Upgrade to Pro — share decks privately, control downloads, hide ads and more …

CEDEC2019: ゲームと機械学習の最前線 〜現状と未来を正しく捉えるために〜

CEDEC2019: ゲームと機械学習の最前線 〜現状と未来を正しく捉えるために〜

CEDEC2019での登壇資料です。
奥村純(株式会社ディー・エヌ・エー)
三宅陽一郎(株式会社スクウェア・エニックス)
長谷洋平(株式会社バンダイナムコスタジオ)

ゲームと機械学習の最前線 〜現状と未来を正しく捉えるために〜
CEDEC2019: The Frontier of Game development and Machine Learning
https://cedec.cesa.or.jp/2019/session/detail/s5c9b199a29c68

Jun Ernesto Okumura

September 06, 2019
Tweet

More Decks by Jun Ernesto Okumura

Other Decks in Technology

Transcript

  1. ゲームと機械学習の最前線

    〜現状と未来を正しく捉えるために〜


    View full-size slide

  2. • 企業や産学の枠を超えて連携できるQAに着目

    “次世代QAとAI”@CEDEC2018

    【CEDEC2018】次世代QAとAI
    動画:https://www.youtube.com/watch?v=iCU2bVrdHLE
    資料:https://www.slideshare.net/dena_genom/qaai-ai

    View full-size slide

  3. • AI研究は引き続き大きく進捗※

    • ゲーム業界でも様々なAI活用事例が増加

    – 導入検証(PoC)→ 本番環境への導入&事業貢献


    • 技術に対する加熱した期待は成熟しつつある

    – 開発・運用にどれくらいインパクトを与えるのか

    – AIを見据えた開発プロセス・体制の模索

    – 運用知見の情報公開とコミュニティ形成

    セッションの開催背景

    ※本講演では、AIと機械学習は区別せずに用います(後述) 


    View full-size slide

  4. • なるべく多くの実用事例を俯瞰したい

    • AIがどの程度使えるのか現実的に議論したい

    • 今後の未来像について語りたい

    セッションのモチベーション


    View full-size slide

  5. • ゲーム×AIの事例を多く知っていただく

    • 現実的な現場の目線や気付き、今後の活用のヒント

    Key Takeaways


    View full-size slide

  6. パネリスト紹介


    View full-size slide

  7. • 株式会社スクウェア・エニックス

    – テクノロジー推進部

    – リードAIリサーチャー

    • 過去に関わったタイトル

    – クロムハウンズ(Xbox360®) 

    – デモンズソウル(PS3®) 

    – アーマードコア5(Xbox360®/PS3®) 

    – Final Fantasy XIV: A Realm Reborn 

    – Final Fantasy XV 

    三宅 陽一郎

    『FINAL FANTASY XV の人工知能 - ゲームAIから見える未来 -』

    View full-size slide

  8. • 株式会社バンダイナムコスタジオ

    – プロジェクトスカイ 技術課

    – リードAIエンジニア


    • ゲームタイトルにおけるAI開発

    • AI関連の先端技術のリサーチ、技術研究


    長谷 洋平

    BLUE PROTOCOLの個性豊かなキャラクターを動かす意思決定システム

    日時:09月06日(金) 13:30 〜 14:30 会場:302

    View full-size slide

  9. • 株式会社ディー・エヌ・エー

    – AI本部AIシステム部

    – AI研究開発エンジニア

    奥村 エルネスト 純

    • ゲームAI・強化学習案件のマネジメント

    • 執筆、コミュニティ活動

    – 『データサイエンティスト養成読本ビジネス活用編』(技術評論社)

    – 強化学習アーキテクチャ勉強会、Data Analyst Meetup Tokyo、GameAI
    Community

    @pacocat

    View full-size slide

  10. 人間と同等かそれ以上に処理を行うためのテクノロジー
    AIを実現するためのアプローチ
    判断や予測を行う能力(モデル)を機械的に学習する
    AIにまつわる用語の整理

    機械学習の一種
    モデルに層の深いニューラルネットワークを利用
    深層学習(ディープラーニング)

    機械学習

    AI(人工知能)


    View full-size slide

  11. 人間と同等かそれ以上に処理を行うためのテクノロジー
    AIを実現するためのアプローチ
    判断や予測を行う能力(モデル)を機械的に学習する
    AIにまつわる用語の整理

    機械学習の一種
    モデルに層の深いニューラルネットワークを利用
    深層学習(ディープラーニング)

    機械学習

    AI(人工知能)

    「ゲームAI」は学術領域で使われている「AI」とは別の独自文脈を持っています。
    本セッションでは、機械学習領域を想定して「
    AI」という言葉を使います。

    View full-size slide

  12. AI(機械学習モデル)の推論


    View full-size slide

  13. AI(機械学習モデル)の学習

    ※ニューラルネットワークを使った「ネコとイヌの分類」の学習イメージ 


    View full-size slide

  14. 強化学習

    環境

    例:ゲームのシミュレータ

    • 環境に対する試行錯誤とそのフィードバックからの自律的な学習

    • 必要なのは環境や報酬で、教師データは使わない

    ある状況で環境に対してある行動を取る 

    報酬(例:ダメージ、勝敗)のフィードバックに従って、 

    より好ましい行動を取るよう訓練されていく 


    View full-size slide

  15. AI活用の現在


    View full-size slide

  16. AI活用の現在

    1 意思決定

    2 QA・デバッグ

    3 異常検知

    4 コンテンツ生成

    5 アニメーション・音声

    6 メタAI


    View full-size slide

  17. AI活用の現在

    1 意思決定

    2 QA・デバッグ

    3 異常検知

    4 コンテンツ生成

    5 アニメーション・音声

    6 メタAI


    View full-size slide

  18. • 人間と同等かそれ以上に賢くゲーム内を行動できるエージェント

    – 不完全情報や長期戦略を扱うタスクでも成功事例が生まれている

    – 深層学習、強化学習、モンテカルロ木探索、ゲーム理論、…

    意思決定:背景

    ※1: https://deepmind.com/blog/article/alphazero-shedding-new-light-grand-games-chess-shogi-and-go
    ※2: https://ai.facebook.com/blog/pluribus-first-ai-to-beat-pros-in-6-player-poker/
    ※3: https://deepmind.com/blog/article/alphastar-mastering-real-time-strategy-game-starcraft-ii
    ※4: https://openai.com/five/
    AlphaZero※1 @ Chess/Shogi/Go
 Pluribus※2 @Poker (No-limit Texas Hold’em)
    
 AlphaStar※3 @StarCraft II

    OpenAI Five※4 @Dota2


    View full-size slide

  19. 1. コンテンツとしての応用

    a. Human vs. AI / e-Sports(ゲーム外の指向)

    b. プレイヤー補助(ゲーム内の指向)

    2. QA文脈での応用※2

    a. エージェントの自動プレイによるテスト(正しく動作しているか)

    b. ゲームバランスの担保(おもしろく遊べるか)

    意思決定:事例の方向性※1

    ※1: 便宜的に分類していますが、実際のユースケースとしてはこれらを組み合わせている場合が多いです
    ※2: QAについては次の項目でも詳述します

    View full-size slide

  20. a. Human vs. AI / e-Sports

    ● StarCraft II(Blizzard)、Dota2(Valve)、

    Blade & Soul(NCSOFT)※1、Arena of Valor(Tencent)※2、…

    意思決定:1. コンテンツ応用

    ※1: Chung & Rho (2019),
    Reinforcement Learning in Action: Creating Arena Battle AI for 'Blade & Soul',
    Game Developers Conference 2019
    深層強化学習を使ったエージェント。バトルスタイルの違いを報酬関数で表現。
    https://www.gdcvault.com/play/1026406/Reinforcement-Learning-in-Action-Creating
    ※2: Wu, B. (2019). Hierarchical Macro Strategy Model for MOBA Game AI.
    Proceedings of the AAAI Conference on Artificial Intelligence, 33(01), 1206-1213.
    大局的な戦略とミクロな個別戦略を階層的に教師あり学習した事例。プロチームにも優位に勝利。
    https://aaai.org/ojs/index.php/AAAI/article/view/3915

    View full-size slide

  21. b. プレイヤー補助(学習、共闘)

    ● 将棋ウォーズ(HEROZ)※1、逆転オセロニア(DeNA)※2、

    サムライスピリッツ(SNK)※3、ZENONZARD(バンダイ)※4、…

    意思決定:1. コンテンツ応用

    ※1: https://shogiwars.heroz.jp/
    ※2: Hammoudi, Okumura, and Tanaka. (2019). Applying AI in Games with DeNA. Game Developers Conference 2019.
    https://www.slideshare.net/juneokumura/applying-ai-in-games-gdc2019
    ※3: 泊. (2019). 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. https://bit.ly/gcc2019tomari
    ※4: https://www.aicarddass.com/zenonzard/
    オセロニア道場:初心者から上級者まで、

    強さを選択できる練習コンテンツ

    サムライスピリッツ「道場モード」:

    特定のプレイヤー挙動を学習して対戦できる


    View full-size slide

  22. a. エージェントの自動プレイによるテスト

    ● 北斗が如く(SEGA)※1、Battlefield V(EA)※2、The Division(Ubisoft)※3、

    意思決定:2. 自動QA

    ※1: 阪上. (2018). QAエンジニアってどんな仕事?
    ~ゲーム開発におけるテストの世界~ .
    SEGA tech blo
    http://techblog.sega.jp/entry/2018/08/27/100000
    ※2: Gillberg. (2019).
    AI for Testing: The Development of Bots that Play 'Battlefield V'.
    Game Developer Conference 2019.
    https://www.gdcvault.com/play/1026308/AI-for-Testing-The-Development
    ※3: Paredes and Jones. (2019).
    Automated Testing: Using AI Controlled Players to Test 'The Division'.
    Game Developer Conference 2019.
    https://www.gdcvault.com/play/1026382/Automated-Testing-Using-AI-Controlled
    北斗が如く:VRAM使用率の可視化

    コリジョン抜け検知

    BattlefieldV:自動テストによる

    クラッシュ検知など

    The Division:自動テストによる

    Stuck検知など


    View full-size slide

  23. b. ゲームバランスの担保

    ● Candy Crush Saga(King)※1、D2メガテン/コトダマン(SEGA)※2、…

    意思決定:2. 自動QA

    ※1: Nodet (2019). Human-Like Playtesting with Deep Learning. Tech at King.
    https://medium.com/techking/human-like-playtesting-with-deep-learning-92adafffe921
    ※2: 松田 剛. (2018).
    モバイルタイトルにおける横断的な機械学習によるレベルデザイン支援システムの構築と運用 .
    CEDEC 2018.
    https://cedec.cesa.or.jp/2018/session/detail/s5ab4926f6d350.htm
    https://gamebiz.jp/?p=218707l
    ● 『D×2 新・女神転生 リベレーション』におけるクエスト難易度調整支援

    ● 『D×2 新・女神転生 リベレーション』におけるマップ設計支援

    ● 『コトダマン』におけるデッキ調整・報酬設定支援

    Candy Crush Saga:教師あり学習で

    テスト工数が1週間→数分に

    遺伝的アルゴリズム、強化学習、ルールベース探索など、

    タイトルやケースに応じた技術の使い分けと運用


    View full-size slide

  24. • アーキテクチャや特徴量設計は統一できるのか?

    • エージェントはどの程度コントロールできるべき?

    • QAはどのように行うべきか?

    • 機械学習の活用に足りていないものはなにか?

    意思決定:論点


    View full-size slide

  25. AI活用の現在

    1 意思決定

    2 QA・デバッグ

    3 異常検知

    4 コンテンツ生成

    5 アニメーション・音声

    6 メタAI


    View full-size slide

  26. QA・デバッグ:背景

    • QA(Quality Assurance; 品質保証)

    – ゲームが仕様通り正しく動作しているかを保証するもの

    – デバッグとは区別されるもの

    • ゲーム開発の複雑化・大規模化

    – 品質管理の自動化が開発コスト面から急務に

    • 外のAI:会社や産学をまたいで連携できる可能性


    View full-size slide

  27. Gillberg. (2019). AI for Testing: The Development of Bots that Play 'Battlefield V'. Game Developer Conference 2019.
    https://www.gdcvault.com/play/1026308/AI-for-Testing-The-Development
    QA・デバッグ:事例


    View full-size slide

  28. Gillberg. (2019). AI for Testing: The Development of Bots that Play 'Battlefield V'. Game Developer Conference 2019.
    https://www.gdcvault.com/play/1026308/AI-for-Testing-The-Development
    QA・デバッグ:事例

    ゲームエンジンのスクリプトを活用してオートプレイ 


    View full-size slide

  29. Paredes and Jones. (2019). Automated Testing: Using AI Controlled Players to Test 'The Division'. Game Developer Conference 2019.
    https://www.gdcvault.com/play/1026382/Automated-Testing-Using-AI-Controlled
    QA・デバッグ:事例


    View full-size slide

  30. Paredes and Jones. (2019). Automated Testing: Using AI Controlled Players to Test 'The Division'. Game Developer Conference 2019.
    https://www.gdcvault.com/play/1026382/Automated-Testing-Using-AI-Controlled
    QA・デバッグ:事例


    View full-size slide

  31. Paredes and Jones. (2019). Automated Testing: Using AI Controlled Players to Test 'The Division'. Game Developer Conference 2019.
    https://www.gdcvault.com/play/1026382/Automated-Testing-Using-AI-Controlled
    QA・デバッグ:事例


    View full-size slide

  32. Paredes and Jones. (2019). Automated Testing: Using AI Controlled Players to Test 'The Division'. Game Developer Conference 2019.
    https://www.gdcvault.com/play/1026382/Automated-Testing-Using-AI-Controlled
    QA・デバッグ:事例


    View full-size slide

  33. Imitation Learning with Concurrent Actions in 3D Games (EA SEED):
    https://www.ea.com/seed/news/seed-imitation-learning-concurrent-actions
    Teaching AI-Agents to play Battlefield (EA SEED)
    https://www.ea.com/news/teaching-ai-agents-battlefield-1
    QA・デバッグ:事例

    逆強化学習を用いた人間らしい自動プレイ 


    View full-size slide

  34. QA・デバッグ:事例

    • 他にも多くの事例が登場している


    北斗が如く(SEGA):コリジョン抜けの検知※1


    Sea of Thieves(Rare):キャラクタービヘイビアの自動テスト※2


    ファークライ5他(UBI):デバッギングシステムCLEVER※3


    Fate/Grand Order(DELiGHT WORKS):自動リプレイ※4


    Shadowverse(Cygames):デバッグ作業自動化※5


    …

    ※1: 阪上. (2018). QAエンジニアってどんな仕事? ~ゲーム開発におけるテストの世界~ . SEGA tech blog.
    http://techblog.sega.jp/entry/2018/08/27/100000
    ※2: Masella, R. (2017). Automated Testing for Multiplayer Game-AI in sea of Thieves. Game AI North 17.
    https://www.gameainorth.com/2017/#talk3
    ※3: Nayrolles & Hamou-Lhadj. (2018). CLEVER: Combining Code Metrics with Clone Detection for Just-In-Time Fault Prevention and Resolution in Large Industrial Projects.
    the 15th international conference on Mining Software Repositories. https://montreal.ubisoft.com/en/ubisoft-la-forge-presents-the-commit-assistant/
    ※4: 瀧下. (2017). Fate/Grand Orderにおける自動リプレイを用いた QA改善への挑戦 . CEDEC 2017.
    https://cedil.cesa.or.jp/cedil_sessions/view/1716
    ※5: 折田. (2017). ゲーム開発におけるデバッグ作業の自動化 ~ OpenCVの「眼」で捉え、 Pythonの「脳」が思考し、 Appiumの「指」で動かす . CEDEC 2016.
    https://cedil.cesa.or.jp/cedil_sessions/view/1575

    View full-size slide

  35. • 面白さのQAはどのように担保できるのか?

    • どこまでQAプロセスを機械化できるのか?

    • 既存のゲームデザインプロセスへの影響は?

    QA・デバッグ:論点


    View full-size slide

  36. AI活用の現在

    1 意思決定

    2 QA・デバッグ

    3 異常検知

    4 コンテンツ生成

    5 アニメーション・音声

    6 メタAI


    View full-size slide

  37. • 対戦型ゲームにおけるチート対策事例が増加

    – チーターの存在がゲームUXを大きく毀損する課題

    • 2%のチーターによってDirty Gameが20%になることも※

    – 目検では対応不可能なほど大規模化・高度化している課題

    • プロセスにおける自動化が急務

    • 大量のデータ蓄積、技術の進捗によるAI導入のしやすさ

    – バグ検知やデバッグでの活用が進んでいる

    異常検知:背景

    ※: McDonald. (2018). Robocalypse Now: Using Deep Learning to Combat Cheating in 'Counter-Strike: Global Offensive'
    Game Developers Conference 2018
    https://www.gdcvault.com/play/1024994/Robocalypse-Now-Using-Deep-Learning

    View full-size slide

  38. • Sudden Attack(Nexon) におけるWallhack検知のプロセス構築※

    – AIがチートを判断した根拠を注目度マップとして出力

    – BANにかかる時間を大幅に削減(24h→数分)

    – 能動学習による継続的な精度向上、転移学習による少数データでの学習

    異常検知:事例

    ※: Hwang. (2019). Beating Wallhacks using Deep Learning with Limited Resources.
    Game Developer Conference 2019.
    https://www.gdcvault.com/browse/gdc-19/play/1026331

    View full-size slide

  39. • Counter Strike他(Valeve) におけるチート検知※

    – Aimbotを対象としたDNNベースの学習(VACnet)

    – Overwatchで学習したものを他のタイトルにも転用

    – 人間の報告よりも高い精度でチートを検知(15→80%)

    異常検知:事例

    ※: McDonald. (2018). Robocalypse Now: Using Deep Learning to Combat Cheating in 'Counter-Strike: Global Offensive'
    Game Developers Conference 2018
    https://www.gdcvault.com/play/1024994/Robocalypse-Now-Using-Deep-Learning

    View full-size slide

  40. • その他の事例

    – インシデントの予測(King)※1

    – オートエンコーダーを使ったチート検知(Netmarble)※2

    – …

    異常検知

    ※1: Gaming Giants Win Big Data Challenge With Anodot to Keep Millions of Players in the Game
    https://www.anodot.com/news-item/anodot-leading-anomaly-detection-platform-for-gaming/
    ※2: Baek, Nakai, and Oh. (2019). Customer Case for Anomaly Detection in MMORPG. Google Cloud Next 2019.
    https://www.youtube.com/watch?v=xrZ9BRK5WAg

    View full-size slide

  41. 異常検知:論点

    • 目検での検知はなくならないか?

    • 全て自前で開発する必要はあるのか?ゲーム毎の依存性は?

    • どのようなプロセスを作ればよいのか?

    • False Positiveへの対応は?


    View full-size slide

  42. AI活用の現在

    1 意思決定

    2 QA・デバッグ

    3 異常検知

    4 コンテンツ生成

    5 アニメーション・音声

    6 メタAI


    View full-size slide

  43. • 高解像度の自然画像生成、超解像、denoisingの研究が進捗

    – 本物と見紛う画像生成は可能になってきている

    – 人の全身のような複雑な構造生成は困難で、対象が限定される

    コンテンツ生成:背景

    ※1: T. Karras, T. Aila, S. Laine, and J. Lehtinen. Progressive growing of GANs for improved quality, stability, and variation. CoRR, abs/1710.10196, 2017
    ※2: A. Brock, J. Donahue, and K. Simonyan. Large scale GAN training for high fidelity natural image synthesis . In Proc. ICLR, 2019.
    ProgressiveGAN※1
 BigGAN※2


    View full-size slide

  44. • 構造を踏まえた生成の学習も進捗しつつある(3Dアニメ生成@DeNA)

    コンテンツ生成:背景

    ※: Hamada, Tachibana, Li, Honda, and Uchida. (2018). Full-body High-resolution Anime Generation with Progressive Structure-conditional Generative Adversarial Networks. In ECCV WS 2018.
    Full-body anime generation at 1024x1024 with Progressive Structure- conditional GANs
    https://youtu.be/bIi5gSITK0E

    Adding action to full-body anime characters with Progressive Structure-conditional GANs
    https://youtu.be/0LQlfkvQ3Ok


    View full-size slide

  45. • 指定された構造やラフからの生成

    コンテンツ生成:背景

    Taesung, P., et al. (2019). Semantic image synthesis with spatially-adaptive normalization.
    Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019.
    You, S., You, N., & Pan, M. (2019). PI-REC: Progressive Image Reconstruction Network With
    Edge and Color Domain. arXiv preprint arXiv:1903.10146.

    View full-size slide

  46. • ライティング・スタイル変換(3D構造でも事例多数)

    • Mesh/Texture 生成

    コンテンツ生成:背景

    He, M., Liao, J., Chen, D., Yuan, L., & Sander, P. V. (2019).
    Progressive color transfer with dense semantic correspondences.
    ACM Transactions on Graphics (TOG), 38(2), 13.
    Saito, S., et al. (2019). PIFu: Pixel-Aligned Implicit Function for High-Resolution Clothed Human
    Digitization. ICCV 2019.

    View full-size slide

  47. • 学術研究の進捗と共に、ゲーム業界でのニーズも高まっている

    • より複雑化・高解像になるゲームでのアセット生成が限界

    – 例:Assassin's Creed Odyssey(Ubisoft)

    • シネマティックカットが従来の数時間から30時間に増加

    • スマートにコンテンツを作る必要から20%を完全プロシージャル化

    コンテンツ生成:背景

    ※ Paradis, F. (2019). Procedural Generation of Cinematic Dialogues in 'Assassin's Creed Odyssey'. Game Developer Conference 2019.
    https://www.gdcvault.com/play/1026381/Procedural-Generation-of-Cinematic-Dialogues

    View full-size slide

  48. コンテンツ生成:事例

    É, Guérin., et al. (2017). Interactive example-based terrain authoring with conditional generative adversarial networks. ACM Trans. Graph. 36, 6, Article 228 (November 2017), p13.
    https://doi.org/10.1145/3130800.3130804
    • ラフスケッチからの地形生成


    View full-size slide

  49. コンテンツ生成:事例

    Shintaro Takemura (2018). Optimize deep super-resolution and denoising for compressed textures. SIGGRAPH Asia 2018.
    https://sa2018.conference-program.com/presentation/?id=pos_124&sess=sess221
    • Super-Resolution, Denoising (バンダイナムコスタジオ)


    View full-size slide

  50. コンテンツ生成:事例

    Game Level Generation Using Neural Networks
    https://www.gamasutra.com/blogs/SeungbackShin/20180227/315017/Game_Level_Generation_Using_Neural_Networks.php
    • キャラクターの状態に応じたレベルの自動生成

    – Fantasy Raiders (Maverick Games)


    View full-size slide

  51. • どの程度のコントロール余地が必要なのか?

    • どのようにQAを行うのか?

    • どこまで機械学習のニーズは出てくるか?

    • レベルデザインを一部代替するような未来はあるのか?

    コンテンツ生成:論点


    View full-size slide

  52. AI活用の現在

    1 意思決定

    2 QA・デバッグ

    3 異常検知

    4 コンテンツ生成

    5 アニメーション・音声

    6 メタAI


    View full-size slide

  53. • モーションキャプチャなどを中心に、

    自然なオブジェクトの動きを作るためにAIが活用されはじめている

    • 音声の認識・合成技術の進展

    アニメーション・音声:背景


    View full-size slide

  54. • モーションキャプチャのSolving高精度化(Ubisoft)

    • リップシンキング(Ubisoft)

    アニメーション・音声:事例

    ※ Jacquier, Y. (2019). The Alchemy and Science of Machine Learning for Games.Game Developer Conference 2019.
    https://www.gdcvault.com/play/1025653/The-Alchemy-and-Science-of
    Robust Solving of Optical Motion Capture Data by Denoising 

    https://www.youtube.com/watch?v=6pPJJLgfpu0 


    Ubisoft La Forge - SoundMatching, the results on Aya 

    https://www.youtube.com/watch?v=jKwMBvAs3_k 


    View full-size slide

  55. • アニメーション・音声技術を使ったユースケースは増えてくるか?

    アニメーション・音声:論点


    View full-size slide

  56. AI活用の現在

    1 意思決定

    2 QA・デバッグ

    3 異常検知

    4 コンテンツ生成

    5 アニメーション・音声

    6 メタAI


    View full-size slide

  57. Michael Booth. March 2009. "Replayable
    Cooperative Game Design: Left 4 Dead."
    Game Developers Conference 2009.

    メタAI


    View full-size slide

  58. • 背景

    – ゲーム全体をひきしめ流れを作る、統御するAIの必要

    • 事例

    – 80年代~:ゲームセルフコントロールシステム

    – 2007〜 :ゲームに積極に干渉する、ユーザ体験を作り出す主体

    • 論点

    – 実装・設計の技術が積みあがっていない

    メタAI


    View full-size slide

  59. ゲームとAIの未来予想図


    View full-size slide

  60. • ゲーム×AIの議論の場を育てたい

    コミュニティ紹介

    Slack: game-ai-ja
    https://goo.gl/jqEgLf

    View full-size slide