Anzeige
Tech

Diese 'Doom'-Level einer KI können es mit denen von Menschen aufnehmen

1.000 Karten des legendären Computerspiels reichten als Trainingsmaterial für die Künstliche Intelligenz. Ersetzen soll sie menschliche Spieleentwickler aber nicht.

von Wajeeh Maaz
15 Mai 2018, 10:33am

Screenshot: YouTube

Als das Computerspiel Doom 1993 erstmals erschien, war es ein riesiger Erfolg. Die verwinkelten, komplexen Level, die Entwicklerlegende John Romero baute, gelten noch heute als Referenz für Spieleentwickler. Doch nun könnte eine Künstliche Intelligenz Level-Designern wie Romero Konkurrenz machen.

Forscher der Polytechnischen Universität Mailand haben neuronale Netze darauf trainiert, neue Level für Doom zu erstellen. Das Resultat sei beeindruckend, schreiben sie in ihrem Paper. In einem YouTube-Video zeigen sie einige der KI-Level und geben Entwarnung: Die KI soll keine Spieleentwickler ersetzen.

"Unsere Forschung zielt auf intelligente Tools ab, die Designern helfen, bessere Level mit weniger Aufwand zu erstellen – sie sollen nicht durch die Tools ersetzt werden", schrieb der Mitverfasser der Studie Edoardo Giacomello Motherboard in einer E-Mail.

Die Wissenschaftler nutzten sogenannte Generative Adversarial Networks (GANs), ein spezielles Deep-Learning-Modell. In einem Generative Adversarial Network treten zwei neuronale Netze gegeneinander an. Das erste neuronale Netz wird mit einem Datensatz aus 1.000 Doom-Karten darauf trainiert, neue Level zu erstellen. Das zweite neuronale Netz beurteilt, ob diese Level authentisch aussehen oder nicht. Das erste Netz versucht daraufhin, seine Ergebnisse immer weiter zu optimieren.

Die Forscher haben zwei GANs entwickelt: Eines wurde nur mit Bildern von Doom-Karten trainiert, das andere bekam zusätzlich zu den Bildern weitere Werte wie die Größe und Raumanzahl als Trainingsgrundlage. Dazu wurden die relevantesten Informationen aus einem Datensatz aus 1.000 Doom-Karten gefiltert. In diesem Fall waren das Bilder von begehbaren Bereichen, Bodenhöhe, Objekten und dazugehörigen Beschreibungen.

"Die größte Herausforderung war es, die relevantesten Features zu identifizieren", sagte Giacomello. "Level in Videospielen sind sehr komplex aufgebaut, also hat man am Ende viele Werte, die den Level beschreiben."

Zugegeben: Für Gamer dürften Level, die von einer KI entwickelt werden, nicht unbedingt neu klingen. Viele Spiele setzen bereits heute sogenannte “procedural generation” ein, um Level, Gegenstände oder sogar Gegner nach einem Algorithmus zufällig zusammenwürfeln zu lassen. Doch gerade bei Leveln stößt diese Methode schnell an ihre Grenzen. Das Problem: Oft sind prozedural generierte Games-Welten einfach nicht besonders interessant. Das zeigte das Spiel No Man’s Sky eindrücklich. Es bestand aus Millionen zufällig zusammengewürfelter Planeten, doch nur die wenigsten waren auch wirklich einen Besuch wert. Genau dieses Problem adressiert die Deep-Learning-Methode der Mailänder Forscher.

Es ist übrigens auch nicht das erste Mal, dass Deep-Learning-Methoden für Videospiele angewandt werden. Die Forscher Mark Riedl und Matthew Guzdial am Georgia Institute of Technology stellten 2015 ihr Neuronales Netz vor, das neue Level für Super Mario Bros. generierte, indem es Menschen beim Spielen auf YouTube beobachtete. Vor Kurzem trainierten Forscher einen Algorithmus, der seine eigene Doom-Traumwelt erstellte und sich das Spiel dann selbst beibrachte.


Ebenfalls auf Motherboard: The Secret of Monkey Island


Das Modell der Mailänder Forscher ist sehr flexibel. Möchte man beispielsweise, dass Level auch beim mehrmaligen Durchspielen noch Spaß machen, kann man den Algorithmus leicht anpassen. Dem Paper zufolge könnte diese Methode irgendwann auch auf andere Aufgaben im Game-Design angewandt werden, um Abwechslung ins Spiel zu bringen.

Insgesamt bringt uns diese Entwicklung einen Schritt näher an eine Zukunft, in der immer mehr Teile der Spieleentwicklung automatisiert sind und Entwickler sich voll und ganz noch mehr kreativen Aufgaben widmen können.

Folgt Motherboard auf Facebook, Instagram, Snapchat und Twitter