UTokyo_YMiyake_SmartCity_Metaverse_AI_2023_11_22_public_02.pdf

Transcript

1. スマートシティ=メタバースと人工知能 = 三宅 陽一郎 @miyayou （東京大学 生産技術研究所） 2023.11.8 – 11.22 https://www.facebook.com/youichiro.miyake http://www.slideshare.net/youichiromiyake miyakey@iis.u-tokyo.ac.jp https://miyayou.com/
2. 第I部：デジタルゲームAI 第II部：メタバースとスマートシティ
3. 知能とは？ • 時間と空間を支配しようとするもの
4. 自己紹介
5. My Works (2004-2022) AI for Game Titles Books
6. 近著
8. 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
9. 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
10. ＡＩの分化（1994-2000） 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 ３つのＡＩシステムは序々に分化して独立して行った。 では、今度はナビゲーションＡＩについてさらに詳しく見てみよう。
11. レベルスクリプト ナビゲーションAI キャラクターAI メタAI 1995 2000 2005 2010 1994 (ゲームの3D化) 1999 (スクリプティッドAIによる 大型ゲームのキャラクター制御の限界。 自律型AI技術のアカデミックからの流入) 2005 (ウィル・ライトによる“メタAI”定義) 2008 (“LEFT 4 DEAD”に におけるAI Director) 2010頃～ （オープンワールド型 ゲームの隆盛) スパーシャルAI 1980 PlayStation (1994) Xbox360 (2005) PlayStation3 (2006) スクリプティッドAI 三宅陽一郎、水野勇太、里井大輝、 「メタAI」と「AI Director」の歴史的発展、日本デジタルゲーム学会（2020年、Vol.13, No.2） LS-Modelモデル LCN-AI連携モデル MCS-AI動的連携モデル MCN-AI連携モデル
12. 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（三宅,2020）
13. 都市全体の知能（意識） 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 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 協調 協調 協調・ 命令 監視 制御 デ ジ タ ル ツ イ ン ／ メ タ バ ス ／ 世 界 モ デ ル 都 市 キャラクターAI ス パ ｜ シ ャ ル AI メタAI 空 間 記 述 表 現 協調 協調
15. 近著
16. 戦略ゲームAI • 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
17. 公開された「パックマン」仕様書 岩谷徹, 高橋ミレイ , 三宅陽一郎, “ゲームAI の原点『パックマン』はいかにして生み出されたのか？： 岩谷 徹インタビュー,” 人工知能,Vol.34, No.1 pp.86-99., 2019. Japanese Society of Artificial Intelligence,No.1, 2019. Anyone can download the article: https://jsai.ixsq.nii.ac.jp/ej/index.php?active_action=repository_view_main_item_detail&page_id=13&block_id=23&item_id=9670&item_no=1
18. パックマン パックマン（PAC-MAN） Bandai Namco Entertainment https://www.youtube.com/watch?v=WbqC-sP3eUQ
19. ① モンスターの２つの波状攻撃 ② モンスターの個性的な行動と間接的な協調 ④ それぞれのレベルにおけるスピードコントロール ③ 生体タイミングコントロール パックマンのAI技術
20. ① モンスターの２つの波状攻撃 ② モンスターの個性的な行動と間接的な協調 ④ それぞれのレベルにおけるスピードコントロール ③ 生体タイミングコントロール パックマンのAI技術
21. AI Monsters’ Behavior Policy: PAC-MAN 波状攻撃 ４体のモンスターが同時に攻撃 ２つのモード 集合（攻撃）と離散（休み）を一定時間ごとに繰り返す
22. モンスターの２つのモード: 集合と離散 集合モード 離散モード
23. 7s 20s 7s 20s 5s 20s 5s 5s 20s 5s 20s 5s 27 34 54 59 7 25 30 50 55 5 79 84 7s 20s 7s 20s 5s 27 34 54 59 7 Monster Rest(四隅で待機) Monster Attack（一斉に攻撃） A B C, D (sec) (sec) (sec) ３つの波状攻撃タイミングテーブル
24. パックマン パックマン（PAC-MAN） Bandai Namco Entertainment https://www.youtube.com/watch?v=WbqC-sP3eUQ
25. ① モンスターの２つの波状攻撃 ② モンスターの個性的な行動と間接的な協調 ④ それぞれのレベルにおけるスピードコントロール ③ 生体タイミングコントロール パックマンのAI技術
26. モンスター 波状攻撃の状態 包囲攻撃 離散 アカ 常にパックマンのいるマス （８ｘ８ドット）を追う プレイフィールド上の右上付近を 動き回る． ピンク パックマンの口先の３つ先の マスを目指す プレイフィールド上の左上付近を 動き回る． シアン 赤モンスターのパックマンを 中心とした点対称を目指す プレイフィールド上の右下付近を 動き回る． オレンジ パックマンから半径約１３０ ドットの外では赤モンスターの 性格を持ち、半径内ではパック マンと無関係にランダムに動く プレイフィールド上の左下付近を 動き回る． ４匹の攻撃の方法にバリエーションを持たせる
27. パックマンの周囲の位置取り Surrounding around a PAC-MAN
28. パックマン パックマン（PAC-MAN） Bandai Namco Entertainment https://www.youtube.com/watch?v=WbqC-sP3eUQ
29. ① モンスターの２つの波状攻撃 ② モンスターの個性的な行動と間接的な協調 ④ それぞれのレベルにおけるスピードコントロール ③ 生成タイミングコントロール パックマンのAI技術
30. 2匹 ３匹 ４匹 A B C モンスター出現数 244個 30個 90個 ３匹 ４匹 50個 ４匹 (食べたえさの数)
31. ① モンスターの２つの波状攻撃 ② モンスターの個性的な行動と間接的な協調 ④ それぞれのレベルにおけるスピードコントロール ③ 生体タイミングコントロール パックマンのAI技術
32. SPEED PATTERN SPEED A Ｂ Ｃ Ｄ 22 21 20 19 18 17 16 15 14 13 12 11 10 9 8 7 ① イジケ ワープ ② ① イジケ ワープ ② ① イジケ ワープ ② ① イジケ ワープ ②
33. パックマン パックマン（PAC-MAN） Bandai Namco Entertainment https://www.youtube.com/watch?v=WbqC-sP3eUQ
34. デジタルゲームAI入門① （キャラクターAI）
35. 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
36. 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
37. 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 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
38. FC SFC SS, PS PS2,GC,Xbox Xbox360, PS3, Wii DC （次世代） Hardware 時間軸 2005 1999 ゲームの進化と人工知能 複雑な世界の 複雑なＡＩ ゲームも世界も、ＡＩの身体と内面もますます複雑になる。 単純な世界の シンプルなＡＩ （スペースインベーダー、タイトー、1978年） （アサシンクリード、ゲームロフト、2007年）
39. (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）
40. （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）
41. 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
42. 強化学習（例） 強化学習 （例）格闘ゲーム キック パン チ 波動 R_0 : 報酬＝ダメージ http://piposozai.blog76.fc2.com/ http://dear-croa.d.dooo.jp/download/illust.html
43. 強化学習 （例）格闘ゲームTaoFeng におけるキャラクター学習 Ralf Herbrich, Thore Graepel, Joaquin Quiñonero Candela Applied Games Group,Microsoft Research Cambridge "Forza, Halo, Xbox Live The Magic of Research in Microsoft Products" http://research.microsoft.com/en-us/projects/drivatar/ukstudentday.pptx Microsoft Research Playing Machines: Machine Learning Applications in Computer Games http://research.microsoft.com/en-us/projects/mlgames2008/ Video Games and Artificial Intelligence http://research.microsoft.com/en-us/projects/ijcaiigames/
46. サブサンプション・アーキテクチャ（ロドニー・ブルックス） INPUT OUTPUT 時間 情報抽象度 反射的に行動 少し場合ごとに対応 抽象的に思考 理論的に考える 言語化のプロセス = 自意識の構築化 Subsumpution Architecture 運動の実現のプロセス = 身体運動の生成
47. 機能環 効果器 受容器（刺激→興奮（記号）） 客体 活動神経網 知覚神経網 前野佳彦訳・ユクスキュル「動物の環境と内的世界」 （みすず書房） 知覚世界 活動世界 知覚微表担体 対象化された機構 活動担体 内的世界 興奮（記号） 興奮 興奮 運動形態 ＝特定の筋肉を動かす 中枢神経網
48. Physical Informat ion Abstract Informat ion More Abstract Informat ion Abstraction Time Decision-Making Decision-Making Decision-Making Multi-Layered Blackboard Abstraction Abstraction Reduction Reduction Reduction World World Dynamics Artificial Intelligence Object Object image on the lowest layer (Umwelt) Object image on the second layer Object image on the third layer Decision-Making Object image on the top layer
49. デジタルゲームAI入門② （スパーシャルAI）
50. 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
51. 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
52. パス検索（デモと実例）
53. （メッシュ） コスト : 0.5 見通し: 1.0 地表： 土 （メッシュ） コスト : 0.8 見通し: 0.7 地表： 沼 （オブジェクト） 動かせる : (1.0,0.8)向き 持ち上げる: false 上に乗れる： false 硬さ： 0.9 重たさ： 0.4 （オブジェクト） アクション：レバー倒す 効果： 扉が開く （オブジェクト）扉 メッシュ同士の リンク情報
54. スパーシャルAI 空間解析 状況解析 位置検索技術 パス検索 スマートオブジェクト など多数 影響マップ など多数
55. プレイヤー予測経路（ゴールデンパス） M. Jack , M. Vehkala, “Spaces in the Sandbox: Tactical Awareness in Open World Games,” GDC 2013, https://www.gdcvault.com/play/1018136/Spaces-in-the-Sandbox-Tactical
56. ゴールデンパスに沿った位置検索技術 プレイヤーの 予想目標地点 プレイヤーの現在位置 ゴールデンパス ゴールデンパス上で、20m以上プレイヤーから離れて、 40m以内にある場所で、ゴールデンパスから幅10mの領域でポイントを見つける
57. M. Jack , M. Vehkala, “Spaces in the Sandbox: Tactical Awareness in Open World Games,” GDC 2013, https://www.gdcvault.com/play/1018136/Spaces-in-the-Sandbox-Tactical
58. Tom Mathews Making "Big Data" Work for 'Halo': A Case Study http://ai-wiki/wiki/images/d/d8/AI_Seminar_177th.pdf
59. 位置検索システム
60. 位置検索システム - キャラクターの性能に応じて - 地形毎に - リアルタイムで 最も適したポイントを見つけるシステム
61. Enemy Friend NPC Rock Rock Sea Hole
70. オリジナル
71. オリジナル
72. M. Jack , M. Vehkala, “Spaces in the Sandbox: Tactical Awareness in Open World Games,” GDC 2013, https://www.gdcvault.com/play/1018136/Spaces-in-the-Sandbox-Tactical
73. M. Jack , M. Vehkala, “Spaces in the Sandbox: Tactical Awareness in Open World Games,” GDC 2013, https://www.gdcvault.com/play/1018136/Spaces-in-the-Sandbox-Tactical
74. M. Jack , M. Vehkala, “Spaces in the Sandbox: Tactical Awareness in Open World Games,” GDC 2013, https://www.gdcvault.com/play/1018136/Spaces-in-the-Sandbox-Tactical
75. M. Jack , M. Vehkala, “Spaces in the Sandbox: Tactical Awareness in Open World Games,” GDC 2013, https://www.gdcvault.com/play/1018136/Spaces-in-the-Sandbox-Tactical
76. M. Jack , M. Vehkala, “Spaces in the Sandbox: Tactical Awareness in Open World Games,” GDC 2013, https://www.gdcvault.com/play/1018136/Spaces-in-the-Sandbox-Tactical
77. スパーシャルAI 空間解析 状況解析 位置検索技術 パス検索 スマートオブジェクト など多数 影響マップ など多数
78. スマートオブジェクト、スマートロケーション 物の方に人工知能を持たせて、物からキャラクターを操る仕組み
79. 物理的都市空間 スマートスペース メタバース
80. デジタルゲームAI入門③ （メタAI）
81. 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
82. 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。
83. （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 －
84. 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。
85. 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
86. 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
87. プレイヤーからの可視領域 可視領域（プレイヤーから見えている 部屋）では、敵のスパウニング（発生） はできない。 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
88. 敵出現領域 背後 前方 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html 前方と背後のプレイヤー群から見えてない部屋に、 モンスターを発生させる。
89. 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
90. Black Combination in WarFrame • ブロックを組み合わる • 完全に零からの生成 ではない。 このような生成のことを Semi-procedural と言う。 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
91. 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。
92. WarFrame における自動生成マップの 自動解析によるナビゲーションデータ作成 抽出した骨格に沿って 自動的にナビゲーション・データを作成します。 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
93. スタートポイント、出口、目的地の 自動生成 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
94. ヒートマップ（影響マップ）を用いて ゲーム中にプレイヤーの周囲を自動解析 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 ヒートマップ（影響マップ）とは、対象（ここではプレイヤー）を中心に、位置に温度（影響度）を 与える方法です。距離に応じて減衰します。また時間が経つと、周囲に熱が拡散します。
95. Tactical Map の例 (影響マップ) （例）敵と自分の勢力をリアルタイムに計算する。 4 6 8 8 8 8 6 4 2 0 -1 -2 -4 -4 -4 -2 4 6 8 8 8 8 4 2 1 0 -2 -4 -4 -2 4 6 8 8 8 6 3 1 0 -2 -4 -4 -4 -2 4 6 8 8 8 6 6 4 1 0 -2 -4 -4 -2 2 4 6 8 6 6 4 4 0 -1 -2 -4 -4 -4 -2 1 2 4 6 6 4 2 2 -4 -5 -3 -3 -4 -4 -2 -1 3 3 3 3 4 2 2 0 -4 -5 -5 -8 -8 -6 -4 -2 3 3 2 2 2 0 -2 -4 -8 -10 -10 -8 -4 -2 3 3 3 2 2 1 0 -4 -8 -10 -10 -8 -8 -4 -2 2 2 2 2 1 1 0 -3 -8 -10 -10 -8 -8 -4 -2 1 1 1 1 0 0 -2 -4 -8 -8 -8 -8 -8 -8 -8 -8 0 0 0 0 0 -1 -1 -2 -5 -6 -6 -6 -8 -8 -8 0 0 0 0 -1 -2 -2 -2 -4 -4 -4 -6 -8 -8 -8 -8 0 0 0 0 -1 -2 -2 -2 -2 -2 -2 -2 -2 -2 -2 0 0 0 0 -1 -2 -2 -2 -2 -2 -2 -2 -2 -2 -2 -2 0 0 0 0 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
96. ヒートマップ（影響マップ）を用いて ゲーム中にプレイヤーの周囲を自動解析 「ヒートが増加する＝プレイヤーが近づく点」 「ヒートが減少する＝プレイヤーが遠ざかる点」 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
97. アクティブ・エリアセット（Active Are Set） 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 アクティブ・エリアセットは、プレイヤーの周囲の領域で、 リアルタイムにメタAIがゲームを調整する領域
98. メタAIがアクティブ・エリアセット内で ゲームを調整する 「ヒートが増加する＝プレイヤーが近づく点」なので、モンスターを生成する。 「ヒートが減少する＝プレイヤーが遠ざかる点」なので、モンスターを停止する。 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
99. ゲームエンジン
100. 現実世界 メタバース （ゲーム エンジン) 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
101. 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
102. 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
103. 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
104. 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
105. 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
106. 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
107. 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
108. 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
109. https://www.moguravr.com/virtual-shibuya-8/
110. https://www.youtube.com/watch?v=1FOz5dMxn3s
111. 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
112. ゲームの中、ゲームの外 ゲーム周辺AI （外＝開発、現実） ゲームAI （中＝コンテンツ） メタAI キャラクター AI ナビゲーション AI 開発支援 AI QA-AI 自動バランス AI インターフェース 上のAI データ マイニング シミュレーショ ン技術 ゲーム 可視化 ユーザーの 生体信号 プロシー ジャルAI
113. 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
114. 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 ゲームAIはシンボリックAIから機械学習へ 今後10年かけて徐々にシフトする 現在、社内でも研究中。
115. 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 ゲームAIはシンボリックAIから機械学習へ 今後10年かけて徐々にシフトする 現在、社内でも研究中。
116. 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
117. 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
118. 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
119. 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
120. 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/
121. 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/
122. 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
123. 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。
124. 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
125. 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 コモングラウンド
126. 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
127. 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
128. 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
129. リアル ⇔ デジタル
130. 現実世界 デジタルツイン （３次元モデル）
131. https://free-materials.com/%E3%82%B7%E3%83%A7%E3%83%83%E3%83%94%E3%83%B3%E3%82%B0%E3%83%A2%E3%83%BC%E3%83%AB%E3%81%AE%E9%A2%A8%E6%99%AF03/ 現実世界 デジタルツイン （３次元モデル） フォトグラメトリー
132. https://free-materials.com/%E3%82%B7%E3%83%A7%E3%83%83%E3%83%94%E3%83%B3%E3%82%B0%E3%83%A2%E3%83%BC%E3%83%AB%E3%81%AE%E9%A2%A8%E6%99%AF03/ 現実世界 デジタルツイン （３次元モデル） あるショッピングモールがプロモーションをしたい ショッピングモールそっくりのデジタルツインを構築する 各商店が自分のお店の商品のデジタルツインを構築する それと eコマースを連動させる デジタルアバター（AIキャラクター）による解説がつく
133. フォトグラメトリー https://cgworld.jp/feature/201703-cgw223T1-avatta.html
134. フォトグラメトリー 現実世界 デジタルツイン （３次元モデル） https://www.note.lespace.co.jp/n/n7df1b9c2a020
135. AIアバター 北海道産 です
136. https://free-materials.com/%E3%82%B7%E3%83%A7%E3%83%83%E3%83%94%E3%83%B3%E3%82%B0%E3%83%A2%E3%83%BC%E3%83%AB%E3%81%AE%E9%A2%A8%E6%99%AF03/ 現実世界 デジタルツイン （３次元モデル） 街全体のデジタルツイン ビル全体のデジタルツイン 各商店のデジタルツイン 各商品のデジタルツイン 店員のデジタルツイン https://www.note.lespace.co.jp/n/n7df1b9c2a020
137. 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
138. 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
139. Kaolin: A PyTorch Library for Accelerating 3D Deep Learning Research https://arxiv.org/abs/1911.05063
140. Kaolin: A PyTorch Library for Accelerating 3D Deep Learning Research https://arxiv.org/abs/1911.05063
141. 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
142. https://www.moguravr.com/virtual-shibuya-8/
143. https://www.youtube.com/watch?v=1FOz5dMxn3s
144. 第I部：デジタルゲームAI 第II部：メタバースとスマートシティ
145. 情報処理学会 ７月号（電子） 人工知能学会誌 ７月号
146. 参考文献 • 三宅陽一郎 「デジタルゲームAI技術を応用したスマートシティの設計」 人工知能学会誌、37巻4号（2022年） 10ページ • 三宅陽一郎 • 「メタバースの成立と未来 ―新しい時間と空間の獲得へ向けて―」, 情報処理, Vol.63 No.7 （2022年） 34ページ https://ipsj.ixsq.nii.ac.jp/ej/?action=pages_view_main&active_action=repository_view_main_item_detail&item_id=218538&item_no=1&page_id=13&block_id=8 https://www.jstage.jst.go.jp/article/jjsai/37/4/37_436/_article/-char/ja/
147. スマートシティ
148. データ収集 （DataSF, CityVerve） サービス https://www.softbank.jp/biz/blog/business/articles/202003/overseas-smart-city/
149. スマートシティの全体設計
150. 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（三宅,2020）
151. 都市全体の知能（意識） 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 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 協調 協調 協調・ 命令 監視 制御 デ ジ タ ル ツ イ ン ／ メ タ バ ス ／ 世 界 モ デ ル 都 市 キャラクターAI ス パ ｜ シ ャ ル AI メタAI 空 間 記 述 表 現 協調 協調
152. 都市 環境アクターネットワーク 人工知能 （メタAI, キャラクターAI, スパーシャルAI） 都市の人工知能システム 都市の実体（物質、仕組み、ネットワーク構造）
153. 都市のアクター ネットワーク 物理的な都市 都市の 人工知能 都市の 意識 （都市の無意識） （都市の身体）
154. 都市を囲う環境世界 命令の 構成 世界モデル 世界シミュレーション 都市のセンサー群 都市のアクター群 スパー シャルAI 認識の 形成 意思の 決定 都市のエージェント群 メタAI （都市の人工知能） キャラクターAI
155. 空間型AIの作成
156. スマート環境アクター スマートオブジェクト エージェント スマートポイント スマートスペース エージェント エージェント 制御 制御 制御 ドア ドアノブ スペース オブジェクト（物） ポイント（座標）
157. エージェント 主体 客体 エージェント 主体 客体 転換 環境アクター スマート 環境アクター 主客転換制御
158. メタAI エージェント エージェント自律制御 スマート環境アクター制御 スマート環境アクター制御 スマートスペース スマートオブジェクト スマートポイント コミュニケーション コミュニケーション
159. メタAI エージェント エージェント自律制御 スマート環境アクター制御 スマート環境アクター制御 スマートスペース スマートオブジェクト スマートポイント コミュニケーション コミュニケーション コモングラウンド
160. （メッシュ） コスト : 0.5 見通し: 1.0 地表： 床 推奨高度：5m （メッシュ） コスト : 0.5 見通し: 1.0 地表： 床 推奨高度：10m （メッシュ） コスト : 2.5 見通し: 1.0 地表： 土 推奨高度：10m 壁面：ガラス 壁との衝突は 必ず回避してください エージェント ナビゲーション・メッシュ （メッシュ） コスト : 0.5 見通し: 1.0 地表： 床 推奨高度：7m エレベーターの入り口： 使用する場合は、 メッセージ001を送ってください 空間記述表現
161. 物理的都市空間 スマートスペース メタバース
162. 時間と空間の階層化
163. 空間の階層化 時間の階層化 組織の階層化 図4.1 ストラテジーゲームの 人工知能に たいせつなこと ＝階層構造
164. 組織の階層構造
165. 司令官 （プレイヤー、或いはAI） サブリーダー サブリーダー サブリーダー メ ン バ ｜ メ ン バ ｜ メ ン バ ｜ メ ン バ ｜ メ ン バ ｜ メ ン バ ｜ メ ン バ ｜ メ ン バ ｜ メ ン バ ｜ メ ン バ ｜ 命令 報告 命令 報告 全エリア エリア ゾーン それぞれの階層で 考慮するべき領域 図4.2
166. 空間の階層構造
167. ウェイポイント ノード グローバル マップ スタンディング ポイント エリア ゾーン
168. 味方勢力 （青で半径に比例） 敵勢力 （赤で半径に比例） 戦略的パス 図4.4
169. 時間の階層構造
170. 階層型タスクネットワーク（HTN） クリームソーダを 作って食べる クリームソーダ を作る クリームソーダ を食べる ソーダ を買いに行く アイス を買いに行く アイス専用ストローを 持って来る 食べる ソーダに アイスを載せる 順序構造 順序構造 順序構造 メ ソ ッ ド に よ る 分 解 図4.7
171. 作成されたタスクネットワーク ソーダ を作る アイス を作る スプーンを 持って来る 食べる ソーダに アイスを載せる スタート エンド
172. 合流 敵X 敵Y 敵Z 味方A 味方B
173. 敵と戦う 戦闘する 戦闘する 味方Aに敵Xと 戦うように指示する 味方Bに敵Yと 戦うように指示する 味方Aに味方Bへ向か わせる 順序構造 合流する 味方Bに味方Aへ向か わせる 味方Aに敵Zと 戦うように指示する 味方Bに敵Zと 戦うように指示する メ ソ ッ ド に よ る 分 解 メ ソ ッ ド に よ る 分 解 メ ソ ッ ド に よ る 分 解
174. スタート 味方Aに敵Xと 戦うように指示する 味方Bに敵Yと 戦うように指示する 味方Aに味方Bへ向か わせる 味方Bに味方Aへ向か わせる 味方Aに敵Zと 戦うように指示する 味方Bに敵Zと 戦うように指示する エンド 作成されたタスクネットワーク
175. 味方A 敵モンスター本拠地 味方B フォーメーション領域 場所 １ 場所 ２ 巨大召喚モンスターM
176. 上位のタスク分解 敵本拠地 制覇 敵本拠地 攻撃 敵本拠地 占拠 チーム移動 チーム攻撃 チーム移動 敵本拠地 防衛 順序構造 順序構造 順序構造
177. メソッド チーム移動 チームA、Bが どちらも目的の100m 以内来ている チームAがチームBよ り目的地から遠い チームBがチームAよ り目的地から遠い 移動 移動 移動 輸送 移動 （T,A,1) 移動 移動 輸送 移動 (T,B,2) A A A T T T B B C
178. メソッド 輸送 移動 （X,Y,N） チームYまで 移動 チームYを 乗せる 目的地Nまで 移動 チームYを 降ろす 順序構造
179. 作成されたタスクネットワーク
180. へ 動 ムＢ 移動 チームBを 乗せる 目的地2 まで移動 チームBを 降ろす Tに乗る Tから 降りる 攻撃 攻撃 攻撃 メーションの 所へ移動 攻撃 チームA まで移動 チームAを 乗せる 敵本拠地 まで移動 チームAを 降ろす Tに乗る Tから 降りる 敵本拠地へ移動 敵本拠地へ移動
181. タイルベースのナビゲーション空間
182. キャラクターのいる領域 ここを通ることはできない 直進して空いている 領域があれば パス検索なしで移動する
183. 「タイルベースのパス検索」 Chris Jurney, “On the War Path: Tactical AI in Dawn of War 2”, GDC 2009 http://jurneydownloads.s3.amazonaws.com/gdc/GDC2009DoW2Pack.zip
184. 敵キャラクターの 周囲で空いている領域 敵キャラクターのいる領域 味方キャラクターのいる領域
185. 「タイルベースのパス検索」 Chris Jurney, “On the War Path: Tactical AI in Dawn of War 2”, GDC 2009 http://jurneydownloads.s3.amazonaws.com/gdc/GDC2009DoW2Pack.zip
186. 『ウォークラフト』『スタークラフト』の 移動アルゴリズム
187. https://deepmind.com/blog/article/alphastar-mastering-real-time-strategy-game-starcraft-ii
188. 『ウォークラフト』は固定パス 出発点 目的地
189. 『スタークラフト』のキャラクター移動の課題 敵キャラクター 味方キャラクター 攻撃
190. 敵キャラクター 攻撃 ゾーン 味方キャラクター 仮想的な キャプテン 集団制御＆領域移動
191. マップの領域分割（『スタークラフト』）
192. S G A B C D E F G H I J K L 四分岐パス検索
193. 障害物 ユニット領域 ユニット半径 ユニットに属するキャラクター ユニット領域の中心
194. 群制御 図4.25 『Overload』 Donald Kehoe, “Designing Artificial Intelligence for Games (Part 3)”, 2009.7.21 https://software.intel.com/content/www/us/en/develop/articles/designing-artificial-intelligence-for-games-part-3.html
195. (1) (2) (3) (4) (5) (6) (1) フォローイング 特定のキャラクターや仮想的な リーダーに追従する (2) フロッキング 一団となって目的地に向かう (3) グルーピング 一点に集まる (4) セパレーション お互いの感覚を開ける (5) アボイダンス 障害物を避ける (6) アライバル 特定のポイントに到着する 『スタークラフト２』 の群制御
196. ファンネル・アルゴリズム
197. T G T G S S ゴール スタート 通常のパス検索結果 ファンネル・アルゴリズムによる最適化後
198. S S S S T T T U (1) (2) (3) (4) (5) (6) (7)
199. T G S キャラクターの半径 プラス分ずらす
200. 『Wave』という概念 • 第一波、第二波、第三波…のように、敵をグループにして、 まとめてプレイヤーにぶつけること。 Attack 攻撃状態 Defend 防御状態 Regroup 分散してしまった状態に集合をかける（撤退に近い） Retreat 撤退
201. 味方が最も密集している場所 敵が最も密集 している場所 自軍ウェーブ 領域
202. コンストラクション （基地作成）
203. ミネラルを集める ために通る領域 ミネラル 通行不可能 地形 地形境界 最初からある 建築物
204. ストリート ストリート 建築可能領域 建築可能領域
205. 『TOTAL WAR:SHOGUN 2』 におけるAI Bob Fitch，“Evolution of RTS AI”, AIIDE 2011 https://movingai.com/aiide11/BlizzardAI.zip
206. https://youtu.be/DLsIGr5HhDw?t=657
207. Ingimar Hólm Guðmundsson,“Relay Racing Towards Intelligence”,2011.6.23 AIGameDev.com's Paris game AI conference, 2011
208. Ingimar Hólm Guðmundsson,“Relay Racing Towards Intelligence”,2011.6.23 AIGameDev.com's Paris game AI conference, 2011
209. グランド・タクティカル・アナライザー デタッチメント・システム ハイレベル・プランナー アナライザー： 進軍、ミサイル、捕獲、撤退、など コンフリクト・ マネージャー
210. 戦局解析 ＆ ハイレベルな戦闘プラン 決定 バトル目的生成 サブシステム更新 （認識、コンフリクト・ マネージャー） ハイレベル・プランナー それぞれの目的に対する デタッチメント Ingimar Hólm Guðmundsson,“Relay Racing Towards Intelligence”,2011.6.23 AIGameDev.com's Paris game AI conference, 2011
211. Unit 1 Unit 2 Unit ３ Unit … Unit N 正面 攻撃 単独 側面 攻撃 多重 側面 攻撃 陣取り ＆ 攻撃 非アクティブな戦術 アクティブな戦術 攻撃戦術群 攻撃に対するユニット割り当て Ingimar Hólm Guðmundsson,“Relay Racing Towards Intelligence”,2011.6.23 AIGameDev.com's Paris game AI conference, 2011
212. Ingimar Hólm Guðmundsson,“Relay Racing Towards Intelligence”,2011.6.23 AIGameDev.com's Paris game AI conference, 2011
213. プレイヤー軍 弓兵軍団 ＝森の中へ伏兵 プレイヤー軍本隊 ＝敗走を装う（トラップ） AI軍
214. 遠隔攻撃・アナライザー ターゲット ジョブ 敵ユニットたち AIユニットたち 分析 AI コンフリクト マネージャー ターゲット/ジョブ メモリー・プール Ingimar Hólm Guðmundsson,“Relay Racing Towards Intelligence”,2011.6.23 AIGameDev.com's Paris game AI conference, 2011
215. AI コンフリクト マネージャー ターゲット/ジョブ メモリー・プール AIユニットたち リソース（ユニット）へのジョブ割り当て ユニット ジョブ1（優先度） ジョブ２（優先度） 優先度の開き 敵ターゲットユニット Ingimar Hólm Guðmundsson,“Relay Racing Towards Intelligence”,2011.6.23 AIGameDev.com's Paris game AI conference, 2011
216. Ingimar Hólm Guðmundsson,“Relay Racing Towards Intelligence”,2011.6.23 AIGameDev.com's Paris game AI conference, 2011
217. 『TOTAL WAR:Warhammer』 におけるAI
218. 『トータルウォー：ウォーハンマー』の人工知能 Andre Arsenault, “Have Fun Storming the Castle! Siege Battle AI in Total War: Warhammer”, GDC 2016 https://www.gdcvault.com/play/1023363/Have-Fun-Storming-the-Castle
219. 『トータルウォー：ウォーハンマー』の人工知能 Andre Arsenault, “Have Fun Storming the Castle! Siege Battle AI in Total War: Warhammer”, GDC 2016 https://www.gdcvault.com/play/1023363/Have-Fun-Storming-the-Castle
220. グランド・タクティカル・アナライザー デタッチメント・システム 進軍マネージャー デタッチメント・システム 目的 目的 戦術 戦術 戦術 戦術
221. 攻略目的 攻略デタッチメント ゲート 攻略戦術 城壁攻略 戦術 城壁破壊 戦術 予約 戦術 ストーム 戦術 攻略タスク および戦術 『トータルウォー：ウォーハンマー』の人工知能 Andre Arsenault, “Have Fun Storming the Castle! Siege Battle AI in Total War: Warhammer”, GDC 2016 https://www.gdcvault.com/play/1023363/Have-Fun-Storming-the-Castle
222. 防衛目的 防衛デタッチメント 城壁占領 タスクと戦術 エリア占領 タスクと戦術 『トータルウォー：ウォーハンマー』の人工知能 Andre Arsenault, “Have Fun Storming the Castle! Siege Battle AI in Total War: Warhammer”, GDC 2016 https://www.gdcvault.com/play/1023363/Have-Fun-Storming-the-Castle
223. シムシティ(EA, 1989) 「大事なのは街を構成する建物とか道路じゃなくって、 そこでどんな活動が行われているかってことだと思うんだ 道路を車が走り、電車が動き、人々が動き回り、 常に要素が変化し続ける“動きのある”システム。」 「要素にはそれぞれ他の要素に与える影響、他の要素から受け る影響など、いろいろなデータが含まれていて、いったんこれ が置かれると、他の要素と相互に関係を持ち始めて状態が変化 することになるんだ。」 『ウィル・ライトが明かすシムシティーのすべて』 多摩豊 角川書店 1990 https://www.ea.com/ja-jp/games/simcity © 2021 Electronic Arts Inc.
224. シムシティのコンセプト 「プレイヤーに伝える情報をできるだけわかりやすく、それも “面白い”って思えるような形で表現しようってことだった。 シミュレーション・ソフトっていうとたいてい数値や図表がたく さん出てくるけれど、数字が並んでいるのをじっと見るよりアニ メーションの方が楽しい。 人口密度、ランド・バリュー、交通の量なんかのいろんな情報を 一目で把握できて、おまけに街全体が一つのシステムになってい ることも表現できる方法。｣
226. https://youtu.be/vS0qURl_JJY?t=30
227. unitRule mustardFactory rate 10 global Simoleans in 1 local YellowMustard in 6 local EmptyBottle in 1 local BottleOfMustard out 1 map Pollution out 5 successEvent effect smokePuff successEvent audio chugAndSlurp onFail buyMoreMustard end 『シムシティ4』のGlassBox エンジン Andrew Willmott, “GlassBox A New Simulation Architecture”, GDC 2012 http://www.andrewwillmott.com/talks/inside-glassbox Frank Cifaldi, “GDC 2012: Breaking down SimCity's Glassbox engine”,2012 https://www.gamasutra.com/view/news/164870/GDC_2012_Breaking_down_SimCitys_Glassbox_engine.php
228. https://youtu.be/MxTcm1YFKcU?t=57
229. 地形認識
230. 味方本拠地 敵本拠地 建物 みどり橋 オレンジ橋 ユニットA ユニットB きいろ橋 道路
231. プレイヤーが次に移動して 敵A キャラクターA 敵B 敵C
232. プレイヤーの移動先の位置から 弓矢が届く範囲 敵A キャラクターA 敵B 敵C
233. 『AGE OF EMIPRE 2』における地形解析
234. 敵本拠地 港 味方本拠地
235. 敵本拠地 港 味方本拠地
236. 港 味方本拠地 敵本拠地
237. 敵本拠地 港 味方本拠地
238. 建築物 金鉱 金鉱の周りの 建築禁止区域 金鉱に近く建築物にもほどほど近い場所を探す
240. 世界そのものを創生する
241. 『Dwarf Fortress』の自動生成 Q&A: Dissecting the development of Dwarf Fortress with creator Tarn Adams https://www.gamasutra.com/view/news/343859/
242. 世界創造のステップ • 準備：基本マップフィールド値として、「土地の隆起度」（elevation）「雨量」（rainfall）「気温」（temperature）「水はけ」 （drainage）, 「火山作用」（volcanism）「 自然の荒々しさ」（wildness)が海や土地のサイズなどから決定されます。 • 第１のステップ「植物生成」：プレイヤーが選択した「植物の生態系」（植物の種類、土壌）と「土地の隆起度」「雨量」「気 温」などと合致しているかがテストされます。これに合格すると、土地の隆起によって、植物が繁殖する地域が設定さ れ、さらに気温の高い地域に火山がセットされます。 • 第２のステップ「河川の生成と浸食」：土地の起伏や山裾に沿って川を作ります。渓谷になっているようなところは、土 地を侵食することでスムーズにして川を流して海につなげて行きます。また川沿いの場所に湖も生成します。 • 第３のステップ「地形の調整」：隆起と浸食によって山から海への地形、火山や山頂の形をなだらかにします。また雨 量に関しても山を挟んで雨の降る側と降らない側など地形を反映するように調整が入ります。気温に関しても隆起と雨 量を反映したものにリセットし、植物生成もこれらの変化を反映したものとします。 • 第４のステップ「最終調整」：土地の地質や地下のレイヤーをセットします。ユーザーの望んでいる通りになっているか を最終確認し、確認が取れたら野生動物の分布を決定し、天気についてのパラメータも決定します。
244. 城壁を構築するアルゴリズム
246. ① ② ③ ④
247. A B C D E F G H I J X軸 Y軸
248. A B C D E F G H I J 削除 削除 反時計回り 時計回り 時計回り
249. 現実空間のためのキャラクターAI, メタAIの検証
250. オンラインゲーム メタバース 物理空間 世界観 強固、かつ詳細 なるべく緩い設定 現実のまま 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 現実の経済、人間関係 （ソーシャル）、社会、 など無限の要素 キャラクター （人）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 不明（実存） オンラインゲーム 物理空間 純粋なメタバース （空っぽの空間）
251. 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 現実を認識する 現実を予測する
252. 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) メタバース 現実世界 デジタル世界 スマート シティ ミラーリングによる同期
253. 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
254. 広場 森 都市 大学 道路 同期 同期 同期 同期 同期 現実と同期するメタバース
255. 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 現実とメタバースをつなぐ
256. 物理空間 シミュレーション空間 物理＝シミュレーション 混合空間
257. 現実世界 現実世界 センサー エフェクタ デジタル ツイン 意思決定・ シミュレーション ゲームエンジン 都市のエージェントの エージェント・ アーキテクチャ 情報経路
258. 現実世界 現実世界 センサー エフェクタ デジタル ツイン × 世界モデル (ディープ ラーニング) 都市の 世界モデルの獲得 世界モデル シミュレーション 意思決定 都市の夢を見る シミュレーション エンジン 都市メタAIの エージェント・ アーキテクチャ 情報経路
259. 物理世界へ の作用 （指令・行為） 知能 物理世界 情報収集 （知覚） メタバース （集合知性）
260. メタバース 情報の 蓄積 シミュレー ション による予測 人間の叡知 一つの集合知性として機能する 物理空間 への作用 センサー 意思決定 エフェクター 物理空間 からの情報 物理空間へ の作用 集合知性の エージェント・アーキテクチャ
261. 物理世界 物理世界 デジタル世界 物理世界 集合知性 メタバース 物理世界 機械 Level I Level 0 Level III Level II 意識の変容 人とデジタル空間の融合 物理世界
262. 活動神経網 知覚神経網 作用 （行為） 内的世界 知能 物理世界 物理世界のリアリティ 反作用 （知覚）
263. 活動神経網 知覚神経網 反作用 （知覚） 作用 （行為） 内的世界 知能 シミュレーション世界 シミュレーション世界のリアリティ
264. 物理世界へ の作用 （指令・行為） 知能 物理世界 情報収集 （知覚） メタバース （集合知性）
265. シミュレーション
266. ゲームエンジンのUnityにPLATEAUのモデルを入れた画面。 モデルは、品川駅周辺のモデル ～都市全体の外観～ ～道路～ PLATEAUは建物のモデル のみなので、市民が実際に 歩くことになる道路は自作。 Pythonでの数値シミュレー ション同様、この道路1つ1 つにサービスの水準を設定 し、市民が通ると効用が得 られるような画面を作る。 今後の展望：実際の都市の3Dモデルによるシミュレーション 石政龍矢 三宅陽一郎「メタAI型スマートシティ形成の提唱－」 第64回土木計画学研究発表大会、2021年12月
267. 仮想空間シミュレーションの動画 シミュレーションを行っている状況を動画で紹介する。 動画内で赤く動いているのが市民である。 市民は品川駅を目指して動き、その過程で効用が計算されるように実装している。 石政龍矢 三宅陽一郎「メタAI型スマートシティ形成の提唱－」 第64回土木計画学研究発表大会、2021年12月
268. メタAI型スマートシティの有効性の検証 （Pythonによる数値シミュレーション） メタAIの有効性を検証するために、まずはPythonによる数値シミュレーションを行う。 実験で想定すること 市民は、目的地に着くまでに何本かの道路を歩く。市民は、バリアフリーが充実している道路等、その道 路のもともとの公共サービスの充実度（サービスの水準）に応じて、効用を得る。さらに、各道路には一体 ずつAIエージェントが配置され、AIエージェントは市民から一人を選んで公共サービスを行う。選ばれた市 民は、その道路から得られる効用が、さらに増加する。メタAIは、AIエージェントが重複して同じ市民を選 ばないように命令し、公共サービスを広く全体に行き渡らせる。 道路1 道路2 メタAI 左の市民は前の道路で選ばれ たので、候補から外しなさい 石政龍矢 三宅陽一郎「メタAI型スマートシティ形成の提唱－」 第64回土木計画学研究発表大会、2021年12月
269. メタAIのスマートシティへの活用 石政龍矢 三宅陽一郎「メタAI型スマートシティ形成の提唱 －PLATEAUデータを用いたマルチエージェントシミュレーションの観点から－」 第64回土木計画学研究発表大会、2021年12月
270. メタAI型スマートシティの有効性の検証 横軸はシミュレーションの回数、縦軸は社会全体の効用について、 メタAIがある場合の効用から、ない場合の効用を引いたもの 全ての状況において、 メタAIを導入した方が社 会全体の効用が高くな る メタAIがある場合とない場合の差 各パターン 効用の差 ～留意点～ 検証の目的はメタAIが 上手く機能することの確 認であるため、効用の 差の大きさにはあまり 意味はない 石政龍矢 三宅陽一郎「メタAI型スマートシティ形成の提唱－」 第64回土木計画学研究発表大会、2021年12月
271. メタバース
272. メタバースの定義
273. メタバース オンライン ゲーム 現実
274. オンラインゲーム メタバース 物理空間 世界観 強固、かつ詳細 なるべく緩い設定 現実のまま 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 現実の経済、人間関係 （ソーシャル）、社会、 など無限の要素 キャラクター （人）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 不明（実存） オンラインゲーム 物理空間 純粋なメタバース （空っぽの空間） オンラインゲームとメタバースの違い
275. 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 デファクト・メジャーの遷移
276. 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 仮想空間のリアリティ
277. 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 デジタル空間の水平構造と垂直構造
278. 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 創成記 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 UGCを軸とした オンラインゲーム アイテム課金モデル 仮想通貨の隆盛
279. サンドボックス
280. https://bittimes.net/news/117447.html
281. https://www.youtube.com/watch?v=oi1mis3DGZE
282. SANDBOX • SANDBOX = MineCraft + MMO + NFT + ソシャゲ的要素 • MineCraft要素＝土地を整形＋アイテム作れる • MMO ＝ 多数の人がログイン • NFT ＝ 売れる • ソシャゲ ＝いろんな人が作ったものを買える。アイテム集め。 • アイテムはユーザーが作る（UGC）なので、無限に増える。
283. SANDBOXの歴史 • それ以前 P2Pの会社など４つの会社→P2Pの会社は売却 • 2012年 モバイルゲームとしてスタート • 2016年 続編 • 2017年 行き詰まる → NFT • Ethereumのブロックチェーン上にThe Sandboxを構築すると いう新しい構想 • 2021年 モバイル版のインストール数が合計4,000万件、月間 アクティブユーザー数は最大100万人、クラウド上で7,000万件 の作品を共有する大規模なコミュニティ 「バーチャル空間のデジタル不動産」人気ゲーム The Sandbox COO セバスチャン・ボルジェ氏 （全インタビュー記事） https://blog.btcbox.jp/archives/13452
284. https://hedge.guide/feature/sandbox-bc202111.html ゲーム作れる
285. アニメ―ション作れる
286. アバター作れる
287. 土地買える
288. Sandboxの新しい点？ • これまでもあった。 • セカンドライフとか。 • 何が新しいか？ • ブロックチェインの技術を独自実装 • いろいろな工夫がしやすい • 仮想通貨SANDは、SANDBOX以外の影響を受けない • 対ドルのレートはゲームの人気如何による。見通しが良い。 • あとクリーン。 • デファクトスタンダードを取っている
289. https://www.fisco.co.jp/media/crypto/sandbox-about/#index_id2
290. https://www.fisco.co.jp/media/crypto/sandbox-about/#index_id2
292. https://bittimes.net/news/79128.html
297. https://twitter.com/TheSandboxGame/status/1481626506153668614
298. https://twitter.com/TheSandboxGame/status/1462871109821419523
299. https://www.fisco.co.jp/media/crypto/nftart-about/
300. https://coinpost.jp/?p=302134
301. https://twitter.com/adidasoriginals/status/1471909577658675204
302. https://coinpost.jp/?p=302485
303. メタバースとお金
304. 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 経済原理がメタバースを再生させる
305. 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 デジタルゲーム 経済から見たゲームとメタバース
306. 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 メタバースとNFT
307. 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 メタバースとNFT
308. メタバースとソーシャル
309. 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。 SN S 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 SNS＋ゲーム空間＝メタバース
310. 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、 その周辺のソーシャル空間を 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 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 Roblox Sandbox フォートナイト あつ森など ソーシャル 空間
311. メタバース＝ゲーム空間の解放 オンラインゲーム
312. 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 拡張するコミュニケーション
313. 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 人-人関係 から 人-AI-AI-人 関係へ
314. 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
315. ゲーム世界 プレイヤー （主人公） プレイする バーチャル アイドル プロデューサー 応援する・ プロデュース する ゲーム世界 （eSports) 観戦者 観戦する メタバース 一参加者 参加する デジタル世界への参加の仕方の変化 デジタル空間への参加の仕方の変化
316. メタバース （コモングラウンド）
317. スマートシティとメタバースの融合、 人間の行動変容
318. 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
319. 現実世界 デジタル ツイン (現実世界 そっくりの メタバース) 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
320. 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
321. 活動神経網 知覚神経網 作用 （行為） 内的世界 知能 物理世界 物理世界のリアリティ 反作用 （知覚）
322. 活動神経網 知覚神経網 反作用 （知覚） 作用 （行為） 内的世界 知能 シミュレーション世界 シミュレーション世界のリアリティ
323. 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 人-人関係 から 人-AI-AI-人 関係へ イラスト: https://share-mie.com/
324. 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 人-人関係 から 人-AI-AI-人 関係へ イラスト: https://share-mie.com/
325. ゲーム世界 プレイヤー （主人公） プレイする バーチャル アイドル プロデューサー 応援する・ プロデュース する ゲーム世界 （eSports) 観戦者 観戦する メタバース 一参加者 参加する デジタル世界への参加の仕方の変化 デジタル空間への参加の仕方の変化
326. 新しい現実 スマートシティ （物理世界） 知的行動 知的行動の拡大 メタバース （サイバー空間） 人 都市の人工知能 （メタAI） ＆ 空間知能 人の知性の拡大 エージェント イラスト: https://share-mie.com/
327. エージェント指向ソサエティ • 現在のコンピュータは、アプリケーション・ベース • 人がたくさんのアプリケーションを使いこなさなくてはならない • これからは、エージェント・ベースになる アプリケーション たった一体の エージェントが ユーザーに 仕える イラスト https://share-mie.com/
328. スマートシティとメタバースの融合、 人間の行動変容
329. 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
330. 現実世界 デジタル ツイン (現実世界 そっくりの メタバース) 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
331. 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
332. 活動神経網 知覚神経網 作用 （行為） 内的世界 知能 物理世界 物理世界のリアリティ 反作用 （知覚）
333. 活動神経網 知覚神経網 反作用 （知覚） 作用 （行為） 内的世界 知能 シミュレーション世界 シミュレーション世界のリアリティ
334. 人の知的レベル＝環境との相互作用による知的行動 人 環境（世界） 知的行動 知的行動の拡大
335. 環境（世界） 知的行動 知的行動の拡大 人 他者（自律的存在） 信頼感情の生成 人の知性の拡大
336. スマートシティ エージェント 知的行動 知的行動の拡大 人 メタAI スマートシティによる知的行動の拡大
337. 新しい現実 スマートシティ エージェント 知的行動 知的行動の拡大 メタバース 人 メタAI 人の知性の拡大
338. デジタルゲームから現実＝仮想融合世界へ これまでの研究： デジタルゲームの人工知能の 汎用的フレームの構築 これからの研究：都市のための人工知能の 汎用的フレームの構築
339. これまでの研究： デジタルゲームの人工知能の 汎用的フレームの構築 これからの研究：都市のための人工知能の 汎用的フレームの構築 人工知能が人間 を理解すること 人工知能が社会 を理解すること デジタルゲームから現実＝仮想融合世界へ
340. スマートシティの実現へ向けて６ステップ (1)エージェントのゲームエンジンを用いた運動動作 (2) 環境アクターネットワークの実装と検証 (3)スマート環境アクターの実装と検証 (4)メタAIとスマート環境アクターの連携 (5)スパーシャルAIの構成 (6)都市のメタAIの構成
341. PCG（Procedural Contents Generation） とは？ とっても簡単な入力 （数字、言葉） とっても複雑な出力 （絵、文章、音） ここがいろんなコンテンツを生成するように 数学・規則（ルール）を組み合わせる PCG （数学・ 規則）
342. Rogue (1980)のダンジョン生成法 Rect[0] Rect[0] Rect[1] Rect[0] Rect[1] Rect[2] Rect[3] このようにアセット（ゲームのデータ）をツールなどを通して製作するのではなく、 プログラムで作ることを「プロシージャル・コンテンツ・ジェネレーション」（PCG）と言う。 http://racanhack.sourceforge.jp/rhdoc/intromaze.html
343. ブラウン運動から地形生成 (1987) 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
344. ブラウン運動から地形生成 (1987) 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
345. PCG（Procedural Contents Generation） とは？ PCG （数学・ 規則） とっても簡単な入力 （数字、言葉） ここがいろんなコンテンツを生成するように 数学・規則（ルール）を組み合わせる
346. NO MAN’S SKY (Hello Games, 2016) http://www.no-mans-sky.com/ 宇宙、星系、太陽系、惑星を自動生成する。
347. FarCry2 (Dunia Engine ) デモ 草原自動生成 時間システム 樹木自動生成 動的天候システム 動的天候システム http://www.farcry2-hq.com/downloads,18,dunia-engine-nr1.htm
348. Far Cry 2 Dunia Engine - Growing Vegetation (Far Cry HQ) https://www.youtube.com/watch?v=FI3oR6vqn1Q
349. PCGRLとは？ とっても簡単な入力 （数字、言葉） PCG （数学・ 規則） ディープ ニューラル ネットワーク （DNN） とっても複雑な出力 （絵、文章、音）
350. PCGRLとは？ とっても簡単な入力 （数字、言葉） PCGRL とっても複雑な出力 （絵、文章、音）
351. PCGRL: Procedural Content Generation via Reinforcement Learning Ahmed Khalifa, Philip Bontrager, Sam Earle, Julian Togelius https://arxiv.org/abs/2001.09212
352. PCGRL: Procedural Content Generation via Reinforcement Learning Ahmed Khalifa, Philip Bontrager, Sam Earle, Julian Togelius https://arxiv.org/abs/2001.09212
353. PCGRL: Procedural Content Generation via Reinforcement Learning Ahmed Khalifa, Philip Bontrager, Sam Earle, Julian Togelius https://arxiv.org/abs/2001.09212
354. ゲームAI研究の新展開 • 2023/7/4 • オーム社 CHAPTER 1 ゲームと知能研究 CHAPTER 2 不完全情報ゲーム CHAPTER 3 不確定ゲーム CHAPTER 4 コミュニケーションゲーム CHAPTER 5 実環境のゲーム CHAPTER 6 ゲームデザイン CHAPTER 7 メタAIとプロシージャル コンテンツ ジェネレーション CHAPTER 8 人間らしさと楽しさの演出 CHAPTER 9 ゲーム体験の評価 CHAPTER 10 人間の認知機能とスキルアップの原理 CHAPTER 11 認知研究とAIの人間への影響 https://www.ohmsha.co.jp/book/9784274230776
355. 生成AI（generative AI）とは？ ディープ ニューラル ネットワーク （DNN） とっても簡単な入力 （数字、言葉） とっても複雑な出力 （絵、文章、音） たくさんの会話を学習している
356. 人工知能が製作し、 人工知能がチェックする Adversarial Reinforcement Learning for Procedural Content Generation Linus Gisslén, Andy Eakins, Camilo Gordillo, Joakim Bergdahl, Konrad Tollmar https://arxiv.org/abs/2103.04847
357. 意思決定 （学習・進化アルゴリズム） スパーシャル ＡＩ モーション クエリー 返答 報告 ボディ層 （身体層） 環境 センサー センサー センサー 状態指定 報告 メタＡＩ （学習・進化の管理） クエリー 返答 命令（学習モード） 学習結果報告 センサー ナビゲー ションAI モーション指定 キャラクターＡＩ NPCのゲームプレイ結果、観測 自動生成 プロシージャル技術 PCGML 伝達 ゲーム状況 全体の認識 静的・動的解析
358. Adversarial Reinforcement Learning for Procedural Content Generation Linus Gisslén, Andy Eakins, Camilo Gordillo, Joakim Bergdahl, Konrad Tollmar https://arxiv.org/abs/2103.04847
359. Adversarial Reinforcement Learning for Procedural Content Generation Linus Gisslén, Andy Eakins, Camilo Gordillo, Joakim Bergdahl, Konrad Tollmar https://arxiv.org/abs/2103.04847
360. CoG 2021: Adversarial Reinforcement Learning for Procedural Content Generation SEED – Electronic Arts https://www.youtube.com/watch?v=kNj0qcc6Fpg
361. Adversarial Reinforcement Learning for Procedural Content Generation Linus Gisslén, Andy Eakins, Camilo Gordillo, Joakim Bergdahl, Konrad Tollmar https://arxiv.org/abs/2103.04847
362. Adversarial Reinforcement Learning for Procedural Content Generation Linus Gisslén, Andy Eakins, Camilo Gordillo, Joakim Bergdahl, Konrad Tollmar https://arxiv.org/abs/2103.04847
363. Adversarial Reinforcement Learning for Procedural Content Generation Linus Gisslén, Andy Eakins, Camilo Gordillo, Joakim Bergdahl, Konrad Tollmar https://arxiv.org/abs/2103.04847
364. NUVERSE、GPT3をゲームに組み込む ［GDC 2023］GPT-3でNPCの会話を生成。Nuverseが「アース：リバイバル」でチャレンジする，新テクノロ ジーによるゲーム開発の“新たな一歩” https://www.4gamer.net/games/651/G065105/20230325007/
365. Earth revival (Nuverse, 中国のゲーム) • 800ms以下で会話を生成 • アニメーション生成（10 から 20秒の） • …つまり20 時間のコンテンツをわずか48分で生成 • GPT3 • 音声生成 Nuverse lets AI do all the talking and moving of NPCs in Earth: Revival https://premortem.games/2023/03/22/nuverse-lets-ai-do-all- the-talking-and-moving-of-npcs-in-earth-revival/ ジェネレーティブAIでゲーム開発支援！ GDCで発表されたリア ルな事例や取り組みを紹介 https://www.famitsu.com/news/202303/24297009.html
366. ChatGPT と Stable Diffusion を用いた RPG: Tales of Syn • How AI-assisted RPG Tales of Syn utilizes Stable Diffusion and ChatGPT to create assets and dialogues • https://gameworldobserver.com/2023/03/06/tales-of-syn-ai- rpg-stable-diffusion-chatgpt-game • Tales of Syn • https://talesofsyn.com/ • https://twitter.com/_hackmans_/status/1624501399383072768
367. ChatGPT と Stable Diffusion を用いた RPG: Tales of Syn • https://twitter.com/_hackmans_/status/1624501399383072768 • https://talesofsyn.com/
368. 生成AI（generative AI）とは？ • [木曜日 13:40] 倉林 修一 技術顧問 • [木曜日 13:41] 倉林 修一 技術顧問 • AnimatteDiff: https://arxiv.org/abs/2307.04725 • AnimateDiff: Animate Your Personalized Text-to-Image Diffusion... • With the advance of text-to-image models (e.g., Stable Diffusion) and corresponding personalization techniques such as DreamBooth and LoRA, everyone can manifest their imagination into... • [木曜日 13:47] 倉林 修一 技術顧問 • 環境アウェア型のモーションマッチング（モーションの事前生成にNN使う予定） https://www.worldscientific.com/doi/abs/10.1142/S1793351X22400086 • [木曜日 13:49] 倉林 修一 技術顧問 • メルセンヌツイスタ擬似乱数生成器の挙動をGANで学習して、誰でも独自の擬似乱数生成器を作れるようにした、 Learned PRNG: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0287025 • Learned pseudo-random number generator: WGAN-GP for generating statistically robust random numbers • Pseudo-random number generators (PRNGs) are software algorithms generating a sequence of numbers approximating the properties of random numbers. They are critical components in many information sys...
369. アメリカ大陸のデータから地形生成（Eidos） https://www.eidosmontreal.com/news/worldgen-painting-the-world-one-layer-at-a-time/
370. ゲーム自動生成 [参考文献] Cameron Browne,“Evolutionary Game Design”, SpringerBriefs in Computer Science, 2011
371. ゲーム自動生成 [参考文献] Cameron Browne,“Evolutionary Game Design”, SpringerBriefs in Computer Science, 2011
372. ゲーム自動生成 [参考文献] Cameron Browne,“Evolutionary Game Design”, SpringerBriefs in Computer Science, 2011
373. 評価 選 択 交叉 突然変異 ルール チェック 整合性 がある か？ ポリシー 選択 速度が 遅い？ ゴミ 箱 テストプ レイ 前と似て いる 引き分け になり やすい 母集団 Mark J. Nelson, “Bibliography: Encoding and generating videogame mechanics”, IEEE CIG 2012 tutorial URL https://www.kmjn.org/notes/generating_mechanics_bibliography.html Cameron Browne,“Evolutionary Game Design”, SpringerBriefs in Computer Science, 2011 URL https://www.springer.com/jp/book/9781447121787
374. ゲーム自動生成 https://jellyjellycafe.com/games/yabalath