L’IA était déjà un élément fondamental bien ancré dans l’industrie des jeux vidéo, mais le développement récent de la branche du Deep Learning nous place aujourd’hui à un tournant du développement vidéo ludique et de l’expérience de jeu.
Le rôle traditionnel de l’IA : simuler l’intelligence chez les personnages non jouables (PNJ)
En octobre 2015, AlphaGo, une intelligence artificielle développée par DeepBlue, terrasse un premier champion au jeu de Go. Puis moment historique en 2019, quand AlphaStar (toujours DeepBlue) se classe dans la meilleure ligue de Starcraft II, la série de jeux de stratégie en temps réel la plus vendue de tous les temps.
Quand on pense IA dans les jeux vidéo, on pense personnages non jouables (PNJ), ces personnages comme dotés d’intelligence et évoluant avec ou contre le joueur, tout au long du jeu. Ces programmes sont animés par des algorithmes statistiques spécifiques : on peut citer les modèles de Finite State Machine et de Monte Carlo Search Tree, qui permettent de donner l’illusion d’une intelligence réactive et adaptative. Ces algorithmes, bien que sophistiqués, ne font pas appel aux technologies les plus avancées de l’IA.
En effet, les technologies de pointe de Deep Learning, comme celles utilisées pour créer AlphaStar, monstre de compétition, ne sont justement pas employées pour animer les PNJ : pourquoi acheter un jeu contre lequel le joueur ne pourra jamais gagner ? C’est pourquoi, même si elles en ont les moyens, les entreprises n’investissent pas dans du Deep Learning pour les PNJ, privilégiant avant tout une bonne expérience de jeu. Mais c’est ailleurs que l’on trouve l’IA du futur…
L’IA passe de l’autre côté : le Deep Learning au service du développeur
Aujourd’hui, un développeur assisté par des algorithmes de Deep Learning peut créer des paysages, des portions d’univers bien plus réalistes et plus rapidement qu’avant. Il en va de même pour les objets, les personnages, les créatures, etc…
« L’idée la plus intéressante des 10 dernières années dans le domaine du Machine Learning ». C’est dans ces termes que Yann Le Cun, considéré comme l’un des pères du Deep Learning, décrit les Réseaux antagonistes génératifs (GAN). Comme l’indique leur nom, ces algorithmes sont capables de générer des images, des sons, des vidéos, des textes d’un réalisme absolument déroutant.
Facile de trouver une utilité à cette technologie dans une industrie où la tendance tire vers les mondes ouverts, mais imaginez-vous l’étendue des possibilités ? Pensez au degré de personnalisation qui sera accessible pour le joueur : les seules limites qui restent sont celles de notre imagination !
En parallèle du gain en contenu dont peut profiter le joueur, les grands gagnants de cette révolution sont surtout les grands éditeurs de jeux vidéo. L’utilisation du Deep Learning en développement est un avantage compétitif double : d’une part, la production rapide et de qualité de contenu raccourcit considérablement les délais de développement ; d’autre part, la production assistée permet de dégager de la ressource pour le travail de créativité et d’innovation.
Le Deep Learning révolutionne l’expérience du joueur : l’ultra-personnalisation dynamique
Imaginez maintenant un jeu où l’IA est capable d’apprendre du joueur et de son comportement, capable de modéliser sa façon de jouer, de décider, de réagir émotionnellement, et pour ensuite adapter le jeu en fonction de cette modélisation : l’ordre des quêtes, la difficulté des ennemis, les dilemmes à poser, les univers à débloquer, les discours des PNJ, les règles de l’écosystème, etc. Tout cela permet d’offrir au joueur une expérience de jeu ultra personnalisée, voire absolument unique.
Dans un futur très proche, deux joueurs pourront ainsi commencer un même jeu et finir avec deux jeux complètement différents selon la façon dont ils l’auront joué !
Schéma simplifié d’un système de dynamic difficulty adjustment. Source : Xue et al.
Un point d’attention particulier pour les développeurs est la capacité du jeu à moduler automatiquement et en continu le niveau de difficulté par un système de dynamic difficulty adjustment : Le joueur reste ainsi toujours suspendu aux bords de ses prochaines limites, sans les toucher. Et pourtant, il en redemande !
Ainsi, parvenir à intégrer un système efficace de dynamic difficulty adjustment dans un jeu permettrait de créer des conditions idéales pour maintenir le joueur dans une expérience de jeu prolongée. N’est-ce pas l’idéal de tout éditeur de jeux vidéo ? Pas étonnant que le Deep Learning investisse aujourd’hui l’industrie !
Si l’IA a réussi à sortir de son rôle de marionnettiste de bots, elle s’est même approprié le rôle de fer de lance de l’industrie des jeux vidéo. L’offre devant s’adapter à une demande de plus en plus exigeante pour des jeux plus réalistes, plus riches, plus interactifs, plus complexes, le Deep learning apparaît aujourd’hui comme la piste la plus prometteuse pour emmener l’industrie vers une véritable révolution.
