Slide 1

Slide 1 text

三宅 陽一郎 2022.4.26 「ゲーム、メタバース、 スマートシティにおける人工知能」 https://www.facebook.com/youichiro.miyake http://www.slideshare.net/youichiromiyake [email protected] @miyayou

Slide 2

Slide 2 text

「スマートシティとメタバースにおける 人工知能の活用方法について 書いてください」 (レポート課題)

Slide 3

Slide 3 text

My Works (2004-2020) AI for Game Titles Books

Slide 4

Slide 4 text

No content

Slide 5

Slide 5 text

近著

Slide 6

Slide 6 text

発刊(先週) • 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

Slide 7

Slide 7 text

Hopper Training Hopper Trained

Slide 8

Slide 8 text

時間 知能の規模 1960 1990 2000 第一次AIブーム 第二次AIブーム 第三次AIブーム 1970 1980 2010 ルールベース 逆伝播法 データベース ディープ ラーニング 推論ベース ニューラル ネット誕生 コネクショニズム 記号主義 デジタルゲームAI 人工知能の歴史

Slide 9

Slide 9 text

リアルタイム ノンリアルタイム 身体を持つ 身体を持たない 身体を持ち リアルタイムに 空間を運動する 身体を持たず 空間を運動しない ゲーム・ロボット ビックデータ解析

Slide 10

Slide 10 text

人工知能とは

Slide 11

Slide 11 text

自然知能と人工知能 人間 =自然知能 機械 =人工知能

Slide 12

Slide 12 text

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。 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 人工知能=人間の知能を機械に写す(移す)。

Slide 13

Slide 13 text

機械(マシン) ソフトウェア 知能 身体 機能 知能 http://www.1999.co.jp/blog/1210192 http://ja.wallpapersma.com/wallpaper/_- %E3%83%AA%E3%82%B9%E3%80%81%E5%A3%81%E7%B4%99%E3%80%81%E3%83%AF%E3%82%A4%E3%83%89%E3%82%B9%E3%82%AF%E3%83%AA%E3%83%BC%E3%83%B3%E3%81%AE%E3%80%81%E3% 83%9E%E3%83%83%E3%82%AF%E3%80%81%E3%83%9A%E3%83%83.html

Slide 14

Slide 14 text

身体性とインテリジェンス Gray’s anatomy 脳の中心の部位は身体とつながっている。 生理機能を司っている。 それを囲うように、辺縁体、大脳がある。 http://square.umin.ac.jp/neuroinf/brain/005.html http://www.amazon.co.jp/Grays-Anatomy-Anatomical-Clinical-Practice/dp/0443066841

Slide 15

Slide 15 text

人間の精神 意識 前意識 無意識 知能 言語による 精神の構造化 外部からの 情報 言語化のプロセス シニフィアン /シニフィエ 言語回路 (=解釈) 意識の形成 世界を分節化している

Slide 16

Slide 16 text

人間の精神、機械の精神 意識 前意識 無意識 外部からの 情報 意識 前意識 無意識 外部からの 情報 言語・非言語境界面 知覚の境界面 人工知能は、人間の知能を機械に移したもの。

Slide 17

Slide 17 text

二つの人工知能 IF (s_collison==true) register_all(s_star); assign_edge(); assign_vertex(); mix_all(); シンボルによる人工知能 (記号主義) ニューラルネットによる人工知能 (コネクショニズム) IBM ワトソン Google検索 など AlphaGo など http://www.nature.com/nature/journal/v518/n7540/full/nature14236.html

Slide 18

Slide 18 text

神経素子(ニューロン)とは? 入力 入力 入力 出力 入力 この中にはイオン(電解,Na+,K+) 溶液が入っていて、入力によって電圧が 高まると出力する仕組みになっています。 100mVぐらい ニューラルネットワーク内シグナル伝達スピード 100(m/sec) … 案外遅い http://www.brain.riken.go.jp/jp/aware/neurons.html

Slide 19

Slide 19 text

ニューラルネットを理解しよう② 数学的原理 http://www.pri.kyoto-u.ac.jp/brain/brain/11/index-11.html 医学的知識 http://www.biwako.shiga-u.ac.jp/sensei/mnaka/ut/sozai/ai.html モデル化 数学的モデル ニューロン 人工ニューロン 入出力関係のグラフ 入出力関係の関数(シグモイド関数) ニューラルネットワーク (ニューロンをつなげたもの) 道具はこれで全て。これで何ができるだろう?

Slide 20

Slide 20 text

この300年の技術の動向 時間 規模 産業革命 情報革命 ネット革命 知能革命 機械化・自動化(オートメーション化) 電子情報化 オンライン化 知能化 第二次産業革命 電動化 1750 1860 1960 1990 Now… 現代は「知能化」の時代に 入りつつある。

Slide 21

Slide 21 text

2 第一次AIブーム(1960年代) • コンピューターは大型のものしかない。 • 人工知能という分野自体が誕生したばかり。 • ニューラルネットという新しい分野のブーム。 19世紀後半 人間の脳は ニューロンという もので出来てい るらしい 20世紀前半 ニューロンの 電気的性質が 解明される (ホジキン博士、 ハクスレー博士) 1950年代に ニューラルネット 発明 1963年に ホジキン=ハク スレー方程式が ノーベル賞

Slide 22

Slide 22 text

医学的知識 モデル化 数学的モデル ニューロン ニューラルネットワーク (ニューロンをつなげたもの) 2 第一次AIブーム(1960年代) 結合には 強さがある。 結合には 強さがある。

Slide 23

Slide 23 text

医学的知識 モデル化 数学的モデル ニューロン ニューラルネットワーク (ニューロンをつなげたもの) 2 第一次AIブーム(1960年代) 電気 電気 電気

Slide 24

Slide 24 text

2 第一次AIブーム(1960年代) 身長 体重 年齢 健康 要運動 注意 学習データから ここの重みを 変化させます 健康 要運動 注意 新しいデータ ニューラルネット = データを分類する人工知能

Slide 25

Slide 25 text

2 第一次AIブーム(1960年代) もし A ならば B もし B ならば C よって、 もし A ならば C シンボルによる人工知能 (記号主義) ニューラルネットによる人工知能 (コネクショニズム) 推論ベース ニューラルネット 誕生

Slide 26

Slide 26 text

3 第二次AIブーム(1980年代) • パソコンが普及して行く。 • ルールを集めて知能を作ろう。 • 逆伝播法によるニューラルネットのブーム。 パソコンが 世の中で 普及して行く 知識主義 = たくさんの知識 を人工知能に 与えて推論 すれば知能が できる インターネット もなく、知識 が足りない。 推論も専門的 な機能のみ。

Slide 27

Slide 27 text

3 第二次AIブーム(1980年代) IF (A) then B IF (C) then D IF (E) then F IF (G) then H IF ( I ) then J シンボルによる人工知能 (記号主義) ニューラルネットによる人工知能 (コネクショニズム) ルールベース 新しい学習法= 逆伝搬法

Slide 28

Slide 28 text

3 第二次AIブーム(1980年代) 1 0 0 このように学習させたい

Slide 29

Slide 29 text

3 第二次AIブーム(1980年代) 0 1 0 このように学習させたい

Slide 30

Slide 30 text

3 第二次AIブーム(1980年代) 0 0 1 このように学習させたい

Slide 31

Slide 31 text

3 第二次AIブーム(1980年代) 0 0 0 【逆伝播法】 ここが1になるように、 結合の強さを、 さかのぼって変えて行く。

Slide 32

Slide 32 text

4 第三次AIブーム(2010年代) • インターネットが普及して行く。 • インターネットで蓄積されたデータを学習させて 知能を作ろう。 • 改善されたニューラルネットのブーム。 インターネット が世の中で 普及して行く データ 学習主義 = たくさんのデー タを人工知能 に学習させる 現在、進行中

Slide 33

Slide 33 text

4 第三次AIブーム(2010年代) シンボルによる人工知能 (記号主義) ニューラルネットによる人工知能 (コネクショニズム) データベース 新しい学習法= ディープラーニング データベース 検索エンジン キーワード 検索結果 検索 人

Slide 34

Slide 34 text

インターネットによる 膨大なデータ 4 第三次AIブーム(2010年代) 時間 規模 1960 1990 2000 第一次AIブーム 第二次AIブーム 第三次AIブーム 1970 1980 2010 ルールベース 逆伝播法 データベース ディープ ラーニング 推論ベース ニューラル ネット誕生 小型・中型 コンピュータの普及 大型コンピュータ 専門家のみのブーム

Slide 35

Slide 35 text

人間とフレームとAI

Slide 36

Slide 36 text

時間(イメージ) 空間(論理) 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。 人間と人工知能の違い

Slide 37

Slide 37 text

時間(イメージ) 空間(論理) 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。 人間と人工知能の違い 人工知能は自問題を作り出すことはない。 人工知能は人間が与えた問題を解くことしかできない。 似たような問題さえ解けない。

Slide 38

Slide 38 text

人と人工知能の非対称性 経験 (人間) 人工知能 人間

Slide 39

Slide 39 text

人と人工知能の非対称性 経験 (人間) 人工知能 人間

Slide 40

Slide 40 text

人 フレーム フレーム フレーム フレーム(小) =人工知能の役割 フレーム(小) =人工知能の役割 自分の延長とし ての人工知能 (フレームが つなぐ)

Slide 41

Slide 41 text

人 フレーム フレーム フレーム フレーム(小) =人工知能の役割 フレーム(小) =人工知能の役割 自分の延長とし ての人工知能 (フレームが つなぐ) 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

Slide 42

Slide 42 text

デジタル世界のエコシステム(AI, IA, A) 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 アプリケーション(A) ほぼ同義 自律性 全体 埋め込み 性

Slide 43

Slide 43 text

デジタル世界のエコシステム(AI, IA, A) 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 アプリケーション(A) ほぼ同義 自律性 全体 埋め込み 性 人間

Slide 44

Slide 44 text

デジタル世界のエコシステム(AI, IA, A) 人間 知的アプリケーション(IA) IA IA アプリケーション(A) アプリケーション(A) アプリケーション(A) 自律型人工知能 自律型人工知能 IA エージェント エージェント エージェント

Slide 45

Slide 45 text

人工 知能 人 社会 人 社会 構造 変化

Slide 46

Slide 46 text

社会 人工 知能 人工 知能 人工 知能 人工 知能 人工 知能 場 人工知能が用意した立場に人がエントリーする 人 場 人工知能が用意した立場にエージェントがエントリーする エー ジェン ト

Slide 47

Slide 47 text

人 エー ジェン ト エー ジェン ト エー ジェン ト エー ジェン ト エー ジェン ト エー ジェン ト エー ジェン ト エー ジェン ト エー ジェン ト エー ジェン ト 社会 人

Slide 48

Slide 48 text

人工知能と社会 ロボッ ト 世代 人口 人工 知能 少子高齢化社会 ロボットと人工知能で 少子高齢化社会を支える 人間と人工知能の関係はどうあるべきか

Slide 49

Slide 49 text

ゲームエンジン

Slide 50

Slide 50 text

物理法則 化学法則 経済法則 社会法則 生物法則 知能の法則 抽出 実装 物理シミュレーション 化学シミュレーション 経済シミュレーション 社会シミュレーション 生物シミュレーション 知能シミュレーション シミュレーション化 サイエンス・エンジニアリング 情報処理 物・運動 データ構造・プログラム 現実 世界 メタ バース

Slide 51

Slide 51 text

現実世界 デジタル ツイン (ゲーム エンジン) 相互作用 ミラーワールド スマートシティ センシング AIによる干渉

Slide 52

Slide 52 text

風 頂点 ポリゴン 頂点 移動計算 移動計算 メモリ CPU or GPU 変 更 アーティスト エンジニア ロード (格納) 実行

Slide 53

Slide 53 text

ゲームエンジンの時代 • ゲームエンジンは古くからある(80年代、ナムコのタスクシステム) • ゲームの規模が小さいうちは効果が大きくない • 90年代(ほとんどない。ソースコードレベル) • 00年代(黎明期) • ゲームエンジン群雄割拠時代(2010-2020) • 市販のエンジンに加えて、それぞれのゲーム会社でゲームエンジンが作られた • 現代では、ゲームエンジンなしで大型ゲームは作れない • ゲームエンジン=ゲームの質に直結、ゲーム開発の技術を集積する場所 • Unreal Engine(Epic)とUnity3Dが生き残った • Unreal Engine アメリカ 巨漢大砲主義の思想 • Unity 3D デンマーク(北欧)Do it yourself の思想

Slide 54

Slide 54 text

ジョブ・コントローラー(ナムコ、ゼビウスなど) 三宅 陽一郎 「タスクシステムの起源について」 2016年 年次大会 予稿集 Digital Games Research Association JAPAN Proceedings of 2016 Annual Conference

Slide 55

Slide 55 text

大型ゲームエンジン一覧(他にもたくさん) タイトル ゲームエンジン名 会社 Far Cry 3,4 DUNIA ENGINE 2 Ubisoft Montreal THE DIVISION snow drop engine Ubisoft (massive) Assassin’s creed: syndicate AnvilNext 2.0 game engine Ubisoft Montreal For Honor AnvilNext 2.0 game engine Ubisoft Montreal Rise of Tomb Raider Foundation engine Crystal Dynamics The Witcher 3 RED ENGINE CD PROJEKT Dragon Age : Inquisition frostbite engine EA DICE ゲームエンジン名 会社 汎用型 Unity3D Unity Technologies (デンマーク) 汎用型 UNREAL ENGINE 4 Epic Games (米) 汎用型 CryEngine CryTech (独) 汎用型 Lumberyard Amazon 汎用型 Stingray Autodesk

Slide 56

Slide 56 text

メタバース 物・運動 データ構造・プログラム 現実世界 ツールで アーティスト・ デザイナーが 作成 エンジニアが プログラミング 存在 法則

Slide 57

Slide 57 text

原子 分子=原子+力 物質=分子と力 現象=物質と力 データ オブジェクト =データ+プロ エンティティ =オブジェクト 現象 =エンティティ 現実世界 メタバース

Slide 58

Slide 58 text

データ処理 オブジェクト =データ+プログラム エンティティ =オブジェクトとプログラム 現象 =エンティティ+プログラム メタバース 情報処理基礎 (プログラミング基礎) オブジェクト指向 プログラミング 大規模システム プログラミング シミュレーション プログラミング

Slide 59

Slide 59 text

https://www.moguravr.com/virtual-shibuya-8/

Slide 60

Slide 60 text

https://www.youtube.com/watch?v=1FOz5dMxn3s

Slide 61

Slide 61 text

レベル キャラクターAI レベルを認識し、 自律的な判断を行い、 身体を動かす. 敵・味方 キャラクタ- プレイヤー 情報獲得 スパーシャルAI 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 メタAI 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 Order Ask & Report ゲーム全体をコントロール Support query query 頭脳として機能 MCS-AI動的 連携モデル

Slide 62

Slide 62 text

レベル キャラクターAI レベルを認識し、 自律的な判断を行い、 身体を動かす. 敵・味方 キャラクタ- プレイヤー 情報獲得 スパーシャルAI 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 メタAI 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 Order Ask & Report ゲーム全体をコントロール Support query query 頭脳として機能 MCS-AI動的 連携モデル

Slide 63

Slide 63 text

環境 人工知能とは? 身体 人工知能=人工的な存在(=身体)を環境の中で活動させる 入力(センサー) 行動(アウトプット) 知能

Slide 64

Slide 64 text

知能の内部世界 環境世界 エフェクター・ 身体 センサー・ 身体

Slide 65

Slide 65 text

思考 環境世界 エフェクター・ 身体 センサー・ 身体 記憶

Slide 66

Slide 66 text

思考 環境世界 エフェクター・ 身体 センサー・ 身体 記憶

Slide 67

Slide 67 text

環境世界 認識の 形成 記憶 センサー・ 身体 記憶体 情報処理過程 情報 統合 記憶

Slide 68

Slide 68 text

環境世界 認識の 形成 記憶 意思の 決定 センサー・ 身体 意思決定 モジュール 意思決定 モジュール 意思決定 モジュール 記憶体 情報処理過程 情報 統合 記憶

Slide 69

Slide 69 text

環境世界 認識の 形成 記憶 意思の 決定 身体 制御 エフェクター・ 身体 運動の 構成 センサー・ 身体 意思決定 モジュール 意思決定 モジュール 意思決定 モジュール 記憶体 情報処理過程 運動創出過程 身体部分 情報 統合 運動 統合 記憶

Slide 70

Slide 70 text

知能の世界 環境世界 認識の 形成 記憶 意思の 決定 身体 制御 エフェクター・ 身体 運動の 構成 センサー・ 身体 意思決定 モジュール 意思決定 モジュール 意思決定 モジュール 対象・ 現象 情報の流れ(インフォメーション・フロー) 影響を与える 影響を受ける 記憶

Slide 71

Slide 71 text

(例) スペースインベーダー(1978) プレイヤーの動きに関係なく、決められた動きをする (スペースインベーダー、タイトー、1978年)

Slide 72

Slide 72 text

(例)プリンス・オブ・ペルシャ 「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。 (プリンスオブペルシャ、1989年)

Slide 73

Slide 73 text

3Dゲームの中のAI Halo (HALO、バンジー、2001年) デバッグ画面 The Illusion of Intelligence - Bungie.net Downloads http://downloads.bungie.net/presentations/gdc02_jaime_griesemer.ppt

Slide 74

Slide 74 text

環境世界 認識の 形成 記憶 意思の 決定 身体 制御 エフェクター・ 身体 運動の 構成 センサー・ 身体 意思決定 モジュール 意思決定 モジュール 意思決定 モジュール 記憶体 情報処理過程 運動創出過程 身体部分 情報 統合 運動 統合 記憶

Slide 75

Slide 75 text

意思決定モデル ゴール(目標)ベースAI ルール(規則)ベースAI ビヘイビア(振る舞い)ベースAI 意思決定というものは非常に高度で複雑なプロセスです。 でも、ゲームで用いるいくつかの簡易モデルが存在します。 シミュレーションベース AI ユーティリティ(効用)ベース AI Rule-based AI State-based AI Behavior-based AI Goal-based AI Utility-based AI 「○○-based AI」とは、○○をAIを構築する基本単位として採用したAIということ。 タスク(仕事)ベース AI Task-based AI 意思決定 Simulation-based AI ステート(状態)ベースAI

Slide 76

Slide 76 text

キャラクターAI:意思決定 ビヘイビアツリー入門

Slide 77

Slide 77 text

root バトル 撤退 休憩 攻撃 隠れる 逃走する 足止めする 立ち止まる 回復する トラップ 眠る 回復薬を飲む 弓を放つ 剣を振る 森に潜む 穴を掘る 建物に隠れる 攻撃魔法 氷系 風系 プライオリティ プライオリティ シークエンス シークエンス ランダム プライオリティ ランダム プライオリティ ランダム ビヘイビア (末端ノード) 層 層 選択ルール 選択ルール

Slide 78

Slide 78 text

CHARACTER BEHAVIOR LEARNING Chapter 3-2

Slide 79

Slide 79 text

Reinforcement Learning (Ex) Fighting Game Kick Punc h Magic R_0 : Reward = Damage http://piposozai.blog76.fc2.com/ http://dear-croa.d.dooo.jp/download/illust.html

Slide 80

Slide 80 text

Early in the learning process … … after 15 minutes of learning Reward for decrease in Wulong Goth’s health

Slide 81

Slide 81 text

Early in the learning process … … after 15 minutes of learning Punishment for decrease in either player’s health

Slide 82

Slide 82 text

Black & White (Lionhead,2000) Training of creature by learning http://www.youtube.com/watch?v=2t9ULyYGN-s http://www.lionhead.com/games/black-white/ 14:20-

Slide 83

Slide 83 text

キャラクターの人工知能 =キャラクターに煩悩を与える

Slide 84

Slide 84 text

人工知能 人間 仏教と人工知能 • 仏教 = 煩悩から解脱する • 人工知能 = むしろ煩悩を与えたい(執着) 煩悩 煩悩 解脱 執着 人工知能=どのようにして煩悩を与えることができるか? 人工知能 (人工知性) 禅

Slide 85

Slide 85 text

World Sensor 知識 生成 Knowledg e Making 意思決定 Decision Making 運動 生成 Motion Making Information Flow 記憶 Principle of Learning Action Result Decision Making Body

Slide 86

Slide 86 text

World Sensor 知識 生成 Knowledg e Making 意思決定 Decision Making 運動 生成 Motion Making Information Flow 記憶 Principle of Learning Action Result Decision Making Body

Slide 87

Slide 87 text

Deep Learning in Ubisoft https://gdcvault.com/play/1025653/The-Alchemy-and-Science-of The Alchemy and Science of Machine Learning for Games Yves Jacquier (Ubisoft Montreal)

Slide 88

Slide 88 text

Deep Learning in Ubisoft https://gdcvault.com/play/1025653/The-Alchemy-and-Science-of The Alchemy and Science of Machine Learning for Games Yves Jacquier (Ubisoft Montreal)

Slide 89

Slide 89 text

https://gdcvault.com/play/1025653/The-Alchemy-and-Science-of 35:00- Deep Learning in Ubisoft The Alchemy and Science of Machine Learning for Games Yves Jacquier (Ubisoft Montreal)

Slide 90

Slide 90 text

年 企業 テーマ Open 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 2019 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 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 2020 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

Slide 91

Slide 91 text

OpenAI「HIDE AND SEEK」 による学習 (2019年)

Slide 92

Slide 92 text

「かくれんぼ」によってマルチエージェ ントを学習させる • 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 https://openai.com/blog/emergent-tool-use/

Slide 93

Slide 93 text

自分の座標 周囲の状況 (LIDARによる) 他のエージェ ントの座標 ボックスの 座標、速度 傾斜台の 座標、速度 全結合 全結合 全結合 自分 コンボリューション 円方位ID 全結合 エージェント 埋め込みベクトル ボックス ボックス マスクされた平均プーリング エンティティ間のアテンション マスクされた要素 (壁などで見えない) LSTM 移動 アクション つかむ アクション ロック アクション 自分 エージェント ボックス 傾斜台 メモリーステート

Slide 94

Slide 94 text

レベル キャラクターAI レベルを認識し、 自律的な判断を行い、 身体を動かす. 敵・味方 キャラクタ- プレイヤー 情報獲得 スパーシャルAI 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 メタAI 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 Order Ask & Report ゲーム全体をコントロール Support query query 頭脳として機能 MCS-AI動的 連携モデル

Slide 95

Slide 95 text

メタAI

Slide 96

Slide 96 text

AIの分化 ゲームシステム メタAI キャラクターAI ナビゲーションAI ナビゲーションAIのイメージをつかめただろうか? では、最後のメタAIについて説明する。

Slide 97

Slide 97 text

メタAIの歴史 1980 1990 メタAIというのは、ゲームそのものに埋め込まれたAI。 1980 1990 2000 古典的メタAI 現代のメタAI キャラクターAI技術の発展

Slide 98

Slide 98 text

メタAIの歴史 1980 1990 2000 古典的メタAI 現代のメタAI キャラクターAI技術の発展 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。

Slide 99

Slide 99 text

(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 -

Slide 100

Slide 100 text

現代のメタAI より積極的にゲームに干渉する。 メタAI 敵配位 敵スパウニング ストーリー レベル 動的生成 ユーザー

Slide 101

Slide 101 text

メタAI Left 4 Dead の事例 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html 今回は Left 4 Dead の事例を見てみる。

Slide 102

Slide 102 text

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 ユーザーの緊張度 実際の敵出現数 計算によって 求められた 理想的な敵出現数 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 より具体的なアルゴリズム

Slide 103

Slide 103 text

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

Slide 104

Slide 104 text

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

Slide 105

Slide 105 text

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。

Slide 106

Slide 106 text

これからのゲームの作り方 オープンワールド プロシージャル(自動生成) 適応型的AI (自動AI配置、自動ミッション生成)

Slide 107

Slide 107 text

まとめ メタAIは、ゲームの流れを動的に作るAIで、キャラクターAI、イベントなどに は命令だけを出す。これは明確に、メタAIと他のモジュールが独立した関 係にあるから可能なこと。

Slide 108

Slide 108 text

メタバースと人工知能

Slide 109

Slide 109 text

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 物語に沿ってイベントが展開 特になし ユーザーが作り出す キャラクターの 役割 世界、物語の中で 最初から定義 特になし ユーザーの関係の中で発生

Slide 110

Slide 110 text

メタバース オンライン ゲーム 現実 2. メタバースとは 3. メタバースとオンラインゲームの違い 4. メタバースの水平構造と垂直構造 5. 経済とメタバースの接続 6. メタバース-現実の二重世界、 ミラーワールド 7. メタバースへのターニングポイント、2017年 8. オンラインゲームからメタバースへの拡張 9. オンラインゲームとメタバースの関係 10. ユーザー生成コンテンツとメタバースの関係 メタバースとオンラインゲーム メタバースの構造

Slide 111

Slide 111 text

検索エンジン SNS メタバース 検索サーバー ユーザー ユーザー タイム ライン デジタル空間 インタラク ション

Slide 112

Slide 112 text

デジタル世界 現実世界 垂直構造(現実との関連性) 水平構造(世界のスケールの広がり) オンライン ゲーム メタバース

Slide 113

Slide 113 text

メタバース 現実 窓

Slide 114

Slide 114 text

メタバース 現実のバスの社内 乗客 現実からメタバースを見る窓 見えている風景をバ スの移動に同期して レンダリング

Slide 115

Slide 115 text

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) ブロックチェーン、仮想通貨の 普及 e-コマースの 普及 ソーシャル ゲームの普及 メタバースの 普及 お金の形の変化 インターネットの形の変化 2005 2015

Slide 116

Slide 116 text

運営元 ポイント お金 ユーザー ポイント を購入 ユーザー お金 仮想通貨 運営元 ポイントを使用 アバター アバター メタバース メタバース

Slide 117

Slide 117 text

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 デジタル ツイン (現実世界 そっくりの メタバース) 同期 引き写し ミラーワールド スマートシティ センシングと情報取り込 みによる(1)-(4)の同期 ロボット・AI・情報提示に よるサービス・干渉

Slide 118

Slide 118 text

奈良の鹿ミラーワールド 同期 (ミラー) 現実 メタバース 本物の鹿 デジタルツイン鹿

Slide 119

Slide 119 text

広場 森 都市 大学 道路 同期 同期 同期 同期 同期 メタバース

Slide 120

Slide 120 text

時代 メタバース世界の多様化 2006 セカンドライフ 2008 meet-me 2018 2006 Roblox 2009 Internet Adventure 2012 The Sandbox 2008 PlayStation Home 2011 2021 Horizon Worlds 2008 ai sp@ce メタバース 創世記 メタバースと ゲーム空間の 融合 セカンド ライフの影響 メタバースと 現実空間・ 経済との融合 2017 フォートナイト 2022 仮想通貨SAND導入(2017年-) 2003 EVE ONLINE 2015 2000 Phantasy Star Online / Phantasy Star Online 2

Slide 121

Slide 121 text

ソー シャル 空間 ゲーム 空間 ソーシャル 空間 メタバース ソーシャル 空間 1990 2010 2000 2020 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。 1990年代において ゲームはソロプレイ かその場の数人で プレイするもので あった。 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。 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 SNS SNS SNS ソーシャル空 間 SNSの台頭と拡大 ゲーム 空間 ゲーム 空間

Slide 122

Slide 122 text

ゲーム空間とソーシャル空 間の関係 関係図 特徴 ゲーム空間をメインとしつつ、 その周辺にソーシャル空間 を配置する 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、ソーシャル空間は音 楽・演劇など。 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。 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。 ゲーム空間-ソーシャル空間 一体型 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。 ゲーム空間 ゲーム 空間 ソーシャル空間 ソーシャル 空間 ゲーム 空間 ゲーム 空間 ゲーム 空間 ゲーム 空間 ソーシャル 空間

Slide 123

Slide 123 text

No content

Slide 124

Slide 124 text

未来のメタバース 現在の メタバース 第18章 NFT 第16章 スマート シティ 第13章 エージェント 第14章 文化 第12章 ビジネス 空間 第20章 コモン グラウンド 第15章 価値指標 第17章 世界 モデル 第19章 実況

Slide 125

Slide 125 text

人 人 テキスト テキスト 人 人 画像/声 画像/声 人 人 擬似身体・声 擬似身体・声 空間 メタバース オンライン会議 SNS・チャットなど

Slide 126

Slide 126 text

人 エー ジェ ント エー ジェ ント エー ジェ ント エー ジェ ント エー ジェ ント エー ジェ ント 人 エー ジェ ント エー ジェ ント エー ジェ ント エー ジェ ント エー ジェ ント エー ジェ ント 人 エー ジェ ント エー ジェ ント エー ジェ ント エー ジェ ント エー ジェ ント エー ジェ ント エー ジェ ント 人-エージェント-エージェント-人関係 図17

Slide 127

Slide 127 text

文化 社会 文化は社会を変える AI文化はAIを変える 集積された文化を編纂し促進するAI =科学者・芸術家 AI文化はAIが集積する エー ジェン ト エー ジェ ント エー ジェ ント エー ジェ ント エー ジェ ント エー ジェ ント エー ジェ ント エー ジェ ント エー ジェ ント

Slide 128

Slide 128 text

メタバース SNS 検索エンジン 現実の人間関係 現実の情報 現実の情報 現実の人間関係 現実の世界の状態 現実の情報 現実の深度 時代

Slide 129

Slide 129 text

自然 都市 メタバース (都市のデジタルツイン) 仮想から現実を制御する(システム) 自然から仮想への逃走(人) バーチャライズ 監視とコントロール 図20

Slide 130

Slide 130 text

レベル キャラクターAI レベルを認識し、 自律的な判断を行い、 身体を動かす. 敵・味方 キャラクタ- プレイヤー 情報獲得 スパーシャルAI 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 メタAI 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 Order Ask & Report ゲーム全体をコントロール Support query query 頭脳として機能

Slide 131

Slide 131 text

都市全体を監視・制御するAI 交通全般を制御するAI 各エリアを監視・制御するAI 各ビルを監視・ 制御するAI 道路を監視・ 制御するAI 各広場を監 視・制御する AI 人の流れを 監視・制御 するAI 抑止・委任 報告 抑止・委任 報告 抑止・委任 報告 監視 制御 人 ドローン ロボット デジタル アバター 報告 命令 人 監視 制御 監視 制御 監視 制御 監視 制御 協調 協調 協調 協調・ 命令 監視 制御 監視 制御 監視 制御 デ ジ タ ル ツ イ ン / メ タ バ | ス 都 市 キャラクターAI ス パ | シ ャ ル AI メタAI 図22

Slide 132

Slide 132 text

現実世界 デジタル ツイン ミラーワールド スマートシティ メタAI 都市 メタバース (世界モデルとして 機能する) 同期 引き写し 現実を認識する 現実を予測する

Slide 133

Slide 133 text

メタバース ブロックチェイン上の NFTの仕組み 生産者 購入者 デジタルコンテンツ NFT (トークン) リンク このパッケージを NFTと呼ぶこともある 購入

Slide 134

Slide 134 text

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 購入者 ブロックチェイン上のNFTの仕組み

Slide 135

Slide 135 text

メタバース (コモングラウンド)

Slide 136

Slide 136 text

プロシージャル技術

Slide 137

Slide 137 text

プロシージャル技術(自動生成技術) ゲーム内の自動生成技術は、メタAIに属する技術

Slide 138

Slide 138 text

ブラウン運動 ロバート・ブラウン博士によって、1827年に発見された現象。 微粒が媒質(液体)の中で行う不規則な運動。 アインシュタイン博士によって、熱運動する媒質の不規則な 衝突によって引き起こされると説明された。 http://ja.wikipedia.org/wiki/%E3%83%96%E3%83%A9%E3%82%A6%E3%83%B3%E9%81%8B%E5%8B%95

Slide 139

Slide 139 text

ブラウン運動から地形生成 ロバート・ブラウン博士によって、1827年に発見された現象。 微粒が媒質(液体)の中で行う不規則な運動。 アインシュタイン博士によって、熱運動する媒質の不規則な 衝突によって引き起こされると説明された。 http://ja.wikipedia.org/wiki/%E3%83%96%E3%83%A9%E3%82%A6%E3%83%B3%E9%81%8B%E5%8B%95 宮田一乗「プロシージャル技術の動向」(CEDEC 2008)

Slide 140

Slide 140 text

ブラウン運動から地形生成 http://ja.wikipedia.org/wiki/%E3%83%96%E3%83%A9%E3%82%A6%E3%83%B3%E9%81%8B%E5%8B%95 http://www.kenmusgrave.com

Slide 141

Slide 141 text

地形自動生成 Jacob Olsen, Realtime Procedural Terrain Generation http://oddlabs.com/download/terrain_generation.pdf 2次元中点変位法 ボロノイ図 ノイズ法(濃い=低い、白い=高い) + =

Slide 142

Slide 142 text

Ken Musgrave http://www.kenmusgrave.com/

Slide 143

Slide 143 text

Terragen(Planetside Software) 風景、自動生成生成ソフト http://www.planetside.co.uk/terragen/ 海外のゲームや映画の背景として利用されている

Slide 144

Slide 144 text

Age of Empires III における地形自動生成 西川善司, 「3DゲームファンのためのAGE OF EMPIRESエンジン講座(後編)こだわりの影生成と算術合成 されるディテール、次回作はXbox2?」, GAME Watch, 2005

Slide 145

Slide 145 text

L-system による街の自動生成 City Engine(central pictures) Yoav I H Parish, Pascal Müller http://www.centralpictures.com/ce/tp/paper.pdf http://www.centralpictures.com/ce/ George Kelly, Hugh McCabe, A Survey of Procedural Techniques for City Generation http://www.gamesitb.com/SurveyProcedural.pdf

Slide 146

Slide 146 text

https://www.youtube.com/watch?v=NfizT369g60

Slide 147

Slide 147 text

https://www.youtube.com/watch?v=FzoY062kY1s

Slide 148

Slide 148 text

レベル キャラクターAI レベルを認識し、 自律的な判断を行い、 身体を動かす. 敵・味方 キャラクタ- プレイヤー 情報獲得 スパーシャルAI 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 メタAI 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 Order Ask & Report ゲーム全体をコントロール Support query query 頭脳として機能 MCS-AI動的 連携モデル

Slide 149

Slide 149 text

スパーシャルAI

Slide 150

Slide 150 text

レベル Character AI Enemy character Player 情報獲得 Spatial AI Meta-AI Order Ask & Report ゲーム全体をコントロール Support query query 頭脳として機能 MCS-AI dynamic co- operative model Dynamic allocation of enemies Observing level in real-time Direction for agents Making progress of game Autonomous thinking Cooperation Team AI Preparing data to make Meta-AI and Character AI recognize the level Managing object representation Managing Navigation data Path-finding / Tactical point analysis

Slide 151

Slide 151 text

Navigation Data フリー素材屋Hoshino http://www.s-hoshino.com/

Slide 152

Slide 152 text

Navigation Data Waypoint・Graph (Networked Graph with points) Navigation Mesh(Networked Graph with polygons) Walk-able フリー素材屋Hoshino http://www.s-hoshino.com/

Slide 153

Slide 153 text

ネットワーク上のグラフ検索法 ダイクストラ法 M F L B A S O P D C G S V H Q X K N J R T W E I U Z Y G 5 4 6 3 7 2 3 B C 3 G D E 3 2 2 4 L 3 3 5 5 J F 出発点(S)を中心に、最も短い経路 を形成して行く。Gにたどり着いたら終。 各ノードの評価距離=出発点からの経路

Slide 154

Slide 154 text

ネットワーク上のグラフ検索法 A*法 M F L B A S O P D C G S V H Q X K N J R T W E I U Z Y G 5 4 6 3 7 2 3 B C 3 3 2 2 4 3 5 5 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。 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 ヒューリスティック距離 (普通ユークリッド距離を取る) 3+14.2 3+13.8 G H 3 5+10.5 6+8.4

Slide 155

Slide 155 text

RTS demo RTS - Pathfinding A* https://www.youtube.com/watch?v=95aHGzzNCY8

Slide 156

Slide 156 text

レベル キャラクターAI レベルを認識し、 自律的な判断を行い、 身体を動かす. 敵・味方 キャラクタ- プレイヤー 情報獲得 スパーシャルAI 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 メタAI 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 Order Ask & Report ゲーム全体をコントロール Support query query 頭脳として機能 MCS-AI動的 連携モデル

Slide 157

Slide 157 text

スマートシティ

Slide 158

Slide 158 text

人工知能の発展の方向

Slide 159

Slide 159 text

新しい現実空間 ゲームエンジン クラウド 現実世界 (~1995) インターネット 人工知能による新しい空間 パソコン 現実がデジタル空間を内包していたはずが、 内包したデジタル空間が現実を変化させて行く。

Slide 160

Slide 160 text

新しい現実空間 クラウド 現実世界 (~1995) インターネット 人工知能による新しい空間 パソコン 新しい現実空間 さらに、キーワードは「実世界指向」 ソフトウェアは身体を持って現実に出る。 それは現実世界を変貌させて行く。 「現実世界 2.0」

Slide 161

Slide 161 text

IT技術による新しい現実空間のサービス(新規) ネット空間 現実空間 クラウド/人工知能 インターネット 進出・ 浸食 ロボット 実空間 センシング ドローン IoT 現在起こっていること ~ネット空間から現実空間への回帰 ゲーム空間 人工知能 https://www.ingress.com ゲームエンジン

Slide 162

Slide 162 text

ゲームAIの特徴 リアルタイム インタラクティブ 身体を持つ ゲーム VR/AR ロボット・ 自動運転 デジタルサイネージ ドローン エージェント・サービス

Slide 163

Slide 163 text

Enhancing Game Experiences with Character AI Andrew Moran, Jordan Carlton(Magic Leap, Magic Leap/Weta Workshop) https://gdcvault.com/play/1025829/Magic-Leap-Enhancing-Game-Experiences

Slide 164

Slide 164 text

Enhancing Game Experiences with Character AI Andrew Moran, Jordan Carlton(Magic Leap, Magic Leap/Weta Workshop) https://gdcvault.com/play/1025829/Magic-Leap-Enhancing-Game-Experiences

Slide 165

Slide 165 text

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

Slide 166

Slide 166 text

人工知能全域 機械学習 ディープ ラーニング 統計 学習 コネクショニズム シンボリズム デジタルゲームAI 機械学習の導入には土台となるシミュレーション (物理、仕組み)が必要 シミュレーション技術

Slide 167

Slide 167 text

技術の変わり目 ビックデータ x ディープラーニング シミュレーション 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 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

Slide 168

Slide 168 text

Google 「サッカーシミュレーター」による 強化学習の研究 https://automaton-media.com/articles/newsjp/20190613-95002/ シミュレーション 現実 機械学習 (ディープ ラーニン グ) https://ai.googleblog.com/2019/06/introducing-google-research-football.html

Slide 169

Slide 169 text

シミュレーション 現実 機械学習 (ディープ ラーニン グ) DeepMind社「Capture the flag」による ディープラーニング学習 https://deepmind.com/blog/article/capture-the-flag-science

Slide 170

Slide 170 text

AnyLogic「シミュレーションx機械学習」 サービス シミュレーション 現実 機械学習 (ディープ ラーニン グ) https://www.anylogic.com/warehouse-operations/

Slide 171

Slide 171 text

Microsoft 「AirSim」による強化学習の研究 シミュレーション 現実 機械学習 (ディープ ラーニン グ) https://microsoft.github.io/AirSim/

Slide 172

Slide 172 text

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 現実 機械学習 (ディープ ラーニン グ) https://www.nvidia.com/en-us/self-driving-cars/drive-constellation

Slide 173

Slide 173 text

シミュレー ション これからの人工知能のフレームワーク 現実 機械学習 (ディープ ラーニン グ) この2つの技術の結びつきが、現実においても、仮想 空間においても、これからの協力な技術コアとなる。

Slide 174

Slide 174 text

現実世界 デジタル ツイン 相互作用 ミラーワールド スマートシティ センシング AIによる干渉 With ディープラーニング

Slide 175

Slide 175 text

スマートシティ=都市自体が持つ知能 • 自律型AI 『ドラえもん』 • 人間拡張 『009』 • スマートシティ 『アップルシード』のオリュンポス

Slide 176

Slide 176 text

情報空間の拡大 ~人工知能の舞台が広がる • やがて街全体が情報空間になる。 http://www.s-hoshino.com

Slide 177

Slide 177 text

情報空間の拡大 ~人工知能の舞台が広がる • やがて街全体を制御する人工知能が出現する。 http://www.s-hoshino.com

Slide 178

Slide 178 text

情報空間の拡大 ~人工知能の舞台が広がる http://www.s-hoshino.com ビックデータ インフラ としてのAI

Slide 179

Slide 179 text

現実世界 デジタル ツイン 相互作用 ミラーワールド スマートシティ センシング AIによる干渉

Slide 180

Slide 180 text

都市全体を監視・制御するAI 交通全般を制御するAI 各エリアを監視・制御するAI 各ビルを監視・制御するAI 道路を監視・制御す るAI 各広場を監視・制御す るAI 人の流れを監 視・制御するAI 抑止・委任 報告 抑止・委任 報告 抑止・委任 報告 都市 監視 制御 監視 制御 人 ドローン ロボット デジタル アバター 報告 命令 人 監視 制御 監視 制御

Slide 181

Slide 181 text

レベル キャラクターAI レベルを認識し、 自律的な判断を行い、 身体を動かす. 敵・味方 キャラクタ- プレイヤー 情報獲得 スパーシャルAI 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 メタAI 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 Order Ask & Report ゲーム全体をコントロール Support query query 頭脳として機能 MCS-AI動的 連携モデル

Slide 182

Slide 182 text

都市全体を監視・制御するAI 交通全般を制御するAI 各エリアを監視・制御するAI 各ビルを監視・制御するAI 道路を監視・制御す るAI 各広場を監視・制御す るAI 人の流れを監 視・制御するAI 抑止・委任 報告 抑止・委任 報告 抑止・委任 報告 都市 監視 制御 監視 制御 人 ドローン ロボット デジタル アバター 報告 命令 人 監視 制御 監視 制御 スマートシティへの応用 キャラクターAI ス パ | シ ャ ル A I メタAI

Slide 183

Slide 183 text

デジタル世界のエコシステム(AI, IA, A) 人間 知的アプリケーション(IA) IA IA アプリケーション(A) アプリケーション(A) アプリケーション(A) 自律型人工知能 自律型人工知能 IA エージェント エージェント エージェント

Slide 184

Slide 184 text

都市全体を監視・制御するAI 交通全般を制御するAI 各エリアを監視・制御するAI 各ビルを監視・制御するAI 道路を監視・制御す るAI 各広場を監視・制御す るAI 人の流れを監 視・制御するAI 抑止・委任 報告 抑止・委任 報告 抑止・委任 報告 都市 監視 制御 監視 制御 人 ドローン ロボット デジタル アバター 報告 命令 人 監視 制御 監視 制御 スマートシティへの応用 キャラクターAI ス パ | シ ャ ル A I メタAI

Slide 185

Slide 185 text

人工知能と社会 ロボッ ト 世代 人口 人工 知能 少子高齢化社会 ロボットと人工知能で 少子高齢化社会を支える 人間と人工知能の関係はどうあるべきか

Slide 186

Slide 186 text

人工知能は二種類ある。 社会インフラとなる人工知能。 個人をアシストする人工知能。 二つともこれからのビジネス。

Slide 187

Slide 187 text

インフラとしての 人工知能 人間とペアを 組む人工知能 社会 インフラ パーソナル・ サービス 人間の心 人と人の間 /モバイル システム /ビックデータ