閉じている
31. 総合型人工知能 開いている フレームが （汎用人工知能） 閉じていない 直観 問題領域 専門型 フレームが ゲーム 閉じている 精密 問題領域 問題特化型 人工知能 閉じている 総合型
32. 人間 意識 他者の構成 人工知能（エージェント） 意識 意識的干渉 前意識 前意識 知覚の境界面 無意識 （言語の網） 無意識 （プログラム 言語の網） 無意識的干渉 言語・非言語境界面 身体 身体 他者の構成プロセス 外部からの 情報 外部から の情報 物理的干渉 環境
33. 人間 人工知能（エージェント） 人間と人工知能は複数のレイヤーで結ばれる 意識 意識 前意識 前意識 無意識 （言語の網） 無意識 （プログラム 言語の網） 身体 身体 他者の構成プロセス 外部からの 情報 外部から の情報 物理的干渉 環境
34. 人間 ゆったりとした強い同期の輪 人工知能（エージェント） 意識 前意識 無意識 （言語の網） 意識 人間と人工知能は複数の関係で 結ばれている 身体 外部から の情報 物理的干渉 環境 無意識 （プログラム 言語の網） 身体 他者の構成プロセス 外部からの 情報 前意識
35. 人間 ゆったりとした強い同期の輪 人工知能（エージェント） 意識 前意識 無意識 （言語の網） 意識 前意識 人間と人工知能は複数の関係で 結ばれている ＝人間同士も、人間と人工知能同士も なかなかわかりあえない 無意識 （プログラム 言語の網） 身体 身体 他者の構成プロセス 外部からの 情報 外部から の情報 物理的干渉 環境
36. 人間 ゆったりとした強い同期の輪 人工知能（エージェント） 意識 前意識 無意識 （言語の網） 意識 わかりあえない、のは、 環境が複雑だからでもある。 前意識 無意識 （プログラム 言語の網） 世界内存在でも、セカイがみんな違う 身体 身体 他者の構成プロセス 外部からの 情報 外部から の情報 物理的干渉 環境
37. 人間 ゆったりとした強い同期の輪 人工知能（エージェント） 意識 意識 前意識 前意識 無意識 （言語の網） 無意識 （プログラム 言語の網） 身体 身体 他者の構成プロセス 外部からの 情報 外部から の情報 物理的干渉 ゲーム
38. 人間 ゆったりとした強い同期の輪 人工知能（エージェント） 意識 意識 前意識 前意識 一般にはわかりあえない、しかし、 人間同士も、人間と人工知能も ゲームという場を通してわかり合える。 無意識 （言語の網） 身体 身体 他者の構成プロセス 外部からの 情報 外部から の情報 物理的干渉 ゲーム 無意識 （プログラム 言語の網）
39. ボードゲームの人工知能 • 人工知能の誕生以来、それは人工知能を育む箱庭（揺り籠） だった。 • それでも人間の方がずっと強かった • ボードゲームは盤面の情報を表現しやすい（知識表現） • ボードゲームは完全に情報を表現しやすい（完全情報）
40. 城壁を作って行くゲーム『カルカソンヌ』 作った城壁の大きさで勝敗が決まるゲーム。
41. ロンドンの街を舞台にした逃走と追走劇 『スコットランドヤード』 街の構造が思わぬ逃走を可能にする。ロンドンという街を体験した気に少しなる。
42. 中世ベネチアを舞台にしたスパイ同士の 探り合い『インコグニト』 http://www.ps-hiroshima.com/board/inkognito.htm 誰が味方か、誰が敵かを、街を舞台に探り合う
43. ディープブルー（チェス、1997） https://wired.jp/2012/10/03/deep-blue-computer-bug/ １９９７年 ディープブルーがカスパロフに勝利 機械学習を用いない探索で勝利 開発はIBMと中身はアルバータ大学
44. ゲーム状態（＝盤面） 一手先（自分） 分岐 二手先（相手） 三手先（自分） 人工知能による探索 探索アルゴリズム
45. AlphaGo（囲碁、2016） https://norakuranews.com/alphago-leesedol3/ 2016年 AlphaGoがィ・セドル棋士に勝利 ディープラーニング、モンテカルロ木探索を用いて勝利 開発はDeep Mind社
46. ゲームに全人格を取り込むことはできない ＝しかし部分的な自分と人工知能がゲームでわかりあう 自分 ゲームの中の プレイヤー 対戦 ゲーム 人工知能 ゲーム（フレーム）
47. DQNを有名にした 「AlphaGO」
48. AlphaGo は３つの要素からなる • DQN（Deep Q Neural Network）2013年 • モンテカルロ木探索 2004年 • 強化学習 1990年代後半
49. DQN (Deep Q network)とは
50. Deep Q Learning (深層強化学習) Q-Learning × Deep Learning
51. キャラクターにおける学習の原理 五感 身体 知識 生成 意思決定 Knowledge Making Decision 関数 Making 結果の表現 Q(s,a) 意思決定 運動 生成 Motion Making 行動の表現 記憶 言語 知識表 現型 世界 インフォメーション・フロー（情報回廊） 身体
52. Deep Q Network （DQN）とは • Q = 予想される報酬 （意思決定関数） • S = State （座標、速度、現在の姿勢） • A = Action （キック、パンチ、波動拳） • R = 報酬 • Q (s,a ) という関数を決める方法 深層ニューラルネットワーク Deep Q Network
53. キャラクターにおける学習の原理 知識 生成 意思決定 Knowledge Making 五感 身体 状態・結果の表現 運動 生成 ニューラル ネットワーク Decision (DQN) Making Motion Making 意思決定 行動の表現 記憶 言語 知識表 現型 世界 インフォメーション・フロー（情報回廊） 身体
54. Deep Q-Learning (2013) 画面を入力 操作はあらかじめ教える スコアによる強化学習 Volodymyr Mnih, Koray Kavukcuoglu, David Silver, Alex Graves, Ioannis Antonoglou, Daan Wierstra, Martin Riedmiller (DeepMind Technologies) Playing Atari with Deep Reinforcement Learning http://www.cs.toronto.edu/~vmnih/docs/dqn.pdf DQN Breakout (Google Deep Mind) https://www.youtube.com/watch?v=TmPfTpjtdgg
55. 学習過程解析 Volodymyr Mnih, Koray Kavukcuoglu, David Silver, Alex Graves, Ioannis Antonoglou, Daan Wierstra, Martin Riedmiller (DeepMind Technologies) Playing Atari with Deep Reinforcement Learning http://www.cs.toronto.edu/~vmnih/docs/dqn.pdf
56. AlphaGO 膨大な棋譜のデータ （人間では多過ぎて 読めない） この棋譜を そっくり打てる ように学習する AlphaGO 自己対戦して 棋譜を貯める この棋譜を そっくり打てる ように学習する
57. • Pπ ロールアウトポリシー（ロールアウトで討つ手を決める。 Pπ（a|s） sという状態でaを討つ確率） • Pσ Supervised Learning Network プロの討つ手からその 手を討つ確率を決める。Pσ（a|s）sという状態でaを討つ確 率。 • Pρ 強化学習ネットワーク。Pρ（学習済み）に初期化。 • Vθ(s’) 局面の状態 S’ を見たときに、勝敗の確率を予測 する関数。つまり、勝つか、負けるかを返します。 Mastering the game of Go with deep neural networks and tree search http://www.nature.com/nature/journal/v529/n7587/full/nature16961.html https://deepmind.com/research/alphago/
58. 囲碁AI： 位置評価関数から位置評価ニューラルネットワークへ Q S Mastering the game of Go with deep neural networks and tree search http://www.nature.com/nature/journal/v529/n7587/full/nature16961.html https://deepmind.com/research/alphago/
59. AlphaGo は３つの要素からなる • DQN（Deep Q Neural Network）2013年 • モンテカルロ木探索 2006年 • 強化学習 1990年代後半
60. モンテカルロ木探索とは （MCTS）
61. 現在の盤面の状態 勝率 : 2/5 勝率 : 4/5 勝率 : 3/5 候補となる手 基本、 乱数による プレイアウト 勝 負
62. より有望そうな枝を試すアルゴリズム プレイヤー 試行回数 3回 掛け金総額 60ドル マシン１ ２回 40ドル マシン２ ４回 80ドル 全試行回数 9回 20ドル/回 マシン３ 報酬合計 W_1（＝８０） W_2（＝７０） W_3（＝1２０） UCB1 80 2∗9 + 60 60 70 2∗9 + 40 40 120 2∗9 + 80 80
63. モンテカルロ木探索の衝撃（2006年） • モンテカルロ木探索は囲碁AIを革新した • 過去10年分の発展を一気になしとげた
64. 次の一手の中で一番 リグレットの値が一番高いノード 現在のゲーム状態 次の一手のゲーム状態 Value 次の次の一手の中で一番 リグレットの値が一番高い ノード 次の次の一手のゲーム状態 次の次の次の一手の中で一番 リグレットの値が一番高いノード 末端 一回シミュレーションを加えたら、それまでのノードに結果を反映してリグレット値を更新
65. 現在のゲーム状態 アクション・バケット 選択された アクション・バケット Openings := if root then WaitUntilContact WaitUntilAmbush PuckStealth 末端のノード Combat := if prev( wait ) then Artillery AttackOrder SpecialOrder UseGate
66. 敵チーム ゲート ＡＩチーム ＡＩチーム
67. Fable Legends Fable Legends Gameplay Demo - IGN Live: E3 2014 https://www.youtube.com/watch?v=hQM_Dw_b0jE
68. AlphaGo は３つの要素からなる • DQN（Deep Q Neural Network）2013年 • モンテカルロ木探索 2004年 • 強化学習 1990年代後半
70. Ralf Herbrich, Thore Graepel, Joaquin Quiñonero Candela Applied Games Group,Microsoft Research Cambridge "Forza, Halo, Xbox Live The Magic of Research in Microsoft Products" http://research.microsoft.com/en-us/projects/drivatar/ukstudentday.pptx Reward for decrease in Wulong Goth’s health Early in the learning process … … after 15 minutes of learning
71. Ralf Herbrich, Thore Graepel, Joaquin Quiñonero Candela Applied Games Group,Microsoft Research Cambridge "Forza, Halo, Xbox Live The Magic of Research in Microsoft Products" http://research.microsoft.com/en-us/projects/drivatar/ukstudentday.pptx Punishment for decrease in either player’s health Early in the learning process … … after 15 minutes of learning
72. Forza motorsports (EA) Jeffrey Schlimmer, "Drivatar and Machine Learning Racing Skills in the Forza Series" http://archives.nucl.ai/recording/drivatar-and-machine-learning-racing-skills-in-the-forza-series/
73. Drivatar (Microsoft, Forza Motorsport) How Forza's Drivatar Actually Works | AI and Games #60 https://www.youtube.com/watch?v=JeYP9eyIl4E
74. Gran Turismo sophy (Sony AI) https://www.gran-turismo.com/jp/gran-turismo-sophy/
75. Gran Turismo sophy (Sony AI) https://www.youtube.com/watch?v=N3LTxdoSZiI https://www.gran-turismo.com/jp/gran-turismo-sophy/
76. https://schedule.gdconf.com/session/game-ai-summit-no-brakes-machine-learning-vehicles-in-star-wars-outlaws/908526
77. GDC 2025 • 学習パイプランの構築 学習パイプライン ゲーム開発パイプライン
78. Colin Gaudreau, Andreas Lasses, Game AI Summit: No Brakes! Machine Learning Vehicles in 'Star Wars Outlaws'Speaker(s):Colin © SQUARE ENIX Gaudreau, Andreas Lasses https://gdcvault.com/play/1035556/Game-AI-Summit-No-Brakes
79. https://www.youtube.com/watch?v=I7U1xleVh_g Colin Gaudreau, Andreas Lasses, Game AI Summit: No Brakes! Machine Learning Vehicles in 'Star Wars Outlaws'Speaker(s):Colin Gaudreau, Andreas Lasses © SQUARE ENIX https://gdcvault.com/play/1035556/Game-AI-Summit-No-Brakes
80. Colin Gaudreau, Andreas Lasses, Game AI Summit: No Brakes! Machine Learning Vehicles in 'Star Wars Outlaws'Speaker(s):Colin Gaudreau, Andreas Lasses https://gdcvault.com/play/1035556/Game-AI-Summit-No-Brakes
81. • ニューラルネットワークモデル Colin Gaudreau, Andreas Lasses, Game AI Summit: No Brakes! Machine Learning Vehicles in 'Star Wars Outlaws'Speaker(s):Colin Gaudreau, Andreas Lasses https://gdcvault.com/play/1035556/Game-AI-Summit-No-Brakes
82. AlphaGo（囲碁） 2014年 AlphaGoがィ・セドル棋士に勝利 ディープラーニング、モンテカルロ木探索を用いて勝利 開発はDeep Mind社
83. Deep Mind社 「Agent 57」 • Atariの古典的なゲーム57個を人間よりうまくプレイできるよう になった Deep Mind社のAI • https://deepmind.com/blog/article/Agent57-Outperformingthe-human-Atari-benchmark
84. ゲーム内容の概要 サムライスピリッツ • • • 泊久信：ニューラルネットワークを用いたAIの格闘ゲー ムへの組み込み，Game Creators Conference 2019（2019） https://bit.ly/gcc2019tomari 対戦格闘ゲーム バトルは自分と相手の１対１ 相手のライフを０にすれば勝ち
85. 全体の校正 プレイヤーAの 行動を学習したモデル ゲーム機 ゲームをプレイ プレイヤーA 泊久信：ニューラルネットワークを用いたAIの格闘ゲー ムへの組み込み，Game Creators Conference 2019（2019） https://bit.ly/gcc2019tomari インターネット ダウンロード ゲーム機 擬似的に プレイヤーAと 対戦 プレイヤーB
86. ニューラルネット構成 前処理 ゲームステート (76項目) Clockwork RNN Softmax キーコード 方向キー4方向 9通り Softmax キーコード 16通り Dense 泊久信：ニューラルネットワークを用いたAIの格闘ゲー ムへの組み込み，Game Creators Conference 2019（2019） https://bit.ly/gcc2019tomari
87. 推論処理の動作 ゲーム 泊久信：ニューラルネットワークを用いたAIの格闘ゲー ムへの組み込み，Game Creators Conference 2019（2019） https://bit.ly/gcc2019tomari 1フレームごとに キーコードを送る 1フレームごとに ゲームステートを送る 学習スレッド
88. https://www.youtube.com/watch?v=kogpW0ZUQLU
89. DQNのさらなる発展 • 最後までスコアに苦しんだゲーム • Montezuma’s Revenge • Pitfall • Solaris • Skiing Agent57: Outperforming the human Atari benchmark （DeepMind） https://deepmind.com/blog/article/Agent57-Outperforming-the-human-Atari-benchmark
90. Montezuma’s Revenge BootDQN + Randomized Prior playing Montezuma's Revenge https://www.youtube.com/watch?v=pqkM1PrIOyI
91. Solaris Agent57 playing Solaris （Google DeepMind） https://www.youtube.com/watch?v=QDb3rmEBTZI
92. Pitfall! NGU playing Pitfall! （Google DeepMind） https://www.youtube.com/watch?v=imAeLt1BPu4
93. Skiing NGU playing Skiing （Google DeepMind） https://www.youtube.com/watch?v=0_67wNXyOcI
94. ディープラーニングの デジタルゲームへの躍進
95. 年 企業 テーマ 2003 Microsoft 「Teo Feng」における強化学習 2005 Microsoft 「Forzamotor Sports」における強化学習 2013 DeepMind AtariのゲームをDQNで学習 2015 DeepMind 囲碁 AlphaGO 2017 AnyLogic 倉庫・機械などモデルのシミュレーション Microsoft 「パックマン」多報酬学習 Hybrid Reward Architecture for Reinforcement Learning 〇 Google 「サッカーシミュレーター」による強化学習の研究 〇 DeepMind 「Capture the flag」によるディープラーニング学習 〇 Microsoft 「AirSim」ドローンシミュレーター 〇 Nvidia 「ドライビングシミュレーター」 Mircrosoft 「TextWorld」アドベンチャーゲームを題材に言語学習 〇 facebook 「CraftAssist」マインクラフト内で会話研究 〇 CarMelon カーネギーメロン大学「MineRL」マインクラフトを使ったAIコンテスト 〇 facebook 「LIGHT」ファンタジーワールドを構築してクラウドワーカーで会話研究 〇 OpenAI 「Dota2」OpenAIによる「OpenAIFive」 〇 DeepMind 「StarCraft2」AlphaStar 〇 DeepMind 「Capture the Flag」QuakeIII エンジン 〇 Nvidia GameGAN「ディープラーニングによるパックマンの目コピー」 〇 DeepMind 「Agent57」AtariのほとんどのゲームをDQN+LSTMなどで学習 〇 OpenAI 「HIDE AND SEEK」かくれんぼを用いたマルチエージェントのカリキュラム学習 〇 2019 2020 Open 〇
96. 年 企業 テーマ 2003 Microsoft 「Teo Feng」における強化学習 2005 Microsoft 「Forzamotor Sports」における強化学習 2013 DeepMind AtariのゲームをDQNで学習 2015 DeepMind 囲碁 AlphaGO 2017 AnyLogic 倉庫・機械などモデルのシミュレーション Microsoft 「パックマン」多報酬学習 Hybrid Reward Architecture for Reinforcement Learning 〇 Google 「サッカーシミュレーター」による強化学習の研究 〇 DeepMind 「Capture the flag」によるディープラーニング学習 〇 Microsoft 「AirSim」ドローンシミュレーター 〇 Nvidia 「ドライビングシミュレーター」 Mircrosoft 「TextWorld」アドベンチャーゲームを題材に言語学習 〇 facebook 「CraftAssist」マインクラフト内で会話研究 〇 CarMelon カーネギーメロン大学「MineRL」マインクラフトを使ったAIコンテスト 〇 facebook 「LIGHT」ファンタジーワールドを構築してクラウドワーカーで会話研究 〇 OpenAI 「Dota2」OpenAIによる「OpenAIFive」 〇 DeepMind 「StarCraft2」AlphaStar 〇 DeepMind 「Capture the Flag」QuakeIII エンジン 〇 Nvidia GameGAN「ディープラーニングによるパックマンの目コピー」 〇 DeepMind 「Agent57」AtariのほとんどのゲームをDQN+LSTMなどで学習 〇 OpenAI 「HIDE AND SEEK」かくれんぼを用いたマルチエージェントのカリキュラム学習 〇 2019 2020 Open 〇
97. DeepMind社「Capture the flag」 によるディープラーニング学習 (2019年)
98. シミュレーション 機械学習 （ディープ ラーニン グ） 現実 https://deepmind.com/blog/article/capture-the-flag-science Human-level performance in 3D multiplayer games with population-based reinforcement learning Max Jaderberg et al. Science 31 May 2019: Vol. 364, Issue 6443, pp. 859-865 DOI: 10.1126/science.aau6249
99. OpenAI「HIDE AND SEEK」 による学習 (2019年)
100. 年 企業 テーマ 2003 Microsoft 「Teo Feng」における強化学習 2005 Microsoft 「Forzamotor Sports」における強化学習 2013 DeepMind AtariのゲームをDQNで学習 2015 DeepMind 囲碁 AlphaGO 2017 AnyLogic 倉庫・機械などモデルのシミュレーション Microsoft 「パックマン」多報酬学習 Hybrid Reward Architecture for Reinforcement Learning Google 「サッカーシミュレーター」による強化学習の研究 DeepMind 「Capture the flag」によるディープラーニング学習 Microsoft 「AirSim」ドローンシミュレーター Nvidia 「ドライビングシミュレーター」 Mircrosoft 「TextWorld」アドベンチャーゲームを題材に言語学習 〇 facebook 「CraftAssist」マインクラフト内で会話研究 〇 CarMelon カーネギーメロン大学「MineRL」マインクラフトを使ったAIコンテスト 〇 facebook 「LIGHT」ファンタジーワールドを構築してクラウドワーカーで会話研究 〇 OpenAI 「Dota2」OpenAIによる「OpenAIFive」 〇 DeepMind 「StarCraft2」AlphaStar 〇 DeepMind 「Capture the Flag」QuakeIII エンジン 〇 Nvidia GameGAN「ディープラーニングによるパックマンの目コピー」 〇 DeepMind 「Agent57」AtariのほとんどのゲームをDQN+LSTMなどで学習 〇 OpenAI 「HIDE AND SEEK」かくれんぼを用いたマルチエージェントのカリキュラム学習 〇 2019 2020 Open 〇 〇
101. 「かくれんぼ」によってマルチエージェ ントを学習させる https://openai.com/blog/emergent-tool-use/ • オブジェクトがあって、動かしたり固 定したりできる。 • オブジェクトは直方体、傾斜台、長い 板がある。 • 一度固定したオブジェトは動かせない • エージェントは次第にオブジェクトを 利用してかくれんぼをするようになる • ６種類の戦術を順番に発見・学習して いく Emergent Tool Use From Multi-Agent Autocurricula (2019) Bowen Baker, Ingmar Kanitscheider, Todor Markov, Yi Wu, Glenn Powell, Bob McGrew, Igor Mordatch https://arxiv.org/abs/1909.07528
102. Multi-Agent Hide and Seek (OpenAI) https://www.youtube.com/watch?v=kopoLzvh5jY
103. ビックデータ ｘ ディープラーニング から シミュレーション ｘ ディープラーニング へ
104. 技術の変わり目 シミュレーション ｘ ディープラーニング シミュレーションでデータを貯めてディープラーニングを行う 強化学習 ビックデータ ｘ ディープラーニング データが貯まるところでディープラーニングを行い特徴抽出を行う 教師あり学習
105. DeepMind社「Capture the flag」による ディープラーニング学習 シミュレーション 機械学習 （ディープ ラーニン グ） 現実 https://deepmind.com/blog/article/capture-the-flag-science
106. Google 「サッカーシミュレーター」による強化学習の 研究 シミュレーション 機械学習 （ディープ ラーニン グ） 現実 https://www.youtube.com/watch?v=F8DcgFDT9sc&t=4s https://automaton-media.com/articles/newsjp/20190613-95002/ https://ai.googleblog.com/2019/06/introducing-google-research-football.html
107. Microsoft 「AirSim」による強化学習の研究 シミュレーション 機械学習 （ディープ ラーニン グ） 現実 https://www.youtube.com/watch?v=-WfTr1-OBGQ&t=9s https://microsoft.github.io/AirSim/
108. Nvidia「ドライビングシミュレーター」による強化学習 の研究 シミュレーション 機械学習 （ディープ ラーニン グ） 現実 Neural Reconstruction Engine in NVIDIA DRIVE Sim (NVIDIA) https://www.youtube.com/watch?v=vgot-CK1xRk&t=5s https://www.nvidia.com/en-us/self-driving-cars/drive-constellation
109. Rainbow Six Siege のAIボットの作り方 https://schedule.gdconf.com/session/machine-learning-summit-rainbow-six-siege-operation-bots/908153
110. Alex Busby, Joshua Romoff Machine Learning Summit: 'Rainbow Six Siege': Operation BotsSpeaker https://gdcvault.com/play/1035224/Machine-Learning-Summit-Rainbow-Six
111. Alex Busby, Joshua Romoff Machine Learning Summit: 'Rainbow Six Siege': Operation BotsSpeaker https://gdcvault.com/play/1035224/Machine-Learning-Summit-Rainbow-Six
112. • ユーザー位置統計情報 機械学習トレーニング Alex Busby, Joshua Romoff Machine Learning Summit: 'Rainbow Six Siege': Operation BotsSpeaker https://gdcvault.com/play/1035224/Machine-Learning-Summit-Rainbow-Six
113. ファイル（ちゃんとフォーマット決めてます）に貯めます Alex Busby, Joshua Romoff Machine Learning Summit: 'Rainbow Six Siege': Operation BotsSpeaker https://gdcvault.com/play/1035224/Machine-Learning-Summit-Rainbow-Six
114. • データパイプラインだって完備 いろんなデータを貯める Alex Busby, Joshua Romoff Machine Learning Summit: 'Rainbow Six Siege': Operation BotsSpeaker https://gdcvault.com/play/1035224/Machine-Learning-Summit-Rainbow-Six
115. • Machine Learning Summit: 'Rainbow Six Siege': Operation Bots, Alex Busby, Joshua Romoff • https://gdcvault.com/play/1035224/Machine-LearningSummit-Rainbow-Six
116. https://schedule.gdconf.com/session/game-ai-summit-llm-as-core-gameplay-co-creative-storytelling-in-1001-nights/909299 • LLMで物語生成 Yuqian Sun Game AI Summit: LLM as Core Gameplay: Co-Creative Storytelling in '1001 Nights https://gdcvault.com/play/1035179/Game-AI-Summit-LLM-as
118. Yuqian Sun Game AI Summit: LLM as Core Gameplay: Co-Creative Storytelling in '1001 Nights https://gdcvault.com/play/1035179/Game-AI-Summit-LLM-as
119. Yuqian Sun Game AI Summit: LLM as Core Gameplay: Co-Creative Storytelling in '1001 Nights https://gdcvault.com/play/1035179/Game-AI-Summit-LLM-as
120. Yuqian Sun Game AI Summit: LLM as Core Gameplay: Co-Creative Storytelling in '1001 Nights https://gdcvault.com/play/1035179/Game-AI-Summit-LLM-as
121. Yuqian Sun Game AI Summit: LLM as Core Gameplay: Co-Creative Storytelling in '1001 Nights https://gdcvault.com/play/1035179/Game-AI-Summit-LLM-as
122. Yuqian Sun Game AI Summit: LLM as Core Gameplay: Co-Creative Storytelling in '1001 Nights https://gdcvault.com/play/1035179/Game-AI-Summit-LLM-as
123. https://www.youtube.com/watch?v=4MhwdNl2nkI
124. 第ニ部 ゲーム内側から構成するAI
125. ゲームと人工知能の関係 ゲームを外側から プレイするAI ゲームAI ゲーム内側から 構成するAI ゲームを作り出す 人工知能 将棋、チェス、囲碁… アカデミックで研究されるAI アカデミックではゲームを製作する、 ということはなかなかできない・しない マリオ、ゼルダ、フォートナイト 産業で開発されるAI ゲームを構成するAI ゲームを管理する人工知能 ゲームを製作する人工知能
126. ゲームと人工知能の関係 ゲームを外側から プレイするAI ゲームAI ゲーム内側から 構成するAI ゲームを作り出す 人工知能 将棋、チェス、囲碁… アカデミックで研究されるAI アカデミックではゲームを製作する、 ということはなかなかできない・しない マリオ、ゼルダ、フォートナイト 産業で開発されるAI ゲームを構成するAI ゲームを管理する人工知能 ゲームを製作する人工知能
127. ボードゲームの人工知能 ボードゲーム 時間：ターンベース 空間：グリッド 非連続時間、非連続空間 ＝AIが考えやすい 一般の デジタルゲーム 時間：連続空間 空間：連続時間 連続時間、連続空間 ＝AIにとってなかなかヘビー
128. ボードゲームの人工知能 時間：ターンベース 空間：グリッド ボードゲーム 一般の デジタルゲーム 非連続時間、非連続空間 ＝AIが考えやすい ＝でも難しい ＝最善手を長時間考える 時間：連続空間 空間：連続時間 連続時間、連続空間 ＝AIにとってなかなかヘビー ＝1/60秒近くで意思決定 ＝最善手でなくていい
129. ゲームには２つのルーツがある ・アクションゲーム ・物語ゲーム どちらもその誕生に人工知能が深く関係している
130. 二つのゲームの潮流に必要なAI 物語的 ゲーム 物語を進行するAIと 物語の中で役を演じるAI デジタルゲーム アクション ゲーム ゲームの空間でうまく運動するAIと 環境や状況をリアルタイムで認識するAI
131. 二つのゲームの潮流に必要なAI 物語的 ゲーム 物語るAI 演技的AI デジタルゲーム アクション ゲーム 人工生命 エージェント
132. ゲームには２つのルーツがある ・アクションゲーム ・物語ゲーム どちらもその誕生に人工知能が深く関係している
133. 第二章 第一節 アクションゲーム 第二節 物語ゲーム
134. 公開された「パックマン」仕様書 岩谷徹, 高橋ミレイ , 三宅陽一郎, “ゲームAI の原点『パックマン』はいかにして生み出されたのか？： 岩谷 徹インタビュー,” 人工知能,Vol.34, No.1 pp.86-99., 2019. Japanese Society of Artificial Intelligence,No.1, 2019. Anyone can download the article: https://jsai.ixsq.nii.ac.jp/ej/index.php?active_action=repository_view_main_item_detail&page_id=13&block_id=23&item_id=9670&item_no=1
135. PAC-MAN • PAC-MAN • https://www.youtube.com/watch?v=zYM5RlgNmZg
136. パックマン パックマン（PAC-MAN） Bandai Namco Entertainment https://www.youtube.com/watch?v=WbqC-sP3eUQ
137. パックマンのAI技術 ① モンスターの２つの波状攻撃 ② モンスターの個性的な行動と間接的な協調 ③ 生体タイミングコントロール ④ それぞれのレベルにおけるスピードコントロール
138. パックマンのAI技術 ① モンスターの２つの波状攻撃 ② モンスターの個性的な行動と間接的な協調 ③ 生体タイミングコントロール ④ それぞれのレベルにおけるスピードコントロール
139. AI Monsters’ Behavior Policy: PAC-MAN 波状攻撃 ４体のモンスターが同時に攻撃 ２つのモード 集合（攻撃）と離散（休み）を一定時間ごとに繰り返す
140. モンスターの２つのモード: 集合と離散 集合モード 離散モード
141. ３つの波状攻撃タイミングテーブル A 7 7s B 7 7s 5 C, D 5s 27 34 20s 7s 54 59 20s 5s 27 34 20s 7s 25 30 20s 5s 54 59 20s 20s 79 84 20s (sec) 5s (sec) 5s 50 55 5s Monster Rest(四隅で待機) (sec) Monster Attack（一斉に攻撃）
142. パックマンのAI技術 ① モンスターの２つの波状攻撃 ② モンスターの個性的な行動と間接的な協調 ③ 生体タイミングコントロール ④ それぞれのレベルにおけるスピードコントロール
143. ４匹の攻撃の方法にバリエーションを持たせる モンスター 波状攻撃の状態 包囲攻撃 離散 アカ 常にパックマンのいるマス （８ｘ８ドット）を追う プレイフィールド上の右上付近を 動き回る． ピンク パックマンの口先の３つ先の マスを目指す プレイフィールド上の左上付近を 動き回る． シアン 赤モンスターのパックマンを 中心とした点対称を目指す プレイフィールド上の右下付近を 動き回る． オレンジ パックマンから半径約１３０ プレイフィールド上の左下付近を ドットの外では赤モンスターの 動き回る． 性格を持ち、半径内ではパック マンと無関係にランダムに動く
144. パックマンの周囲の位置取り Surrounding around a PAC-MAN
145. パックマンのAI技術 ① モンスターの２つの波状攻撃 ② モンスターの個性的な行動と間接的な協調 ③ 生成タイミングコントロール ④ それぞれのレベルにおけるスピードコントロール
146. モンスター出現数 244個 A 2匹 (食べたえさの数) 90個 30個 ３匹 ４匹 50個 B C ３匹 ４匹 ４匹
147. パックマンのAI技術 ① モンスターの２つの波状攻撃 ② モンスターの個性的な行動と間接的な協調 ③ 生体タイミングコントロール ④ それぞれのレベルにおけるスピードコントロール
148. SPEED PATTERN SPEED A Ｂ Ｃ Ｄ 22 21 ② ② 20 ① ① 19 ② 18 17 ② 16 ① ① 15 14 13 12 イジケ 11 10 イジケ 9 8 7 ワープ イジケ ワープ ワープ ワープ イジケ
149. デジタルゲームAI入門① （キャラクターAI）
150. MCS-AI動的 連携モデル エージェントを動的に配置 レベル状況を監視 エージェントに指示 ゲームの流れを作る メタAI ゲーム全体をコントロール Ask & Report 敵・味方 キャラクタ－ Order 頭脳として機能 キャラクターAI プレイヤー レベル レベルを認識し、 自律的な判断を行い、 身体を動かす． query 情報獲得 Support スパーシャルAI query 空間全般に関する思考 メタAI, キャラクターAIの為に 空間認識のためのデータを準備 ナビゲーション・データの管理 パス検索 戦術位置解析 オブジェクト認識
151. スパーシャルAI ナビゲーションAI メタAI (ゲームの3D化) 1994 LS-Modelモデル LCN-AI連携モデル MCN-AI連携モデル レベルスクリプト スクリプティッドAI 1999 (スクリプティッドAIによる 大型ゲームのキャラクター制御の限界。 自律型AI技術のアカデミックからの流入) 2008 (“LEFT 4 DEAD”ににおけるAI Director) 2005 (ウィル・ライトによる“メタAI”定義) キャラクターAI Xbox360 (2005) PlayStation (1994) 1980 PlayStation3 (2006) 1995 2000 MCS-AI動的連携モデル 2005 2010頃～ （オープンワールド型ゲームの隆盛) 2010 三宅陽一郎、水野勇太、里井大輝、 「メタAI」と「AI Director」の歴史的発展、日本デジタルゲーム学会（2020年、Vol.13, No.2） https://www.jstage.jst.go.jp/article/digraj/13/2/13_1/_article/-char/ja/
152. （2次元時代の例）ロードランナー（1984年9月31日） https://www.youtube.com/watch?v=rR7Fisn6VkQ
153. MCS-AI動的 連携モデル エージェントを動的に配置 レベル状況を監視 エージェントに指示 ゲームの流れを作る メタAI ゲーム全体をコントロール Ask & Report 敵・味方 キャラクタ－ Order 頭脳として機能 キャラクターAI プレイヤー レベル レベルを認識し、 自律的な判断を行い、 身体を動かす． query 情報獲得 Support スパーシャルAI query 空間全般に関する思考 メタAI, キャラクターAIの為に 空間認識のためのデータを準備 ナビゲーション・データの管理 パス検索 戦術位置解析 オブジェクト認識
154. 情報処理過程 認識の 形成 情報 統合 意思の 決定 運動の 構成 運動創出過程 運動 統合 意思決定 モジュール 意思決定 モジュール 記憶体 記憶 意思決定 モジュール 身体 制御 知能の世界 身体部分 センサー・ 身体 環境世界 エフェクター・ 身体
155. ゲームの進化と人工知能 FC SFC SS, PS PS2,GC,Xbox Hardware （スペースインベーダー、タイトー、1978年） 単純な世界の シンプルなＡＩ DC 1999 Xbox360, PS3, Wii 2005 （次世代） 時間軸 （アサシンクリード、ゲームロフト、2007年） 複雑な世界の 複雑なＡＩ ゲームも世界も、ＡＩの身体と内面もますます複雑になる。
156. (例) スペースインベーダー(1978) （スペースインベーダー、タイトー、1978年） プレイヤーの動きに関係なく、決められた動きをする
157. （例）プリンス・オブ・ペルシャ （プリンスオブペルシャ、1989年） 「プリンス・オブ・ペルシャ」など、 スプライトアニメーションを用意する必要がある場合、 必然的にこういった制御となる。
158. ３Ｄゲームの中のＡＩ Halo The Illusion of Intelligence - Bungie.net Downloads http://downloads.bungie.net/presentations/gdc02_jaime_griesemer.ppt （ＨＡＬＯ、バンジー、2001年） デバッグ画面
159. Ralf Herbrich, Thore Graepel, Joaquin Quiñonero Candela Applied Games Group,Microsoft Research Cambridge "Forza, Halo, Xbox Live The Magic of Research in Microsoft Products" http://research.microsoft.com/en-us/projects/drivatar/ukstudentday.pptx Reward for decrease in Wulong Goth’s health Early in the learning process … … after 15 minutes of learning
160.  Session Name: AI Summit: Multi-Agent Reinforcement Learning Invades MMORPG: 'Lineage Clone Wars'  Speaker(s): Jinhyung Ahn, Inseok Oh  Company Name(s): NCSOFT, NCSOFT  Track / Format: AI Summit  https://www.gdcvault.com/play/ 1027645/AI-Summit-MultiAgent-Reinforcement
161. 強化学習によるキャラクター制御（2023） https://schedule.gdconf.com/session/multi-agent-reinforcement-learning-with-roller-champions/890285
162. https://schedule.gdconf.com/session/facul-the-first-fps-ai-companion-who-understands-human-language/907109 NPCと音声で対話しながらゲームを進める
163. Elvis Liu F.A.C.U.L.: The First FPS AI Companion Who Understands Human Language https://gdcvault.com/play/1035262/F-A-C-U-L
164. Elvis Liu F.A.C.U.L.: The First FPS AI Companion Who Understands Human Language https://gdcvault.com/play/1035262/F-A-C-U-L
165. Elvis Liu F.A.C.U.L.: The First FPS AI Companion Who Understands Human Language https://gdcvault.com/play/1035262/F-A-C-U-L プレイヤーとAIが音声で対話する
169. デジタルゲームAI入門② （スパーシャルAI）
170. MCS-AI動的 連携モデル エージェントを動的に配置 レベル状況を監視 エージェントに指示 ゲームの流れを作る メタAI ゲーム全体をコントロール Ask & Report 敵・味方 キャラクタ－ Order 頭脳として機能 キャラクターAI プレイヤー レベル レベルを認識し、 自律的な判断を行い、 身体を動かす． query 情報獲得 Support スパーシャルAI query 空間全般に関する思考 メタAI, キャラクターAIの為に 空間認識のためのデータを準備 ナビゲーション・データの管理 パス検索 戦術位置解析 オブジェクト認識
171. ネットワーク上のグラフ検索法 A*法 ゴール地点がわかっている場合、現在のノードとゴールとの推定距離（ヒューリスティック距離） を想定して、トータル距離を取り、それが最少のノードを探索して行く。 各ノードの評価距離＝出発点からの経路＋ヒューリスティック距離 V P Q W R X S A O B 3 7 N F 6 3 E M 4 L Ｓ 4 C 3 5 2 K T 3 G 2 2 3 H U 5 5 D 3 J Ｇ Z I Y ヒューリスティック距離 (普通ユークリッド距離を取る) 5+10.5 G 3+14.2 B 6+8.4 H 3+13.8 C 出発点（Ｓ）を中心に、そのノードまでの 最も短い経路を形成して行く。Gにたどり着いたら終了。
172. パス検索（デモと実例） RTS - Pathfinding A* https://www.youtube.com/watch?v=95aHGzzNCY8 Dragon Age pathfinding program put to the test (UniversityofAlberta) https://www.youtube.com/watch?v=l7YQ5_Nbifo
173. （オブジェクト）扉 （オブジェクト） 動かせる : (1.0,0.8)向き 持ち上げる: false 上に乗れる： false 硬さ： 0.9 重たさ： 0.4 （メッシュ） コスト : 0.5 見通し: 1.0 地表： 土 （メッシュ） コスト : 0.8 見通し: 0.7 地表： 沼 （オブジェクト） アクション：レバー倒す 効果： 扉が開く メッシュ同士の リンク情報
174. スパーシャルAI 位置検索技術 パス検索 空間解析 スマートオブジェクト など多数 状況解析 影響マップ など多数
175. プレイヤー予測経路（ゴールデンパス） M. Jack , M. Vehkala, “Spaces in the Sandbox: Tactical Awareness in Open World Games,” GDC 2013, https://www.gdcvault.com/play/1018136/Spaces-in-the-Sandbox-Tactical
176. ゴールデンパスに沿った位置検索技術 ゴールデンパス プレイヤーの 予想目標地点 プレイヤーの現在位置 ゴールデンパス上で、20m以上プレイヤーから離れて、 40m以内にある場所で、ゴールデンパスから幅10mの領域でポイントを見つける
177. Tom Mathews Making "Big Data" Work for 'Halo': A Case Study http://ai-wiki/wiki/images/d/d8/AI_Seminar_177th.pdf
178. 位置検索システム
179. 位置検索システム - キャラクターの性能に応じて - 地形毎に - リアルタイムで 最も適したポイントを見つけるシステム
182. M. Jack , M. Vehkala, “Spaces in the Sandbox: Tactical Awareness in Open World Games,” GDC 2013, https://www.gdcvault.com/play/1018136/Spaces-in-the-Sandbox-Tactical
183. M. Jack , M. Vehkala, “Spaces in the Sandbox: Tactical Awareness in Open World Games,” GDC 2013, https://www.gdcvault.com/play/1018136/Spaces-in-the-Sandbox-Tactical
184. M. Jack , M. Vehkala, “Spaces in the Sandbox: Tactical Awareness in Open World Games,” GDC 2013, https://www.gdcvault.com/play/1018136/Spaces-in-the-Sandbox-Tactical
185. M. Jack , M. Vehkala, “Spaces in the Sandbox: Tactical Awareness in Open World Games,” GDC 2013, https://www.gdcvault.com/play/1018136/Spaces-in-the-Sandbox-Tactical
186. M. Jack , M. Vehkala, “Spaces in the Sandbox: Tactical Awareness in Open World Games,” GDC 2013, https://www.gdcvault.com/play/1018136/Spaces-in-the-Sandbox-Tactical
187. スパーシャルAI 位置検索技術 パス検索 空間解析 スマートオブジェクト など多数 状況解析 影響マップ など多数
188. スマートオブジェクト、スマートロケーション 物の方に人工知能を持たせて、物からキャラクターを操る仕組み
189. スマート環境アクター スペース オブジェクト（物） ポイント（座標） ドア 制御 制御 制御 ドアノブ エージェント エージェント エージェント スマートスペース スマートオブジェクト スマートポイント
190. 主客転換制御 エージェント 環境アクター エージェント スマート 環境アクター 転換 主体 客体 客体 主体
191. メタAI コミュニケーション スマートスペース コミュニケーション スマートオブジェクト スマートポイント エージェント スマート環境アクター制御 エージェント自律制御 スマート環境アクター制御
195. スマートシティ （物理世界） メタバース （デジタル世界） スパーシャルAI （空間AI） スマートスペース 同期 同期 デジタルツイン空間
196. デジタルゲームAI入門③ （メタAI）
197. MCS-AI動的 連携モデル エージェントを動的に配置 レベル状況を監視 エージェントに指示 ゲームの流れを作る メタAI ゲーム全体をコントロール Ask & Report 敵・味方 キャラクタ－ Order 頭脳として機能 キャラクターAI プレイヤー レベル レベルを認識し、 自律的な判断を行い、 身体を動かす． query 情報獲得 Support スパーシャルAI query 空間全般に関する思考 メタAI, キャラクターAIの為に 空間認識のためのデータを準備 ナビゲーション・データの管理 パス検索 戦術位置解析 オブジェクト認識
198. メタＡＩの歴史 1980 1990 2000 古典的メタAI キャラクターＡＩ技術の発展 現代のメタＡＩ その歴史は古く、1980年代にまでさかのぼる。 その時代と現代のメタＡＩは、異なる点も多いので、 古典的メタＡＩ、現代のメタＡＩと名づけて区別することにしよう。
199. （例）「ゼビウス」（ナムコ、1983） 敵出現テーブル巻き戻し 敵0 敵１ 敵2 敵3 敵4 敵5 『あと面白い機能なんですけれど、 ゼビウスには非常に簡単なAIが組み込まれています。 「プレイヤーがどれくらいの腕か」というのを判断して、 出てくる敵が強くなるんです。 強いと思った相手には強い敵が出てきて、 弱いと思った相手には弱い敵が出てきます。 そういっ たプログラムが組み込まれています。 ゲームの難易度というのは「初心者には難しくて、上級者 には簡単だ」ということが、 ひとつの難易度で(調整を)やっていくと起きてしまうので、 その辺を何 とか改善したいな、ということでそういったことを始めてみたのですけれど、 お陰で割合にあまり上 手くない人でも比較的長くプレイできる、 うまい人でも最後のほうに行くまで結構ドラマチックに楽 しめる、 そういった感じになっています。』 － 遠藤雅伸（出演）、1987、「糸井重里の電視遊戯大展覧会」『遠藤雅伸ゼビウスセミナー』フジテレビ －
200. メタＡＩの歴史 1980 1990 2000 古典的メタAI キャラクターＡＩ技術の発展 現代のメタＡＩ その歴史は古く、1980年代にまでさかのぼる。 その時代と現代のメタＡＩは、異なる点も多いので、 古典的メタＡＩ、現代のメタＡＩと名づけて区別することにしよう。
201. 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 計算によって 求められた 理想的な敵出現数 ユーザーの緊張度 実際の敵出現数 より具体的なアルゴリズム 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
202. 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
203. 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
204. 敵出現領域 背後 前方 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。 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
205. Mike Ambinder, Biofeedback in Gameplay: How Valve Measures Physiology to Enhance Gaming Experience GDC2011, https://www.youtube.com/watch?v=MdT7Qx2oRAg https://www.gdcvault.com/play/1014510/Biofeedback-in-Gameplay-How-Valve Current Hardware Solutio
206. Mike Ambinder, Biofeedback in Gameplay: How Valve Measures Physiology to Enhance Gaming Experience GDC2011, https://www.youtube.com/watch?v=MdT7Qx2oRAg https://www.gdcvault.com/play/1014510/Biofeedback-in-Gameplay-How-Valve Heartrate • • Beat to beat interval of blood flow Measure baseline rate and deltas over time http://modmyi.com/forums/ipod-news/711048-nike-heart-rate-monitor-ipod-set-june-1st-release.html http://en.wikipedia.org/wiki/Electrocardiography
207. Mike Ambinder, Biofeedback in Gameplay: How Valve Measures Physiology to Enhance Gaming Experience GDC2011, https://www.youtube.com/watch?v=MdT7Qx2oRAg https://www.gdcvault.com/play/1014510/Biofeedback-in-Gameplay-How-Valve
208. Mike Ambinder, Biofeedback in Gameplay: How Valve Measures Physiology to Enhance Gaming Experience GDC2011, https://www.youtube.com/watch?v=MdT7Qx2oRAg https://www.gdcvault.com/play/1014510/Biofeedback-in-Gameplay-How-Valve SCL + + + + + + Index of arousal Tonic/Phasic responses Minimal lag to stimuli Cheap Robust to movement Lots of measurement sites - - Difficult to associate eliciting events Difficult to determine valence Range is variable across subjects
209. Mike Ambinder, Biofeedback in Gameplay: How Valve Measures Physiology to Enhance Gaming Experience GDC2011, https://www.youtube.com/watch?v=MdT7Qx2oRAg https://www.gdcvault.com/play/1014510/Biofeedback-in-Gameplay-How-Valve
210. Mike Ambinder, Biofeedback in Gameplay: How Valve Measures Physiology to Enhance Gaming Experience GDC2011, https://www.youtube.com/watch?v=MdT7Qx2oRAg https://www.gdcvault.com/play/1014510/Biofeedback-in-Gameplay-How-Valve
211. Mike Ambinder, Biofeedback in Gameplay: How Valve Measures Physiology to Enhance Gaming Experience GDC2011, https://www.youtube.com/watch?v=MdT7Qx2oRAg https://www.gdcvault.com/play/1014510/Biofeedback-in-Gameplay-How-Valve Problem-Solving Scanning
212. Procedural Generation in WarFrame • Warframe ではダンジョンが自動生成される。 Daniel Brewer, AI Postmortems: Assassin's Creed III, XCOM: Enemy Unknown, and Warframe (GDC2015) http://www.gdcvault.com/play/1018223/AI-Postmortems-Assassin-s-Creed
213. Black Combination in WarFrame • ブロックを組み合わる • 完全に零からの生成 ではない。 このような生成のことを Semi-procedural と言う。 Daniel Brewer, AI Postmortems: Assassin's Creed III, XCOM: Enemy Unknown, and Warframe (GDC2015) http://www.gdcvault.com/play/1018223/AI-Postmortems-Assassin-s-Creed
214. WarFrame における自動生成マップの 自動解析による自動骨格抽出 • 自動生成するだけでなく、自動生成したダンジョンを、自動解 析します。ここでは、トポロジー（形状）検出を行います。
215. WarFrame における自動生成マップの 自動解析によるナビゲーションデータ作成 抽出した骨格に沿って 自動的にナビゲーション・データを作成します。 Daniel Brewer, AI Postmortems: Assassin's Creed III, XCOM: Enemy Unknown, and Warframe (GDC2015) http://www.gdcvault.com/play/1018223/AI-Postmortems-Assassin-s-Creed
216. スタートポイント、出口、目的地の 自動生成 Daniel Brewer, AI Postmortems: Assassin's Creed III, XCOM: Enemy Unknown, and Warframe (GDC2015) http://www.gdcvault.com/play/1018223/AI-Postmortems-Assassin-s-Creed
217. ヒートマップ（影響マップ）を用いて ゲーム中にプレイヤーの周囲を自動解析 ヒートマップ（影響マップ）とは、対象（ここではプレイヤー）を中心に、位置に温度（影響度）を 与える方法です。距離に応じて減衰します。また時間が経つと、周囲に熱が拡散します。 Daniel Brewer, AI Postmortems: Assassin's Creed III, XCOM: Enemy Unknown, and Warframe (GDC2015) http://www.gdcvault.com/play/1018223/AI-Postmortems-Assassin-s-Creed
218. Tactical Map の例 (影響マップ) （例）敵と自分の勢力をリアルタイムに計算する。 4 6 8 4 6 8 4 6 4 6 2 8 8 6 4 2 0 -1 -2 -4 8 8 8 4 2 1 0 -2 -4 8 8 8 6 3 1 0 -2 -4 8 8 8 6 6 4 1 0 -2 -4 4 6 8 6 6 4 4 0 -1 -2 -4 1 2 4 6 6 4 2 2 -4 -5 -3 -3 3 3 3 3 4 2 2 0 -4 -5 -5 -8 3 2 2 2 0 -2 -4 -8 -10 3 8 -10 -4 -4 -2 -4 -2 -4 -2 -4 -2 -4 -4 -2 -4 -4 -2 -1 -8 -6 -4 -2 -10 -8 -4 -2 -10 -8 -8 -4 -2 -10 -8 -8 -4 -2 -8 -8 -8 -8 -8 -4 3 3 3 2 2 1 0 -4 -8 2 2 2 2 1 1 0 -3 -8 -10 1 1 1 1 0 0 -2 -4 -8 -8 -8 -8 -8 0 0 0 0 0 -1 -1 -2 -5 -6 -6 -6 -8 0 0 0 0 -1 -2 -2 -2 -4 -4 -4 -6 -8 -8 -8 -8 0 0 0 0 -1 -2 -2 -2 -2 -2 -2 -2 -2 -2 -2 0 0 0 0 -1 -2 -2 -2 -2 -2 -2 -2 -2 -2 -2 -2 0 0 0 0 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
219. ヒートマップ（影響マップ）を用いて ゲーム中にプレイヤーの周囲を自動解析 「ヒートが増加する＝プレイヤーが近づく点」 「ヒートが減少する＝プレイヤーが遠ざかる点」 Daniel Brewer, AI Postmortems: Assassin's Creed III, XCOM: Enemy Unknown, and Warframe (GDC2015) http://www.gdcvault.com/play/1018223/AI-Postmortems-Assassin-s-Creed
220. アクティブ・エリアセット（Active Are Set） アクティブ・エリアセットは、プレイヤーの周囲の領域で、 リアルタイムにメタAIがゲームを調整する領域 Daniel Brewer, AI Postmortems: Assassin's Creed III, XCOM: Enemy Unknown, and Warframe (GDC2015) http://www.gdcvault.com/play/1018223/AI-Postmortems-Assassin-s-Creed
221. メタAIがアクティブ・エリアセット内で ゲームを調整する 「ヒートが増加する＝プレイヤーが近づく点」なので、モンスターを生成する。 「ヒートが減少する＝プレイヤーが遠ざかる点」なので、モンスターを停止する。 Daniel Brewer, AI Postmortems: Assassin's Creed III, XCOM: Enemy Unknown, and Warframe (GDC2015) http://www.gdcvault.com/play/1018223/AI-Postmortems-Assassin-s-Creed
222. • 2026/4/18 ここまで
223. StarCraft~StarCraft2における 人工知能 （DeepMind, 2019） - 記号主義からディープラーニングへ
224. 年 企業 テーマ 2003 Microsoft 「Teo Feng」における強化学習 2005 Microsoft 「Forzamotor Sports」における強化学習 2013 DeepMind AtariのゲームをDQNで学習 2015 DeepMind 囲碁 AlphaGO 2017 AnyLogic 倉庫・機械などモデルのシミュレーション Microsoft 「パックマン」多報酬学習 Hybrid Reward Architecture for Reinforcement Learning 〇 Google 「サッカーシミュレーター」による強化学習の研究 〇 DeepMind 「Capture the flag」によるディープラーニング学習 〇 Microsoft 「AirSim」ドローンシミュレーター 〇 Nvidia 「ドライビングシミュレーター」 Mircrosoft 「TextWorld」アドベンチャーゲームを題材に言語学習 〇 facebook 「CraftAssist」マインクラフト内で会話研究 〇 CarMelon カーネギーメロン大学「MineRL」マインクラフトを使ったAIコンテスト 〇 facebook 「LIGHT」ファンタジーワールドを構築してクラウドワーカーで会話研究 〇 OpenAI 「Dota2」OpenAIによる「OpenAIFive」 〇 DeepMind 「StarCraft2」AlphaStar 〇 DeepMind 「Capture the Flag」QuakeIII エンジン 〇 Nvidia GameGAN「ディープラーニングによるパックマンの目コピー」 〇 DeepMind 「Agent57」AtariのほとんどのゲームをDQN+LSTMなどで学習 〇 OpenAI 「HIDE AND SEEK」かくれんぼを用いたマルチエージェントのカリキュラム学習 〇 2019 2020 Open 〇
225. StarCraftのAI • Santiago Ontañon, Gabriel Synnaeve, Alberto Uriarte, Florian Richoux, David Churchill, et al.. • “A Survey of Real-Time Strategy Game AI Research and Competition in StarCraft”. IEEE Transactions on Computational Intelligence and AI in games, IEEE Computational Intelligence Society, 2013, 5(4), pp.1-19. hal00871001 • https://hal.archives-ouvertes.fr/hal-00871001
226. FLASH IS BACK! RECENT MATCH vs JAEDONG! on Polypoid - StarCraft - Brood War – 2023 https://www.youtube.com/watch?v=WMue4ublyJc
227. StarCraftの7つのアーキテクチャ (2010-2020)
228. 戦略思考 ハイレベル、抽象的 ３分～ 戦術思考 中間レベル 30秒～1分 知識収集と 学習 スカウティング 反射コントロール 低レベル、物理的 ～1秒 敵のモデル化 戦略決定 小ユニット 部隊形成 戦闘タイミングと 位置 命令プランの構築 ユニットと建築物 の配置 マルチエージェン パス検索 StarCraft 一般的なアーキテクチャ
229. BroodWarBotQ 戦闘 ゴール マネージャー ユニットグループ ベイジアン・ネット 仲介モジュール 資源管理 知能 ワーカー マネージャー マップ マネージャー 技術推定 ユニット フィルター 基地 マネージャー 生産 マネージャー 建築 マネージャー StarCraft BroodWarQ Bot アーキテクチャ
230. 戦略 建築命令マネージャー マクロ マネージャー 資源知能 マネージャー 拡張 マネージャー スカウト マネージャー 供給 マネージャー 部隊 マネージャー 封鎖経路 マネージャー 戦術 タスクマネージャー タスク n 建築設置 モジュール StarCraft SkyNet Bot アーキテクチャ
231. 資源管理 消費 マネージャー AIUR ムード マネージャー 戦闘 部隊マネージャー 防御マネージャー 戦闘マネージャー 仲介モジュール 知能 スカウト マネー ジャー スパイ マネー ジャー 情報マネージャー ワーカー マネージャー 基地 マネージャー 建築 マネージャー 生産 マネージャー StarCraft AIUR Bot アーキテクチャ
232. StarCraft~StarCraft2における 人工知能 （DeepMind, 2019） Oriol Vinyals, et al., “StarCraft II: A New Challenge for Reinforcement Learning”, https://arxiv.org/abs/1708.04782 PySC2 - StarCraft II Learning Environment https://github.com/deepmind/pysc2
233. StarCraft 2: Google DeepMind AlphaStar (A.I.) vs Pro Gamer! https://www.youtube.com/watch?v=FWbVseLiopw
234. https://deepmind.com/blog/article/alphastar-mastering-real-time-strategy-game-starcraft-ii
235. アクション select_rect(p1, p2) or build_supply(p3) or … SC2LE StarCraft II バイナリー StarCraft II API PySC2 エージェント 報酬 -1/0/+1 観察 資源 可能なアクション 建築命令 スクリーン （ゲーム情報） ミニマップ （特定の情報）
236. 評価値 アクション・タイプ ディレイ 命令発行 ユニット選択 ターゲット選択 Value Network Residual MLP MLP MLP Pointer Network Attention 分散表現 分散表現 分散表現 Embedding MLP MLP MLP MLP コア Deep LSTM スカラー エンコーダー Baseline features エンティティ エンコーダー MLP トランス フォーマー ゲーム パラメーター群 エンティティ 空間 エンコーダー ResNet ミニマップ D
237. Oriol Vinyals, et al., “StarCraft II: A New Challenge for Reinforcement Learning”, https://arxiv.org/abs/1708.04782 PySC2 - StarCraft II Learning Environment https://github.com/deepmind/pysc2
238. Oriol Vinyals, et al., “StarCraft II: A New Challenge for Reinforcement Learning”, https://arxiv.org/abs/1708.04782 PySC2 - StarCraft II Learning Environment https://github.com/deepmind/pysc2
239. ゲーム聴衆 の誕生 実際の現場でギャラリー観戦 テレビなどで観戦 インターネットで観戦 日本におけるゲームセンターの対戦文化の流れ（1980年代～） アメリカを中心とするFPS対戦の流れ（2000年前後～） 韓国におけるeスポーツ文化の流れ（1997年～） 世界的なMOBAスタイルの チーム対戦の流れ（2010年～） ゲームセンターの 対戦台 1985 ⅬＡＮ 1990 インターネット 1995 高速インターネット・動画配信 2007
240. Dota2 eSportsで大人気 OpenAI Five: Dota Gameplay https://www.youtube.com/watch?v=UZHTNBMAfAA 解説：『Dota 2』における人間側のチャンピオンチームとAIチームの戦い https://alienwarezone.jp/post/2316
241. OpenAI Five https://openai.com/projects/five/ Christopher Berner, et al.,“Dota 2 with Large Scale Deep Reinforcement Learning” https://arxiv.org/abs/1912.06680
242. ・アクションゲーム ・物語ゲーム
243. ゲームには２つのルーツがある ・アクションゲーム ・物語ゲーム どちらもその誕生に人工知能が深く関係している
244. 第二章 第一節 アクションゲーム 第二節 物語ゲーム
245. TRPG『Dungeons & Drangons』 デジタルゲームの前進となるのは、テーブルトークRPG。「ゲームブック」を題材として、 ゲームマスターがストーリー、キャラクター、ゲーム設定を作り出して、ゲームを語りながら進める。
246. ELIZA(イライザ) （1966年） • 対話型コンピューティングの初めての例 • 簡単な構文解析 • 抽出した語句から質問文を形成 • 対話エージェントのはじまり • 自然言語処理の発展 （自然言語処理は 1950年代から発展している。特に自動翻 訳など） https://ja.wikipedia.org/wiki/ELIZA
247. Eliza →→→→ ChatGPT Eliza ChatGPT https://openai.com/blog/chatgpt
248. ELIZA カウンセラーとしての対話エージェント （ジョセフ・ワイゼンバウム、1966） 拡 張 Ecala DEC社のPDP-10上で動くELIZAの拡張 Dungeon テキストベースのRPG(CRPGの起源) （Don Daglow、のちに Neverwinter Nightを制作） （Don Daglow and Students in Claremont Graduate University, 1975）
249. ELIZA Before Siri and Alexa, there was ELIZA https://www.youtube.com/watch?v=RMK9AphfLco&t=31s
250. テキストアドベンチャーゲーム(1970年代) • テキストベースでプレイヤーと対話する • あらかじめ用意されたスクリプトと、場合分けによって進む • ゲームとプレイヤーとの対話とみなすことができる © 1994 Activision Publishing, Inc. https://store.steampowered.com/app/570580/Zork_Anthology/?l=japanese
251. Let's Play Zork I 01 Deutsch, German https://www.youtube.com/watch?v=sjEoB8Dj0tg
252. Let's Play Zork I 01 Deutsch, German https://www.youtube.com/watch?v=sjEoB8Dj0tg
253. ゲーム内のシステム（主体）と会話 ナラティブの発生 （直接的な語り） 影響を与える 対話をする ユーザー ゲーム システム （語りの主体） 応答した行動をする 成長する 語り手
254. ミステリーハウス （シエラ・オンライン、1980） • 文章＋画像 • テキストアドベンチャーゲームに画像を用いた初めてのゲーム https://ja.wikipedia.org/wiki/%E3%83%9F%E3%82%B9%E3%83%86%E3%83%AA%E3%83%BC%E3%83%8F%E3%82%A6%E3%82%B9
255. ゲーム内のシステムとインタラクション 画像 ナラティブの発生 （間接的な語り） 影響を与える 対話をする 画像 ユーザー 応答した行動をする ゲームシステム （語りの主体） 画像 キャラクター 語り手
256. シムシティ(EA, 1989) 「大事なのは街を構成する建物とか道路じゃなくって、 そこでどんな活動が行われているかってことだと思うんだ 道路を車が走り、電車が動き、人々が動き回り、 常に要素が変化し続ける“動きのある”システム。」 「要素にはそれぞれ他の要素に与える影響、他の要素から受け る影響など、いろいろなデータが含まれていて、いったんこれ が置かれると、他の要素と相互に関係を持ち始めて状態が変化 することになるんだ。」 『ウィル・ライトが明かすシムシティーのすべて』 多摩豊 角川書店 1990 © 2021 Electronic Arts Inc. https://www.ea.com/ja-jp/games/simcity
258. 最上層 ユーザーのアクションの単位の１マス ＜ユーザー・エディット・ウィンドウ＞ 第二階層 （２ｘ２マスを１単位とする） 人口密度、交通渋滞、環境汚染度、ランドバ リュー、犯罪発生率を計算し伝播 第三階層 （４ｘ４マスを１単位とする） 地形の状況を計算し伝播 影響度 計算 影響度 伝播 第四階層 （８ｘ８マスを１単位とする） 人口増加率、消防署、警察署、消防署の影響 力、警察署の影響力を計算し伝播
259. • 岩波のAI
260. Creatures（Millennium, 1996） • 8000ノードのニューラルネットワーク • 物の名前とアクションを学習する Ⓒ Millennium Interactive, Ltd. ※出典Grand, Steve; Cliff, Dave; Mahotra, Anil. (1996). "Creatures: Artificial Life Autonomous Software Agents for Home Entertainment" (PDF). Millennium Technical Report 9601; University of Sussex Technical Report CSRP434. Retrieved 2012-11-12. http://mrl.snu.ac.kr/courses/CourseSyntheticCharacter/grand96creatures.pdf
261. Creatures (Windows 3.1, 1996) [Gameplay] https://www.youtube.com/watch?v=bj7VTa1TL8Q
262. ゲーム内のエージェントと会話 影響を与える 対話をする ユーザー C C 応答した行動をする ナラティブの発生 （間接的な語り） ゲーム システム （語りの主体） 画像 キャラクター 語り手
263. ゲーム内のエージェントと会話 影響を与える 対話をする ユーザー C C 応答した行動をする ナラティブの発生 （間接的な語り） （語りの主体） C キャラクター 語り手
264. ミステリーハウス （シエラ・オンライン、1980） • 文章＋画像 • テキストアドベンチャーゲームに画像を用いた初めてのゲーム https://ja.wikipedia.org/wiki/%E3%83%9F%E3%82%B9%E3%83%86%E3%83%AA%E3%83%BC%E3%83%8F%E3%82%A6%E3%82%B9
265. ゲーム内のエージェントと会話 影響を与える 対話をする ユーザー C C 応答した行動をする ナラティブの発生 （間接的な語り） （語りの主体） 画像 キャラクター 語り手
266. シムシティ(EA, 1989) 「大事なのは街を構成する建物とか道路じゃなくって、 そこでどんな活動が行われているかってことだと思うんだ 道路を車が走り、電車が動き、人々が動き回り、 常に要素が変化し続ける“動きのある”システム。」 「要素にはそれぞれ他の要素に与える影響、他の要素から受け る影響など、いろいろなデータが含まれていて、いったんこれ が置かれると、他の要素と相互に関係を持ち始めて状態が変化 することになるんだ。」 『ウィル・ライトが明かすシムシティーのすべて』 多摩豊 角川書店 1990 © 2021 Electronic Arts Inc. https://www.ea.com/ja-jp/games/simcity
267. 最上層 ユーザーのアクションの単位の１マス ＜ユーザー・エディット・ウィンドウ＞ 第二階層 （２ｘ２マスを１単位とする） 人口密度、交通渋滞、環境汚染度、ランドバ リュー、犯罪発生率を計算し伝播 第三階層 （４ｘ４マスを１単位とする） 地形の状況を計算し伝播 影響度 計算 影響度 伝播 第四階層 （８ｘ８マスを１単位とする） 人口増加率、消防署、警察署、消防署の影響 力、警察署の影響力を計算し伝播
268. ゲーム内のエージェントと会話 影響を与える 操作する ユーザー U U 街全体が 応答した行動をする ナラティブの発生 （間接的な語り） 街のシステム （語りの主体） U 操作ユニット 語り手
269. Creatures（Millennium, 1996） • 8000ノードのニューラルネットワーク • 物の名前とアクションを学習する Ⓒ Millennium Interactive, Ltd. ※出典Grand, Steve; Cliff, Dave; Mahotra, Anil. (1996). "Creatures: Artificial Life Autonomous Software Agents for Home Entertainment" (PDF). Millennium Technical Report 9601; University of Sussex Technical Report CSRP434. Retrieved 2012-11-12. http://mrl.snu.ac.kr/courses/CourseSyntheticCharacter/grand96creatures.pdf
270. Creatures (Windows 3.1, 1996) [Gameplay] https://www.youtube.com/watch?v=bj7VTa1TL8Q
271. ローブ1 ニューロン ローブ2
272. 意思決定ローブ コンセプトローブ （640ニューロン） 注意 名詞 刺激源 認識ローブ 動詞 知能を構成するローブの構成 いろいろ Drives
273. ゲーム内のエージェントと会話 ナラティブの発生 （直接的な語り） 影響を与える 対話をする ユーザー AI キャラクター 応答した行動をする 成長する キャラクター 語り手 ゲーム システム
274. アストロノーカ(muumuu、1998年） 森川幸人, 「テレビゲームへの人工知能技術の利用」, 人工知能学会誌vol.14 No.2 1999-3 http://www.ai-gakkai.or.jp/jsai/whatsai/PDF/article-iapp-7.pdf http://www.1101.com/morikawa/1999-04-10.html
276. 遺伝的アルゴリズムの応用 集団を一定の方向に進化させる方法 新世代 最初の世代 （１００～世代後） 世代を経て進化させる … 1つの世代が次の世代を交配によって産み出す
277. 遺伝的アルゴリズムの仕組み このサイクルをくり返すことで世代を進めて、望ましい集団を産み出す 親① 遺伝子 遺伝子 現世代 次世代 遺伝子 遺伝子 親② 母集団から優秀な親を ２体ピックアップ 遺伝子を掛け合わせる 次世代の子供を産み出す (selection) (crossover) (production)
278. ゲームシステムとしての工夫 • 遺伝的アルゴリズムは集団に対するアルゴリズム →1体のトラップバトルの裏で他の２０体も同じトラップバトルをして、 全体として世代交代をさせている。 全体の適応度の平均値 １日の適応度の伸び 世代交代数
279. ゲーム内のエージェントと会話 ナラティブの発生 （間接的な語り） 影響を与える 対話をする ユーザー AI ゲーム キャラクター システム 応答した行動をする 成長する キャラクター 語り手
280. シーマン（SEGA, 1999） 斎藤 由多加 聞き手：大澤 博隆、三宅 陽一郎 構成：高橋 ミレイ シーマンは来たるべき会話型エージェントの福音となるか？：斎藤由多加インタビュー Will Seaman Lead AI Technology for Interactive Agent? : Yutaka Saito Interview https://jsai.ixsq.nii.ac.jp/ej/?action=pages_view_main&active_action=repository_view_main_item_detail&item_id=8633&item_no=1&page_id=13&block_id=23
281. シーマンの会話 • ルールベース （巨大な分岐）→ • メロディ―言語 評価ベースへ 同じ言葉でも、発音によって意味が異なる 会話を成り立たせるには、文字だけではわからない • 水族館でデモ→不評 • 当時の音声認識デバイスの限界 • 聴こえなかったら「あ？聴こえねえよ」とやり返す→好評
282. メロディ言語 • 「元気」でも発音一つで意味が異なる • さまざまなバリエーションを用意している • 間をコントロールする → 間を空けることで意味を持たせる • 「◦◦じゃねーって言っただろ？」の◦◦の中にいろんな動詞 を入れる
283. 斎藤さんのお言葉 • もっと言うと“頷くだけ”でいい ， ．“頷く”というのは，情報的には無で すよね．でも，そこを共有する仕組みに我々が目を向けていかない限り， 冒頭でおっしゃった，人間と親しく会話をする人工知能をつくる手立ては 見つからないと思います．エージェントというと検索エンジンの代理人み たいに思っておられるんじゃないかと思いますが，何も検索しない，ただ 「マジか…」と言ってくれる 斎藤 由多加 聞き手：大澤 博隆、三宅 陽一郎 構成：高橋 ミレイ シーマンは来たるべき会話型エージェントの福音となるか？：斎藤由多加インタビュー Will Seaman Lead AI Technology for Interactive Agent? : Yutaka Saito Interview https://jsai.ixsq.nii.ac.jp/ej/?action=pages_view_main&active_action=repository_view_main_item_detail&item_id=8633&item_ no=1&page_id=13&block_id=23
284. • 第1・２回（4/19) ここまで
285. レポート課題 • RPGの街で、なるべく、にぎやかで、楽しそうな街を作るために は、どのようなAIシステムにすると良いでしょうか？ 自由に記 述してください。（300～800字）
286. ゲーム内のエージェントと会話 ナラティブの発生 （直接的な語り） 影響を与える 対話をする ユーザー 応答した行動をする 成長する AI キャラクター ゲーム システム キャラクター 語り手
287. The Sims（シム・ピープル, EA, Maxis, 2000） • 自律型エージェントの作る社会を観察するゲーム Richard Evans, Modeling Individual Personalities in The Sims 3, GDC 2010 http://www.gdcvault.com/play/1012450/Modeling-Individual-Personalities-in-The Ken Forbus, “Simulation and Modeling: Under the hood of The Sims” (NorthWerstern大学、講義資料) http://www.cs.northwestern.edu/%7Eforbus/c95-gd/lectures/The_Sims_Under_the_Hood_files/frame.htm
288. The Sims 1 - long gameplay #1 (no commentary) https://www.youtube.com/watch?v=zy0ButIPqq4
289. The Sims における「モチーフ・エンジン」 • AIの人格モデル Motive Engine Data - Needs - Personality - Skills - Relationships Cooking Mechanical Logic Body Etc. Physical - Hunger - Comfort - Hygiene - Bladder Mental - Energy - Fun - Social - Room Sloppy - Neat Shy - Outgoing Serious - Playful Lazy - Active Mean - Nice 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
290. 最適（＝最大効用）な行動を選択する • [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 Hunger +20 Comfort -12 Hygiene -30 Bladder -75 Energy +80 Fun +40 Social +10 Room - 60 Mood +18 Ken Forbus, “Simulation and Modeling: Under the hood of The Sims” (NorthWerstern大学、講義資料) http://www.cs.northwestern.edu/%7Eforbus/c95-gd/lectures/The_Sims_Under_the_Hood_files/frame.htm Toilet - Urinate (+40 Bladder) - Clean (+30 Room) - Unclog (+40 Room) Mood +26 Bathtub - Take Bath (+40 Hygiene) (+30 Comfort) - Clean (+20 Room) Mood +20
291. ムードの計算方法と各パラメーターのウェイトグラフ Ken Forbus, “Simulation and Modeling: Under the hood of The Sims” (NorthWerstern大学、講義資料) http://www.cs.northwestern.edu/%7Eforbus/c95-gd/lectures/The_Sims_Under_the_Hood_files/frame.htm Mood = W_Hunger(X_Hunger) * X_Hunger + W_Engergy(X_Energy) * X_Energy + … -100 0 100 -100 W_Hygiene -100 0 W_Bladder 0 100 -100 W_Social 100 -100 0 W_Room 0 100 -100 W_Hunger 100 -100 0 W_Comfort 0 100 W_Energy 100 -100 0 W_Fun 100
292. 効用(Utility)の計算の仕方 W_Hunger(-80) X_Hunger W_Hunger(60) -80 60 W_Hunger
293. 効用(Utility)の計算の仕方 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 W_Hunger(-80) X_Hunger W_Hunger(60) W_Hunger(90) -80 60 W_Hunger 90
294. 限界効用逓減の法則 Δ（-80 → 60）＝W_Hunger(60)*(60) - W_Hunger(-80)*(-80) Δ (60→90） ＝W_Hunger(90)*(90) - W_Hunger(60)*(60) Δ（-80 → 60） は Δ(60→90） よりずっと大きい Utility for hunger W_Hunger(-80) X_Hunger W_Hunger(60) W_Hunger(90) -80 60 W_Hunger 90
295. 限界効用逓減の法則 ビールは一杯目が一番おいしい 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 W_Hunger(-80) X_Hunger W_Hunger(60) W_Hunger(90) -80 60 W_Hunger 90
296. ゲーム内のエージェントと会話 ナラティブの発生 （直接的な語り） 影響を与える 対話をする ユーザー 応答した行動をする 成長する AI キャラクター ゲーム システム キャラクター 語り手
297. CADIA Populus • 「EveOnline」を作っているCCPは、 レイキャビク大学と共同でエージェント たちの自然な振る舞いを研究した。 CADIA populous (Claudio Pedica) https://www.youtube.com/watch?v=yCw8hB57h4w http://populus.cs.ru.is/node/116
298. HASGE Project (Reykjavik Univ, CCP) http://cadia.ru.is/wiki/public:socialgame:main
299. CADIA Populus Social Engine (2010) (Hannes Vilhjalmsson) https://www.youtube.com/watch?v=qz6X9BdxPBs
300. F-formation (Kendon, 1984) • 人と人が向い合うときに 形成する立ち位置 Paul Marshall,Yvonne Rogers,Nadia Pantidi Using F-formations to analyse spatial patterns of interaction in physical environments http://mcs.open.ac.uk/pervasive/pdfs/MarshallCSCW2011.pdf
301. ゲーム内のエージェントと会話 ナラティブの発生 （直接的な語り） 影響を与える 対話をする ユーザー AI キャラクター 応答した行動をする 成長する キャラクター 語り手
302. ゲーム内のエージェントと会話 影響を与える コマンド ユーザー 仲 間 敵 応答した行動をする ナラティブの発生 （間接的な語り） NPCを通したバトル （語りの主体） →メタAI C 仲間キャラクター・敵キャラクター 語り手
303. 対話エージェントの歴史 リトルコン ワンダー ピューター ピープル イラ イザ テキスト アドベン チャー エミー2 プロジェクト J1,2 パピーラブ アストロ ノーカ The Sims 箱庭・シム系 Creatures シーマン どこでも いっしょ 対話・キャラクター育成系 多数の ゲーム LEFT 4 DEAD The Last of US FFXV ゲーム内 会話系
304. NUVERSE、GPT3をゲームに組み込む ［GDC 2023］GPT-3でNPCの会話を生成。Nuverseが「アース：リバイバル」でチャレンジする，新テクノロ ジーによるゲーム開発の“新たな一歩” https://www.4gamer.net/games/651/G065105/20230325007/
305. Earth revival (Nuverse, 中国のゲーム) • 800ms以下で会話を生成 • アニメーション生成（10 から 20秒の） • …つまり20 時間のコンテンツをわずか48分で生成 • GPT3 • 音声生成 Nuverse lets AI do all the talking and moving of NPCs in Earth: Revival https://premortem.games/2023/03/22/nuverse-lets-ai-do-allthe-talking-and-moving-of-npcs-in-earth-revival/ ジェネレーティブAIでゲーム開発支援！ GDCで発表されたリア ルな事例や取り組みを紹介 https://www.famitsu.com/news/202303/24297009.html
306. ChatGPT と Stable Diffusion を用いた RPG: Tales of Syn • How AI-assisted RPG Tales of Syn utilizes Stable Diffusion and ChatGPT to create assets and dialogues • https://gameworldobserver.com/2023/03/06/tales-of-syn-airpg-stable-diffusion-chatgpt-game • Tales of Syn • https://talesofsyn.com/ • https://twitter.com/_hackmans_/status/1624501399383072768
307. ChatGPT と Stable Diffusion を用いた RPG: Tales of Syn • https://twitter.com/_hackmans_/status/1624501399383072768 • https://talesofsyn.com/
308. Tales of Syn Game - NPC Chat GPT3 Prototype (Tales of Syn) https://www.youtube.com/watch?v=ejw6OI4_lJw
309. 年 企業 テーマ 2003 Microsoft 「Teo Feng」における強化学習 2005 Microsoft 「Forzamotor Sports」における強化学習 2013 DeepMind AtariのゲームをDQNで学習 2015 DeepMind 囲碁 2017 AnyLogic 倉庫・機械などモデルのシミュレーション Microsoft 「パックマン」多報酬学習 Hybrid Reward Architecture for Reinforcement Learning 〇 Google 「サッカーシミュレーター」による強化学習の研究 〇 DeepMind 「Capture the flag」によるディープラーニング学習 〇 Microsoft 「AirSim」ドローンシミュレーター 〇 Nvidia 「ドライビングシミュレーター」 Mircrosoft 「TextWorld」アドベンチャーゲームを題材に言語学習 〇 facebook 「CraftAssist」マインクラフト内で会話研究 〇 CarMelon カーネギーメロン大学「MineRL」マインクラフトを使ったAIコンテスト 〇 facebook 「LIGHT」ファンタジーワールドを構築してクラウドワーカーで会話研究 〇 OpenAI 「Dota2」OpenAIによる「OpenAIFive」 〇 DeepMind 「StarCraft2」AlphaStar 〇 DeepMind 「Capture the Flag」QuakeIII エンジン 〇 Nvidia GameGAN「ディープラーニングによるパックマンの目コピー」 〇 DeepMind 「Agent57」AtariのほとんどのゲームをDQN+LSTMなどで学習 〇 OpenAI 「HIDE AND SEEK」かくれんぼを用いたマルチエージェントのカリキュラム学習 〇 2019 2020 Open 〇 AlphaGO
310. Facebook AIにおけるゲーム会話研究 I (2019) マインクラフトを用いた対話学習(2019)
311. LIGHT（facebook.ai, 2019） • テキストアドベンチャー フレームワーク • クラウドワーカーを用いてゲーム設 計を募集 • クラウドワーカーに役を割り当てて 会話チャットでデータ収集 • この上で自然言語会話を研究 https://parl.ai/projects/light/ https://ai.facebook.com/blog/introducing-light-a-multiplayer-text-adventure-game-for-dialogue-research/
312. https://parl.ai/projects/light/
313. （facebook ai） Prithviraj Ammanabrolu, Jack Urbanek, Margaret Li, Arthur Szlam, Tim Rocktäschel, Jason Weston How to Motivate Your Dragon: Teaching Goal-Driven Agents to Speak and Act in Fantasy Worlds https://arxiv.org/abs/2010.00685
314. https://parl.ai/projects/light/
315. 年 企業 テーマ 2003 Microsoft 「Teo Feng」における強化学習 2005 Microsoft 「Forzamotor Sports」における強化学習 2013 DeepMind AtariのゲームをDQNで学習 2015 DeepMind 囲碁 AlphaGO 2017 AnyLogic 倉庫・機械などモデルのシミュレーション Microsoft 「パックマン」多報酬学習 Hybrid Reward Architecture for Reinforcement Learning 〇 Google 「サッカーシミュレーター」による強化学習の研究 〇 DeepMind 「Capture the flag」によるディープラーニング学習 〇 Microsoft 「AirSim」ドローンシミュレーター 〇 Nvidia 「ドライビングシミュレーター」 Mircrosoft 「TextWorld」アドベンチャーゲームを題材に言語学習 〇 facebook 「CraftAssist」マインクラフト内で会話研究 〇 CarMelon カーネギーメロン大学「MineRL」マインクラフトを使ったAIコンテスト 〇 facebook 「LIGHT」ファンタジーワールドを構築してクラウドワーカーで会話研究 〇 OpenAI 「Dota2」OpenAIによる「OpenAIFive」 〇 DeepMind 「StarCraft2」AlphaStar 〇 DeepMind 「Capture the Flag」QuakeIII エンジン 〇 Nvidia GameGAN「ディープラーニングによるパックマンの目コピー」 〇 DeepMind 「Agent57」AtariのほとんどのゲームをDQN+LSTMなどで学習 〇 OpenAI 「HIDE AND SEEK」かくれんぼを用いたマルチエージェントのカリキュラム学習 〇 2019 2020 Open 〇
316. Microsoft Researchにおけるゲーム会話研究 テキストアドベンチャーゲームを利用した対話学習 (2019)
317. TextWorld • マイクロソフトが構築したテキストアドベンチャーの学習環境 • 50ほどのテキストアドベンチャーを内包している https://www.microsoft.com/en-us/research/project/textworld/ • TextWorld: A Learning Environment for Text-based Games • https://arxiv.org/abs/1806.11532 • • TextWorld: A learning environment for training reinforcement learning agents, inspired by text-based games • https://www.microsoft.com/en-us/research/blog/textworld-a-learning-environmentfor-training-reinforcement-learning-agents-inspired-by-text-based-games/ • • Getting Started with TextWorld • https://www.youtube.com/watch?v=WVIIigrPUJs
318. TextWorld TextWorld: A Learning Environment for Text-based Games https://arxiv.org/abs/1806.11532
319. TextWorld TextWorld: A Learning Environment for Text-based Games https://arxiv.org/abs/1806.11532
320. ゲーム内のエージェントと会話 影響を与える コマンド （語りの主体） ユーザー 応答した行動をする 語り手
321. 年 企業 テーマ 2003 Microsoft 「Teo Feng」における強化学習 2005 Microsoft 「Forzamotor Sports」における強化学習 2013 DeepMind AtariのゲームをDQNで学習 2015 DeepMind 囲碁 2017 AnyLogic 倉庫・機械などモデルのシミュレーション Microsoft 「パックマン」多報酬学習 Hybrid Reward Architecture for Reinforcement Learning 〇 Google 「サッカーシミュレーター」による強化学習の研究 〇 DeepMind 「Capture the flag」によるディープラーニング学習 〇 Microsoft 「AirSim」ドローンシミュレーター 〇 Nvidia 「ドライビングシミュレーター」 Mircrosoft 「TextWorld」アドベンチャーゲームを題材に言語学習 〇 facebook 「CraftAssist」マインクラフト内で会話研究 〇 CarMelon カーネギーメロン大学「MineRL」マインクラフトを使ったAIコンテスト 〇 facebook 「LIGHT」ファンタジーワールドを構築してクラウドワーカーで会話研究 〇 OpenAI 「Dota2」OpenAIによる「OpenAIFive」 〇 DeepMind 「StarCraft2」AlphaStar 〇 DeepMind 「Capture the Flag」QuakeIII エンジン 〇 Nvidia GameGAN「ディープラーニングによるパックマンの目コピー」 〇 DeepMind 「Agent57」AtariのほとんどのゲームをDQN+LSTMなどで学習 〇 OpenAI 「HIDE AND SEEK」かくれんぼを用いたマルチエージェントのカリキュラム学習 〇 2019 2020 Open 〇 AlphaGO
322. Microsoft: Malmo • エージェントを学習させる環境を提供 • https://www.microsoft.com/en-us/research/project/project-malmo/ • https://blogs.microsoft.com/ai/project-malmo-using-minecraft-build-intelligent-technology/ • チュートリアル • https://techcommunity.microsoft.com/t5/azure-ai/introducing-reinforcement-learning-onazure-machine-learning/ba-p/1403028
323. facebook:「CraftAssist」(2019) • マインクラフトでプレイヤーと共同作業可能なAIを 実装するためのオープンソースプラットフォーム https://gigazine.net/news/20190719-craftassistcollaborative-ai-minecraft/ • テキスト会話によって、エージェント（キャラク ター）に意味を解釈させる。「青い家を建てろ」な ど。 CraftAssist: A Framework for Dialogue-enabled Interactive Agents - Facebook Research https://research.fb.com/publications/craftassist-a-framework-for-dialogue-enabledinteractive-agents/ Open-sourcing CraftAssist, a platform for studying collaborative AI bots in Minecraft https://ai.facebook.com/blog/craftassist-platform-for-collaborative-minecraft-bots/ Mojang © 2009-2021.
324. カーネギーメロン大学「MineRL」 • カーネギーメロン大学が NeurIPSで主催するマインクラフトを題材にした • 強化学習コンテストのフレームワーク • https://ai-scholar.tech/articles/treatise/minerl-ai-353 • https://minerl.io/competition/ • https://www.aicrowd.com/challenges/neurips-2020-minerl-competition • 論文 • https://arxiv.org/pdf/1907.13440.pdf • https://arxiv.org/abs/1904.10079 • https://www.microsoft.com/en-us/research/project/project-malmo/ • https://minerl.io/docs/ • https://slideslive.at/38922880/the-minerl-competition?ref=search
325. カーネギーメロン大学「MineRL」 MineRL: A Large-Scale Dataset of Minecraft Demonstrations https://arxiv.org/pdf/1907.13440.pdf Mojang © 2009-2021.
326. ゲーム内のエージェントと会話 影響を与える コマンド ユーザー C 応答した行動をする 仲間キャラクター・敵キャラクター
327. ロードマップ 単に自然言語処理を導入するのではない。 ゲーム産業が独自に築き上げてきた対話エージェントと融合させる。 現在～2024 現在 ゲームとユーザーの間の 応答の意味を問い直す 自然言語会話を含む ユーザーとゲームの間の 新しい関係を模索する 2025~2030 ゲームやキャラクターが 自律的にユーザーと インタラクションする
328. これからの社会とAI
329. 人間と人工知能の違い 時間（イメージ） 殆どの人工知能は与えられたフレーム（問題設定）の 外に出ることはできない。 人間は柔軟にフレーム（問題設定）を創造し 変化させることができる。 空間（論理）
330. 人間と人工知能の違い 時間（イメージ） 人工知能は自問題を作り出すことはない。 殆どの人工知能は与えられたフレーム（問題設定）の 人工知能は人間が与えた問題を解くことしかできない。 外に出ることはできない。 似たような問題さえ解けない。 人間は柔軟にフレーム（問題設定）を創造し 変化させることができる。 空間（論理）
331. 人と人工知能の非対称性 経験 （人間） 人間 人工知能
332. 人と人工知能の非対称性 経験 （人間） 人間 人工知能
333. フレーム（小） ＝人工知能の役割 フレーム フレーム（小） ＝人工知能の役割 人 フレーム フレーム 自分の延長とし ての人工知能 （フレームが つなぐ）
334. フレーム（小） ＝人工知能の役割 フレーム フレーム（小） ＝人工知能の役割 人 フレーム フレーム これは協調ではない。 ＝一体となることが協調ではない ＝他者でありながら、協調する 自分の延長とし ての人工知能 （フレームが つなぐ）
335. デジタル世界のエコシステム（AI, IA, A） 自律性 自律型人工知能 （汎用型人工知能） ＝自分で感じて、判断して、自分で行動する エージェント（小型人工知能） ＝自分で感じて、判断して、自分で行動する（ただし単機能） 全体 埋め込み 性 機能特化型人工知能（専門型人工知能） ＝ある問題のために作られた人工知能 知的アプリケーション（IA） ＝知的機能を実現したアプリケーション アプリケーション（A） ほぼ同義
336. デジタル世界のエコシステム（AI, IA, A） 自律性 人間 自律型人工知能 （汎用型人工知能） ＝自分で感じて、判断して、自分で行動する エージェント（小型人工知能） ＝自分で感じて、判断して、自分で行動する（ただし単機能） 機能特化型人工知能（専門型人工知能） ＝ある問題のために作られた人工知能 知的アプリケーション（IA） ＝知的機能を実現したアプリケーション 全体 埋め込み 性 アプリケーション（A） ほぼ同義
337. 人間 2030年代～ 自律性の獲得 自律型人工知能 2020年代～ 主体性の獲得 AIエージェント 自律型人工知能 AIエージェント AIエージェント 2010年代～ 知的機能 の獲得 知的アプリケーション（IA） IA IA IA アプリケーション（A） 1960年代～ ソフト性の獲得 アプリケーション（A） アプリケーション（A） 1940年代～ コンピュータ・ハードウェア コンピュータ・ハードウェア コンピュータ・ハードウェア
338. 知的アプリケーション（IA） 含まれる 知的アプリケーション（IA） 知的アプリケーション（IA） AIエージェント 含まれる AIエージェント 知的アプリケーション（IA） AIエージェント 知的アプリケーション（IA） 人間 自律型人工知能 関係する 知的アプリケーション（IA） 1970年代からあるが 2020年代に急速に進化 1990年代からあるが 2025年以降急速に進化 まだ存在しないが 2030年代には 飛躍的に進化する
339. 自律性 主体性 知的能力 知能の3要素 説明 自律性 世界の中で自分の自覚を持ち、 環境の中で適切な学習をデザインする 主体性 世界に深く入り込み、自分という行動 の起点を確立し行動する 知的能力 推論、学習、思考、意思決定など 知的な機能の集合
340. 人工知能が導入される場所 ① 人間 ① 拡張人間 ② 人工知能 ② 自律的人工知能 ③ 場 ③インテリジェントな場
341. 人工知能進化の方向 相互に学習する 進 化 発 展 拡張人間 （Augmented Human） 自律側AI （Autonomous AI） 相互に学習する 進 化 発 展 相互に学習する
342. 人工知能進化の方向 ③人と人工知能の 相互作用する場 ①拡張人間 （Augmented Human） 人間を中心として外部へ向かって 環境・空間・身体に宿るインテリジェンス 人間 側 ア ッ プ デ ｜ ト ②自律側AI （Autonomous AI） シンギュラリティ・ライン 一つの存在へとインタグレ―ションし、 新たなる知能を生み出す 現在の人間と人工知能の関係性 人工 知能
343. エー ジェン ト エー ジェン ト エー ジェン ト 知識をやりとり エージェ ント エー ジェン ト マザーAI 生成する （知識を付与） エー ジェン ト 人とコミュニケーション 人 消滅させる （知識を吸い上げる） エー ジェン ト エー ジェン ト 社会 エー ジェン ト エー ジェン ト
344. 第三部 ゲームを作り出す人工知能
345. ゲームと人工知能の関係 ゲームを外側から プレイするAI ゲームAI ゲーム内側から 構成するAI ゲームを作り出す 人工知能 将棋、チェス、囲碁… アカデミックで研究されるAI アカデミックではゲームを製作する、 ということはなかなかできない・しない マリオ、ゼルダ、フォートナイト 産業で開発されるAI ゲームを構成するAI ゲームを管理する人工知能 ゲームを製作する人工知能
346. ジェネレーティブAI
347. ブラウン運動から地形生成 (1987) http://www.kenmusgrave.com http://ja.wikipedia.org/wiki/%E3%83%96%E3%83%A9%E3%82%A6%E3%83%B3%E9%81%8B%E5%8B%95
348. ブラウン運動から地形生成 (1987) http://www.kenmusgrave.com http://ja.wikipedia.org/wiki/%E3%83%96%E3%83%A9%E3%82%A6%E3%83%B3%E9%81%8B%E5%8B%95
349. NO MAN’S SKY (Hello Games, 2016) 宇宙、星系、太陽系、惑星を自動生成する。 http://www.no-mans-sky.com/
350. FarCry2 (Dunia Engine ) デモ http://www.farcry2-hq.com/downloads,18,dunia-engine-nr1.htm 草原自動生成 時間システム 樹木自動生成 動的天候システム 動的天候システム
351. Far Cry 2 Dunia Engine - Growing Vegetation (Far Cry HQ) https://www.youtube.com/watch?v=FI3oR6vqn1Q
352. アメリカ大陸のデータから地形生成（Eidos） https://www.eidosmontreal.com/news/worldgen-painting-the-world-one-layer-at-a-time/
353. L-system による街の自動生成 City Engine(central pictures) http://www.centralpictures.com/ce/ Yoav I H Parish, Pascal Müller http://www.centralpictures.com/ce/tp/paper.pdf George Kelly, Hugh McCabe, A Survey of Procedural Techniques for City Generation http://www.gamesitb.com/SurveyProcedural.pdf
354. VITRUVIO CityEngine Plugin for Unreal Engine https://esri.github.io/cityengine/vitruvio
355. SimCity 4 Engine, Glassbox https://www.youtube.com/watch?v=tKOgo7EFl_w
356. ゲーム自動生成 [参考文献] Cameron Browne,“Evolutionary Game Design”, SpringerBriefs in Computer Science, 2011
357. ゲーム自動生成 [参考文献] Cameron Browne,“Evolutionary Game Design”, SpringerBriefs in Computer Science, 2011
358. ゲーム自動生成 [参考文献] Cameron Browne,“Evolutionary Game Design”, SpringerBriefs in Computer Science, 2011
359. 母集団 Mark J. Nelson, “Bibliography: Encoding and generating videogame mechanics”, IEEE CIG 2012 tutorial URL https://www.kmjn.org/notes/generating_mechanics_bibliography.html Cameron Browne,“Evolutionary Game Design”, SpringerBriefs in Computer Science, 2011 URL https://www.springer.com/jp/book/9781447121787 選 択 評価 前と似て いる 交叉 ゴミ 箱 引き分け になり やすい ポリシー 選択 突然変異 速度が 遅い？ テストプ レイ 整合性 がある か？ ルール チェック
360. ゲーム自動生成 https://jellyjellycafe.com/games/yabalath
361. PCGML PCGRL: Procedural Content Generation via Reinforcement Learning Ahmed Khalifa, Philip Bontrager, Sam Earle, Julian Togelius https://arxiv.org/abs/2001.09212
362. PCGRL: Procedural Content Generation via Reinforcement Learning Ahmed Khalifa, Philip Bontrager, Sam Earle, Julian Togelius https://arxiv.org/abs/2001.09212
363. PCGRL: Procedural Content Generation via Reinforcement Learning Ahmed Khalifa, Philip Bontrager, Sam Earle, Julian Togelius https://arxiv.org/abs/2001.09212
364. PCGRL: Procedural Content Generation via Reinforcement Learning Ahmed Khalifa, Philip Bontrager, Sam Earle, Julian Togelius https://arxiv.org/abs/2001.09212
365. PCGRL参考 • https://twitter.com/togelius/status/1222038094507102208 • https://twitter.com/i/status/1222038094507102208 PCGRL: Procedural Content Generation via Reinforcement Learning Ahmed Khalifa, Philip Bontrager, Sam Earle, Julian Togelius https://arxiv.org/abs/2001.09212
366. PCGRL: Procedural Content Generation via Reinforcement Learning Ahmed Khalifa, Philip Bontrager, Sam Earle, Julian Togelius https://arxiv.org/abs/2001.09212
367. https://medium.com/deepgamingai/game-level-design-with-reinforcement-learning-52b02bb94954
368. PCGRL参考 • https://twitter.com/togelius/status/1222038094507102208 • https://twitter.com/i/status/1222038094507102208
369. 人間が製作し、 人工知能がチェックする Adversarial Reinforcement Learning for Procedural Content Generation Linus Gisslén, Andy Eakins, Camilo Gordillo, Joakim Bergdahl, Konrad Tollmar https://arxiv.org/abs/2103.04847
370. Adversarial Reinforcement Learning for Procedural Content Generation Linus Gisslén, Andy Eakins, Camilo Gordillo, Joakim Bergdahl, Konrad Tollmar https://arxiv.org/abs/2103.04847
371. Adversarial Reinforcement Learning for Procedural Content Generation Linus Gisslén, Andy Eakins, Camilo Gordillo, Joakim Bergdahl, Konrad Tollmar https://arxiv.org/abs/2103.04847
372. Adversarial Reinforcement Learning for Procedural Content Generation Linus Gisslén, Andy Eakins, Camilo Gordillo, Joakim Bergdahl, Konrad Tollmar https://arxiv.org/abs/2103.04847
373. CoG 2021: Adversarial Reinforcement Learning for Procedural Content Generation SEED – Electronic Arts https://www.youtube.com/watch?v=kNj0qcc6Fpg
374. Adversarial Reinforcement Learning for Procedural Content Generation Linus Gisslén, Andy Eakins, Camilo Gordillo, Joakim Bergdahl, Konrad Tollmar https://arxiv.org/abs/2103.04847
375. • アストロノーカと同じ
376. Adversarial Reinforcement Learning for Procedural Content Generation Linus Gisslén, Andy Eakins, Camilo Gordillo, Joakim Bergdahl, Konrad Tollmar https://arxiv.org/abs/2103.04847
377. Adversarial Reinforcement Learning for Procedural Content Generation Linus Gisslén, Andy Eakins, Camilo Gordillo, Joakim Bergdahl, Konrad Tollmar https://arxiv.org/abs/2103.04847
378. メタバースと ジェネレーティブAI
379. 経済原理がメタバースを再生させる お金の形の変化 クレジットカードによる オンライン決済 オンライン上の少額決済 （マイクロトランザクション） 2005 e-コマースの 普及 ブロックチェーン、仮想通貨 の普及 2015 ソーシャル ゲームの普及 インターネットの形の変化 メタバースの 普及
380. 経済から見たゲームとメタバース 運営元 運営元 ポイントを使用 アバター アバター ポイント デジタルゲーム ポイント を購入 メタバース お金 仮想通貨 お金 ユーザー ユーザー
381. デジタル空間への参加の仕方の変化 ゲーム世界 プレイする プレイヤー （主人公） バーチャル アイドル ゲーム世界 （eSports) 応援する・ プロデュース する プロデューサー 観戦する 観戦者 デジタル世界への参加の仕方の変化 メタバース 生産する 一参加者
382. メタバース＝ゲーム空間の解放 オンラインゲーム
383. メタバースとNFT 生産者 NFTオンラインマー ケットプレイスなど、 取り引きの場 購入者 ブロックチェイン上のNFTの仕組み 生産者 メタバース ブロックチェイン上のNFTの仕組み 購入者
384. メタバースとNFT メタバース デジタルコンテンツ 生産者 リンク 購入 購入者 NFT （トークン） ブロックチェイン上の NFTの仕組み このパッケージを NFTと呼ぶこともある
385. 今後、最大のトレンドの一つ メタバース ｘ ジェネレーティブAI How Generative AI is Powering the Future of Creation on Roblox Bloxy News https://www.youtube.com/watch?v=zISxm50eOG8
386. ジャンルごとの目安 90% ２D画像 AI 人間 音声 80% AI 人間 言語 70% AI 3Dモデル 人間 50% 人間 AI 音楽 45% AI 人間 30% アニメーション AI 人間
387. 空間型AIの作成
388. スマート環境アクター スペース オブジェクト（物） ポイント（座標） ドア 制御 制御 制御 ドアノブ エージェント エージェント エージェント スマートスペース スマートオブジェクト スマートポイント
389. 主客転換制御 エージェント 環境アクター エージェント スマート 環境アクター 転換 主体 客体 客体 主体
390. メタAI コミュニケーション スマートスペース コミュニケーション スマートオブジェクト スマートポイント エージェント スマート環境アクター制御 エージェント自律制御 スマート環境アクター制御
391. メタAI コミュニケーション コミュニケーション スマートオブジェクト スマートポイント スマートスペース エージェント コモングラウンド スマート環境アクター制御 エージェント自律制御 スマート環境アクター制御
392. 空間記述表現 （メッシュ） （メッシュ） コスト : 2.5 見通し: 1.0 地表： 土 コスト : 0.5 見通し: 1.0 地表： 床 推奨高度：10m 壁面：ガラス 推奨高度：5m 壁との衝突は 必ず回避してください （メッシュ） コスト : 0.5 見通し: 1.0 地表： 床 推奨高度：10m エージェント （メッシュ） コスト : 0.5 見通し: 1.0 地表： 床 推奨高度：7m エレベーターの入り口： 使用する場合は、 メッセージ001を送ってください ナビゲーション・メッシュ
393. スマートシティ （物理世界） メタバース （デジタル世界） スパーシャルAI （空間AI） スマートスペース 同期 同期 デジタルツイン空間
394. 空間型AIの制御に入る車 メタAI コミュニケーション コミュニケーション スマートスペース スマートオブジェクト スマートポイント エージェント スマート環境アクター制御 エージェント自律制御 スマート環境アクター制御
395. （まとめ）ゲームと人工知能の関係 ゲームを外側から プレイするAI ゲームAI ゲーム内側から 構成するAI ゲームを作り出す 人工知能 将棋、チェス、囲碁… アカデミックで研究されるAI アカデミックではゲームを製作する、 ということはなかなかできない・しない マリオ、ゼルダ、フォートナイト 産業で開発されるAI ゲームを構成するAI ゲームを管理する人工知能 ゲームを製作する人工知能
396. ゲーム、メタバース、 スマートシティ、人工知能
397. ゲーム、メタバース、 スマートシティは 人工知能によって融合する
398. ゲーム 人工知能 メタバース スマート シティ
399. オンラインゲーム 純粋なメタバース （空っぽの空間） オンラインゲーム メタバース 世界観 強固、かつ詳細 なるべく緩い設定 物語 大きな物語を準備 特になし 物語に沿って ユーザーが作り出す イベントが展開 キャラクター 世界、物語の中で 特になし ユーザー （人）の役割 最初から定義 の関係の中で発生 物理空間 物理空間 現実のまま 現実の経済、人間関係 （ソーシャル）、社会、 など無限の要素 不明（実存）
400. スマートシティ ミラーワールド 現実世界 同期 メタAI デジタル ツイン メタバース 都市 現実を認識する 現実を予測する （世界モデルと して機能する）
401. 水平構造(世界のスケールの広がり) 現実世界 スマート シティ ミラーリングによる同期 デジタル世界 メタバース 垂直構造（現実との関連性）
402. スマートシティ ミラーワールド 現実世界 (1) お金の動き (2) 物の動き (3) 人・動物の動き (4) 自然の動き センシングと情報取り込 みによる(1)-(4)の同期 デジタル ツイン 同期 引き写し ロボット・AI・情報提示に よるサービス・干渉 (現実世界 そっくりの メタバース)
403. 現実と同期するメタバース 同期 同期 同期 同期 同期 道路 広場 森 都市 大学
404. 現実とメタバースをつなぐ 本物の鹿 デジタルツイン鹿 同期 （ミラー） メタバース 現実 奈良の鹿ミラーワールド
405. シミュレーション空間 物理＝シミュレーション 混合空間 物理空間
406. 現実世界 情報経路 ゲームエンジン センサー 都市のエージェントの エージェント・ アーキテクチャ エフェクタ 現実世界 デジタル 意思決定・ ツイン シミュレーション
407. 現実世界 情報経路 センサー 都市メタAIの エージェント・ アーキテクチャ エフェクタ 現実世界 シミュレーション エンジン デジタル ツイン × 世界モデル (ディープ ラーニング) 都市の 世界モデルの獲得 世界モデル シミュレーション 意思決定 都市の夢を見る
408. メタバース 知能 （集合知性） 物理世界へ の作用 （指令・行為） 情報収集 （知覚） 物理世界
409. メタバース 意思決定 エフェクター 物理空間 物理空間へ への作用 の作用 人間の叡知 集合知性の エージェント・アーキテクチャ センサー 情報の 蓄積 シミュレー ション による予測 一つの集合知性として機能する 物理空間 からの情報
410. 意識の変容 物理世界 人とデジタル空間の融合 Level III 物理世界 集合知性 Level II 物理世界 メタバース Level I 物理世界 デジタル世界 Level 0 物理世界 機械
411. 物理世界のリアリティ 知覚神経網 活動神経網 知能 作用 （行為） 内的世界 物理世界 反作用 （知覚）
412. シミュレーション世界のリアリティ 知覚神経網 活動神経網 知能 作用 （行為） 内的世界 シミュレーション世界 反作用 （知覚）
413. メタバース 知能 （集合知性） 物理世界へ の作用 （指令・行為） 情報収集 （知覚） 物理世界
414. シミュレーション
415. 今後の展望：実際の都市の3Dモデルによるシミュレーション ゲームエンジンのUnityにPLATEAUのモデルを入れた画面。 石政龍矢 三宅陽一郎「メタAI型スマートシティ形成の提唱－」 第64回土木計画学研究発表大会、2021年12月 モデルは、品川駅周辺のモデル ～都市全体の外観～ ～道路～ PLATEAUは建物のモデル のみなので、市民が実際に 歩くことになる道路は自作。 Pythonでの数値シミュレー ション同様、この道路1つ1 つにサービスの水準を設定 し、市民が通ると効用が得 られるような画面を作る。
416. 仮想空間シミュレーションの動画 石政龍矢 三宅陽一郎「メタAI型スマートシティ形成の提唱－」 第64回土木計画学研究発表大会、2021年12月 シミュレーションを行っている状況を動画で紹介する。 動画内で赤く動いているのが市民である。 市民は品川駅を目指して動き、その過程で効用が計算されるように実装している。
417. メタAI型スマートシティの有効性の検証 （Pythonによる数値シミュレーション） 石政龍矢 三宅陽一郎「メタAI型スマートシティ形成の提唱－」 第64回土木計画学研究発表大会、2021年12月 メタAIの有効性を検証するために、まずはPythonによる数値シミュレーションを行う。 実験で想定すること 市民は、目的地に着くまでに何本かの道路を歩く。市民は、バリアフリーが充実している道路等、その道 路のもともとの公共サービスの充実度（サービスの水準）に応じて、効用を得る。さらに、各道路には一体 ずつAIエージェントが配置され、AIエージェントは市民から一人を選んで公共サービスを行う。選ばれた市 民は、その道路から得られる効用が、さらに増加する。メタAIは、AIエージェントが重複して同じ市民を選 ばないように命令し、公共サービスを広く全体に行き渡らせる。 メタAI 道路1 左の市民は前の道路で選ばれ たので、候補から外しなさい 道路2
418. メタAIのスマートシティへの活用 石政龍矢 三宅陽一郎「メタAI型スマートシティ形成の提唱 －PLATEAUデータを用いたマルチエージェントシミュレーションの観点から－」 第64回土木計画学研究発表大会、2021年12月
419. メタAI型スマートシティの有効性の検証 横軸はシミュレーションの回数、縦軸は社会全体の効用について、 メタAIがある場合の効用から、ない場合の効用を引いたもの メタAIがある場合とない場合の差 全ての状況において、 メタAIを導入した方が社 会全体の効用が高くな る 効用の差 各パターン 石政龍矢 三宅陽一郎「メタAI型スマートシティ形成の提唱－」 第64回土木計画学研究発表大会、2021年12月 ～留意点～ 検証の目的はメタAIが 上手く機能することの確 認であるため、効用の 差の大きさにはあまり 意味はない
420. メタバース
421. メタバースの定義
422. メタバース オンライン ゲーム 現実
423. オンラインゲームとメタバースの違い オンラインゲーム 純粋なメタバース （空っぽの空間） オンラインゲーム メタバース 世界観 強固、かつ詳細 なるべく緩い設定 物語 大きな物語を準備 特になし 物語に沿って ユーザーが作り出す イベントが展開 キャラクター 世界、物語の中で 特になし ユーザー （人）の役割 最初から定義 の関係の中で発生 物理空間 物理空間 現実のまま 現実の経済、人間関係 （ソーシャル）、社会、 など無限の要素 不明（実存）
424. デファクト・メジャーの遷移 検索エンジン ユーザー SNS メタバース ユーザー タイム ライン インタラク ション 検索サーバー デジタル空間
425. 仮想空間のリアリティ 現実の深度 検索エンジン SNS メタバース 現実の情報 現実の情報 現実の情報 現実の人間関係 現実の人間関係 現実の世界の状態
426. デジタル空間の水平構造と垂直構造 水平構造(世界のスケールの広がり) オンライン ゲーム デジタル世界 メタバース 現実世界 垂直構造（現実との関連性）
427. メタバース世界の多様化 時代 2021 2022 Horizon Worlds メタバースと 現実空間・ 経済との融合 2012 The Sandbox メタバースと ゲーム空間の 融合 2008 PlayStation Home 2008 meet-me 2008 ai sp@ce セカンド ライフの影響 2018 2011 2009 Internet Adventure 2006 Roblox 2006 メタバース 創成記 2015 仮想通貨SAND導入(2017年-) 2017 フォートナイト セカンドライフ 2003 EVE ONLINE 2000 Phantasy Star Online UGCを軸とした オンラインゲーム / Phantasy Star Online 2 アイテム課金モデル 仮想通貨の隆盛
428. サンドボックス
429. https://bittimes.net/news/117447.html
430. https://www.youtube.com/watch?v=oi1mis3DGZE
431. SANDBOX • SANDBOX = MineCraft + MMO + NFT + ソシャゲ的要素 • MineCraft要素＝土地を整形＋アイテム作れる • MMO ＝ 多数の人がログイン • NFT ＝ 売れる • ソシャゲ ＝いろんな人が作ったものを買える。アイテム集め。 • アイテムはユーザーが作る（UGC）なので、無限に増える。
432. SANDBOXの歴史 • それ以前 P2Pの会社など４つの会社→P2Pの会社は売却 • 2012年 モバイルゲームとしてスタート • 2016年 続編 • 2017年 行き詰まる → NFT • Ethereumのブロックチェーン上にThe Sandboxを構築すると いう新しい構想 • 2021年 モバイル版のインストール数が合計4,000万件、月間 アクティブユーザー数は最大100万人、クラウド上で7,000万件 の作品を共有する大規模なコミュニティ 「バーチャル空間のデジタル不動産」人気ゲーム The Sandbox COO セバスチャン・ボルジェ氏 （全インタビュー記事） https://blog.btcbox.jp/archives/13452
433. ゲーム作れる https://hedge.guide/feature/sandbox-bc202111.html
434. アニメ―ション作れる
435. アバター作れる
436. 土地買える
437. Sandboxの新しい点？ • これまでもあった。 • セカンドライフとか。 • 何が新しいか？ • ブロックチェインの技術を独自実装 • いろいろな工夫がしやすい • 仮想通貨SANDは、SANDBOX以外の影響を受けない • 対ドルのレートはゲームの人気如何による。見通しが良い。 • あとクリーン。 • デファクトスタンダードを取っている
438. https://www.fisco.co.jp/media/crypto/sandbox-about/#index_id2
439. https://www.fisco.co.jp/media/crypto/sandbox-about/#index_id2
441. https://bittimes.net/news/79128.html
446. https://twitter.com/TheSandboxGame/status/1481626506153668614
447. https://twitter.com/TheSandboxGame/status/1462871109821419523
448. https://www.fisco.co.jp/media/crypto/nftart-about/
449. https://coinpost.jp/?p=302134
450. https://twitter.com/adidasoriginals/status/1471909577658675204
451. https://coinpost.jp/?p=302485
452. メタバースとソーシャル
453. SNS＋ゲーム空間＝メタバース SNSの台頭と拡大 SNS ソーシャル 空間 SNS SN S メタバース ソーシャル 空間 ゲーム 空間 1990 ゲーム 空間 2000 1990年代において ゲームはソロプレイか その場の数人でする ものであった。 ゲーム 空間 ソー シャル 空間 オンラインゲームにおいて 徐々にソーシャル的要素が 入れられていった。SNSに 対抗する必要があった。 ソーシャル 空間 2010 ゲーム的要素の少ないソーシャル 空間をメインとするメタバースが 台頭する。しかし、ゲームとは つながっている。 2020 ゲーム的要素がまったくない、 独立したソーシャル空間が成立 する。SNSの延長としての ソーシャル空間。
454. ゲーム空間とソーシャル空間 の関係 ゲーム空間をメインとしつつ、 その周辺のソーシャル空間を 配置する ソーシャル空間をメインとし つつ、その中にゲーム空間が 埋め込まれる。 関係図 特徴 ゲーム空間を補完する形、或いは ゲーム空間で満たされない部分を ソーシャル空間においてみたすよ うに設計する。たとえば、ゲーム 空間が戦闘であれば、ソーシャル あつ森など 空間は音楽・演劇など。 ゲーム空間 ソーシャル 空間 ゲーム 空間 ゲーム 空間 ゲーム 空間 ソーシャル 空間 ソーシャル空間がメインであり、 そこにそれぞれ独立したゲーム空 間が埋め込まれる。多くの場合、 ユーザーが作成したミニゲームが 点在する形となる。 Roblox Sandbox ゲーム空間-ソーシャル空間 一体型 ゲーム 空間 ソーシャ ル 空間 フォートナイト ゲーム空間とソーシャル空間の区 別ではない。あらゆる場所がゲー ム空間であり、ユーザーが望めば、 あらゆる空間で交流が可能である。
455. メタバース＝ゲーム空間の解放 オンラインゲーム
456. スマートシティとメタバースの融合、 人間の行動変容
457. エージェントを動的に配置 レベル状況を監視 エージェントに指示 ゲームの流れを作る メタAI ゲーム全体をコントロール Ask & Report 敵・味方 キャラクタ－ Order 頭脳として機能 キャラクターAI プレイヤー レベル レベルを認識し、 自律的な判断を行い、 身体を動かす． query 情報獲得 Support スパーシャルAI query 空間全般に関する思考 メタAI, キャラクターAIの為に 空間認識のためのデータを準備 ナビゲーション・データの管理 パス検索 戦術位置解析 オブジェクト認識
458. スマートシティ ミラーワールド センシング デジタル ツイン (現実世界 そっくりの メタバース) 現実世界 相互作用 AIによる干渉
459. スマートシティ ミラーワールド 現実世界 同期 引き写し メタAI デジタル ツイン メタバース 都市 現実を認識する 現実を予測する （世界モデルとし て機能する）
460. 物理世界のリアリティ 知覚神経網 活動神経網 知能 作用 （行為） 内的世界 物理世界 反作用 （知覚）
461. シミュレーション世界のリアリティ 知覚神経網 活動神経網 知能 作用 （行為） 内的世界 シミュレーション世界 反作用 （知覚）
462. 人の知的レベル＝環境との相互作用による知的行動 知的行動の拡大 知的行動 人 環境（世界）
463. 知的行動の拡大 知的行動 人 人の知性の拡大 環境（世界） 他者（自律的存在） 信頼感情の生成
464. スマートシティによる知的行動の拡大 知的行動 知的行動の拡大 人 エージェント メタAI スマートシティ
465. 知的行動の拡大 知的行動 人 エージェント メタAI スマートシティ 人の知性の拡大 メタバース 新しい現実
466. デジタルゲームから現実＝仮想融合世界へ これからの研究：都市のための人工知能の 汎用的フレームの構築 これまでの研究： デジタルゲームの人工知能の 汎用的フレームの構築
467. デジタルゲームから現実＝仮想融合世界へ これからの研究：都市のための人工知能の 汎用的フレームの構築 人工知能が社会 を理解すること これまでの研究： デジタルゲームの人工知能の 汎用的フレームの構築 人工知能が人間 を理解すること
468. レポート課題 • RPGの街で、なるべく、にぎやかで、楽しそうな街を作るために は、どのようなシステムにすると良いでしょうか？ 自由に記述 してください。（300～800字）