WorldMind: Decoupled Game World Model for State-Aware NPC Behavior
यह शोध पत्र WorldMind को प्रस्तुत करता है, जो एक डिकपल्ड (decoupled) फ्रेमवर्क है जो स्टेट-अवेयर (state-aware) NPC व्यवहार को सक्षम करने के लिए गेम वर्ल्ड मॉडलिंग को समझ (understanding), निर्णय (decision), नियंत्रण (control) और जनरेशन (generation) परतों में अलग करता है, जिसे BOSS-140K डेटासेट द्वारा समर्थित किया गया है और जो मौजूदा बेसलाइन्स की तुलना में बेहतर सामरिक सुसंगति (tactical coherence) प्रदर्शित करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
वीडियो गेम के डिजिटल परिदृश्यों में, दुनिया अक्सर एक एकल खिलाड़ी की यात्रा के लिए एक मंच की तरह होती है। फिर भी, सबसे यादगार क्षण अक्सर खिलाड़ी के अपने कार्यों से नहीं, बल्कि उनके द्वारा मिले पात्रों की प्रतिक्रियाओं से उत्पन्न होते हैं। ये नॉन-प्लेयर कैरेक्टर्स (NPCs), या गेम की दुनिया के निवासी, वातावरण को जीवंत महसूस कराने के कार्य में लगे होते हैं। दशकों से, गेम डिजाइनरों ने इन पात्रों को चलाने और कार्य करने के लिए कठोर स्क्रिप्ट्स पर भरोसा किया है, जिससे ऐसे व्यवहार बनते हैं जो पूर्वानुमानित और अक्सर दोहराव वाले होते हैं। हाल ही में, आर्टिफिशियल इंटेलिजेंस ने एक नया रास्ता दिखाना शुरू किया है, जो ऐसे मॉडल्स का उपयोग करता है जो गेमप्ले के पूरे वीडियो सीक्वेंस उत्पन्न कर सकते हैं। हालाँकि, एक महत्वपूर्ण बाधा बनी हुई है: इन नए AI सिस्टम में, पात्रों का व्यवहार अक्सर बनाए जा रहे वीडियो का एक उपोत्पाद (byproduct) होता है, या इसे बाहरी सिस्टम से निर्देशों का पालन करने के लिए मजबूर किया जाता है। इसका अर्थ यह है कि पात्र अपने आस-पास की बदलती स्थिति को वास्तव में "देख" नहीं सकते और न ही यह तय कर सकते हैं कि उस क्षण में कैसे प्रतिक्रिया देनी है। उनमें एक ऐसे मन का अभाव है जो स्क्रीन पर हो रही घटनाओं को इस बात से जोड़ सके कि उन्हें आगे क्या करना चाहिए।
टेनसेंट (Tencent) और नेशनल यूनिवर्सिटी ऑफ सिंगापुर के शोधकर्ताओं की एक टीम ने 'वर्ल्डमाइंड' (WorldMind) नामक एक नया फ्रेमवर्क पेश करके इस अंतर को दूर किया है। उनका कार्य गेम वर्ल्ड को मॉडल करने के तरीके में एक बदलाव का प्रतिनिधित्व करता है, जो उन प्रणालियों से दूर जाता है जहाँ पात्र का व्यवहार वीडियो जनरेशन प्रक्रिया के भीतर छिपा होता है। इसके बजाय, उन्होंने एक ऐसा सिस्टम बनाया है जो गेम की स्थिति (state) को समझने के कार्य को वीडियो बनाने के कार्य से स्पष्ट रूप से अलग करता है। एक ऐसे गेम की कल्पना करें जहाँ कंप्यूटर पहले खिलाड़ी और एक मॉन्स्टर के बीच की दूरी का आकलन करने के लिए रुकता है, यह जाँचता है कि मॉन्स्टर के पास कौन सी क्षमताएं उपलब्ध हैं, और फिर वीडियो का अगला फ्रेम बनाने से पहले सचेत रूप से एक विशिष्ट चाल (move) का निर्णय लेता है। यही वर्ल्डमाइंड का मूल है। शोधकर्ताओं ने यह प्रदर्शित किया कि प्रक्रिया को अलग-अलग चरणों में तोड़कर—दृश्य को समझना, प्रतिक्रिया के बारे में तर्क करना, और फिर दृश्य परिणाम उत्पन्न करना—वे ऐसे नॉन-प्लेयर कैरेक्टर्स बना सकते हैं जो जेनेरेटिव मॉडल्स में पहले कभी न देखी गई सामरिक जागरूकता (tactical awareness) के साथ विकसित होते गेम स्टेट पर प्रतिक्रिया करते हैं।
इस नए दृष्टिकोण का आधार एक चार-स्तरीय संरचना है जो धारणा (perception) और क्रिया के चक्र की नकल करती है। पहला स्तर सिस्टम की आँखों के रूप में कार्य करता है, जो अब तक उत्पन्न किए गए वीडियो फ्रेमों को लेता है और वर्तमान स्थिति का एक संक्षिप्त, डिजिटल सारांश तैयार करता है। इस सारांश में विशिष्ट विवरण शामिल हैं जैसे खिलाड़ी और बॉस के बीच की दूरी, वे एक-दूसरे के सामने किस कोण पर हैं, और बॉस ने हाल ही में किन कौशलों (skills) का उपयोग किया है का इतिहास। यह एक महत्वपूर्ण कदम है क्योंकि पिछले मॉडल्स में, AI को वीडियो बनाने के प्रयास के साथ-साथ इन विवरणों का अनुमान लगाना पड़ता था, जिससे अक्सर भ्रमित या अनुत्तरदायी व्यवहार होता था। स्थिति का यह स्पष्ट, अलग सारांश बनाकर, सिस्टम यह सुनिश्चित करता है कि निर्णय लेने की प्रक्रिया के पास काम करने के लिए तथ्यों का एक ठोस आधार हो।
एक बार जब यह संक्षिप्त स्थिति स्थापित हो जाती है, तो इसे दूसरे स्तर को सौंपा जाता है, जो ऑपरेशन के मस्तिष्क के रूप में कार्य करता है। यहाँ, एक लार्ज लैंग्वेज मॉडल—एक प्रकार का आर्टिफिशियल इंटेलिजेंस जिसे मानव भाषा को समझने और उत्पन्न करने के लिए प्रशिक्षित किया गया है—गेम स्टेट के सारांश को बॉस के उपलब्ध कौशलों की सूची और उनके विवरण के साथ पढ़ता है। मॉडल फिर स्थिति के बारे में तर्क करता है ताकि अगली चाल की योजना बनाई जा सके। वह खुद से सवाल पूछता है जैसे, "खिलाड़ी बहुत करीब है, इसलिए गैप-क्लोजिंग अटैक आवश्यक है," या "खिलाड़ी दूर है, इसलिए मुझे लॉन्ग-रेंज स्किल का उपयोग करना चाहिए।" यह स्तर केवल अनुमान नहीं लगाता; यह गेम के नियमों और दृश्य की वर्तमान वास्तविकता के आधार पर एक सामरिक योजना तैयार करता है। शोधकर्ता यह सुनिश्चित करने में सावधानी बरत रहे थे कि यह तर्क गेम के वास्तविक नियमों पर आधारित हो, न कि केवल प्रशिक्षण डेटा से पैटर्न की नकल करने पर। उन्होंने पाया कि जब उन्होंने कौशलों के विवरण या गेम की स्थिति को बदला, तो मॉडल ने अपने निर्णयों को तदनुसार बदल दिया, जिससे यह सिद्ध हुआ कि वह केवल परिणामों को याद नहीं कर रहा था, बल्कि वास्तव में मैकेनिक्स को समझ रहा था।
तीसरा स्तर एक अनुवादक (translator) के रूप में कार्य करता है, जो मस्तिष्क से प्राप्त उच्च-स्तरीय योजना को निर्देशों के एक सेट में परिवर्तित करता है जिसे वीडियो जनरेटर समझ सके। यह चुनी गई क्रिया और खिलाड़ी की गतिविधियों को लेता है और उन्हें प्राकृतिक भाषा के समयबद्ध (timed) प्रॉम्प्ट्स की एक श्रृंखला में बदल देता है। उदाहरण के लिए, यह एक वाक्यांश उत्पन्न कर सकता है जैसे "खिलाड़ी हमला कर रहा है जबकि बॉस लीप स्लैम (leap slam) कर रहा है।" यह सुनिश्चित करता है कि विजुअल जनरेशन लेयर, जो चौथा और अंतिम घटक है, सटीक, समय के अनुकूल निर्देश प्राप्त करे। वीडियो जनरेटर फिर इन प्रॉम्प्ट्स के आधार पर गेमप्ले का अगला खंड बनाता है। महत्वपूर्ण रूप से, इसके द्वारा बनाए गए फ्रेम अंतिम नहीं हैं; उन्हें फिर से पहले स्तर में फीड किया जाता है ताकि चक्र फिर से शुरू हो सके। यह एक क्लोज्ड लूप बनाता है जहाँ दुनिया का लगातार अवलोकन, विश्लेषण और अपडेट किया जाता है, जिससे नॉन-प्लेयर कैरेक्टर अपनी पिछली क्रियाओं के परिणामों पर वास्तविक समय में प्रतिक्रिया दे पाता है।
इस सिस्टम को प्रशिक्षित और परीक्षण करने के लिए, शोधकर्ताओं को एक महत्वपूर्ण डेटा चुनौती का सामना करना पड़ा। मानक वीडियो गेम रिकॉर्डिंग आमतौर पर केवल वही कैप्चर करती हैं जो खिलाड़ी करता है और जो स्क्रीन दिखाती है, जिसमें गेम के आंतरिक डेटा की कमी होती है जिसकी आवश्यकता AI को निर्णय लेने के लिए होती है। इसे हल करने के लिए, उन्होंने 'बॉस-140के' (BOSS-140K) नामक एक विशाल नया डेटासेट एकत्र करने के लिए एक स्वचालित पाइपलाइन बनाई। इस डेटासेट में गेमप्ले के 140,000 से अधिक क्लिप्स हैं, जो 200 घंटे से अधिक के हैं, जिनमें तीन अलग-अलग गेम्स में 14 विभिन्न बॉस के खिलाफ लड़ाई दिखाई गई है। पिछले डेटासेट्स के विपरीत, इसमें वीडियो फुटेज को गेम के आंतरिक स्टेट के विस्तृत, फ्रेम-दर-फ्रेम एनोटेशन के साथ जोड़ा गया है, जिसमें सटीक दूरियां, स्किल कूलडाउन और प्लेयर इनपुट शामिल हैं। उन्होंने खेलों को स्वचालित रूप से खेलने के लिए एक विशेष एजेंट का उपयोग किया, जिससे यह सुनिश्चित हुआ कि बिना किसी मानव ऑपरेटर के मैन्युअल नियंत्रण के, विविध प्रकार की अंतःक्रियाएं (interactions) रिकॉर्ड की जा सकें। यह समृद्ध, संरचित डेटा उन्हें यह सिखाने के लिए आवश्यक था कि दृश्य दुनिया को गेम के अंतर्निहित नियमों से कैसे जोड़ा जाए।
जब शोधकर्ताओं ने वर्ल्डमाइंड का परीक्षण किया, तो परिणामों ने दिखाया कि नॉन-प्लेयर कैरेक्टर्स के व्यवहार में उल्लेखनीय सुधार हुआ है। मौजूदा तरीकों के साथ आमने-सामने की तुलना में, जहाँ पात्र या तो वीडियो के भीतर अप्रत्यक्ष रूप से कार्य करते हैं या बाहरी कमांड का पालन करते हैं, नए सिस्टम को मूल्यांकनकर्ताओं द्वारा लगभग 70% मामलों में पसंद किया गया। वर्ल्डमाइंड द्वारा उत्पन्न पात्र न केवल सामरिक रूप से अधिक उपयुक्त थे, बल्कि अधिक सुसंगत भी थे, जो पूरी लड़ाई के दौरान एक निरंतर रणनीति बनाए रखते थे। वे खिलाड़ी की गतिविधियों के अनुकूल हो सकते थे, आवश्यकतानुसार दूरी कम कर सकते थे या लॉन्ग-रेंज हमलों का उपयोग करने के लिए पीछे हट सकते थे, जबकि वीडियो जनरेशन लगभग 20 फ्रेम प्रति सेकंड की गति से तालमेल बनाए रखता था। यह गति वास्तविक समय की बातचीत के लिए पर्याप्त है, जिसका अर्थ है कि सिस्टम सुचारू रूप से चल सकता है जबकि एक इंसान खेल रहा हो। अध्ययन ने यह भी पुष्टि की कि सिस्टम अपनी समझ को उन गेम्स तक सामान्यीकृत (generalize) कर सकता है जिन्हें उसने प्रशिक्षण के दौरान नहीं देखा था, बशर्ते उसे सही आंतरिक स्टेट जानकारी दी जाए, जो यह सुझाव देता है कि यह दृष्टिकोण अध्ययन में उपयोग किए गए विशिष्ट गेम्स से परे अनुप्रयोग के लिए पर्याप्त मजबूत है।
इस पेपर में प्रस्तुत कार्य इंटरैक्टिव मनोरंजन के लिए एक नया मार्ग सुझाता है, जहाँ गेम वर्ल्ड को नियंत्रित करने वाला आर्टिफिशियल इंटेलिजेंस केवल दृश्यों का जनरेटर नहीं बल्कि गेम के तर्क का एक प्रतिभागी है। स्टेट की समझ को वीडियो जनरेशन से अलग करके, शोधकर्ताओं ने एक ऐसा फ्रेमवर्क बनाया है जहाँ नॉन-प्लेयर कैरेक्टर्स के पास एक प्रकार की स्थितिजन्य जागरूकता (situational awareness) हो सकती है। वे अब पूर्व-लिखित स्क्रिप्ट या एकल जेनेरेटिव प्रक्रिया की सीमाओं से बंधे नहीं हैं। इसके बजाय, वे दुनिया को देख सकते हैं, अपने विकल्पों के बारे में तर्क कर सकते हैं और इरादे के साथ कार्य कर सकते हैं। हालांकि वर्तमान में सिस्टम बॉस फाइट्स और विशिष्ट गेम जॉनर पर केंद्रित है, स्टेट अंडरस्टैंडिंग को एक्शन जनरेशन से अलग करने का अंतर्निध सिद्धांत भविष्य में अधिक गतिशील और उत्तरदायी डिजिटल दुनिया बनाने के लिए एक आशाजनक दिशा प्रदान करता है। शोधकर्ताओं ने दिखाया है कि जब आप एक AI को गेम स्टेट का स्पष्ट दृश्य और उसके बारे में सोचने का एक तरीका देते हैं, तो उसके द्वारा बनाए गए पात्र वास्तव में जीवित हो सकते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।