Downloaded 11 times
![適応型動的ペーシング
[基本的発想]
(1) ユーザーがリラックスしている時に、ユーザーの
緊張度が一定の敷居を超えるまで敵をぶつけ
続ける。
(2) ユーザーの緊張度が一定の緊張度を超えると
敵を引き上げる。
(3) リラックスすると敵を出現し始める（(１)へ）。
Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and
Interactive Digital Entertainment Conference at Stanford.
http://www.valvesoftware.com/publications.html](https://image.slidesharecdn.com/dhai2020525no1public-201026135806/85/slide-270-320.jpg)
Uploaded byYouichiro Miyake
人工知能とは何か？
人工知能の歴史から、人工知能を学んでみよう。ダートマス会議、検索エンジン、IBMワトソンまでの系譜を理解します。脳の構造の解明、ニューロン、ニューラルネット、そしてディープラーニングまでを理解します。
人工知能とは何か？
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7. My Works (2004-2017) AIfor Game Titles Books
- 9. 目次 • 第一章 人工知能とは？ •第二章 なぜ今、人工知能技術が注目されているか • 第三章 人工知能の各種事例 • 第四章 人工知能の発展の方向 • 第五章 生成系ニューラルネットワーク • 第六章 ゲームAIと人工生命 • 第七章 環世界と現象学と人工知能 • 第八章 サービスと人工知能 • 第九章 人工知能と哲学 • 第十章 モバイルゲームにおける人工知能 • 第十一章 データ解析・学習によるオンラインゲームのサポート • 第十二章 人工知能と創造性 • 第十三章 人間と人工知能の比較 • 第十四章 人工知能と社会デザイン I II III
- 10. 目次 • 第一章 人工知能とは？ •第二章 なぜ今、人工知能技術が注目されているか • 第三章 人工知能の各種事例 • 第四章 人工知能の発展の方向 • 第五章 生成系ニューラルネットワーク • 第六章 ゲームAIと人工生命 • 第七章 環世界と現象学と人工知能 • 第八章 サービスと人工知能 • 第九章 人工知能と哲学 • 第十章 モバイルゲームにおける人工知能 • 第十一章 データ解析・学習によるオンラインゲームのサポート • 第十二章 人工知能と創造性 • 第十三章 人間と人工知能の比較 • 第十四章 人工知能と社会デザイン
- 11.
- 12.
- 13. ダートマス会議（1956年） • ジョン・マッカーシーのいたダートマス大学で、人 工知能をテーマとして初めて開催された会議。 • ArtificialIntelligence という名称もはじめてここで 用いられた。 http://www-formal.stanford.edu/jmc/history/dartmouth/dartmouth.html
- 14.
- 15.
- 16.
- 17.
- 18.
- 19.
- 20.
- 21.
- 22.
- 23.
- 24.
- 25.
- 26.
- 27.
- 28.
- 29.
- 30.
- 31.
- 32.
- 33.
- 34.
- 35.
- 36. 目次 • 第一章 人工知能とは？ •第二章 なぜ今、人工知能技術が注目されているか • 第三章 人工知能の各種事例 • 第四章 人工知能の発展の方向 • 第五章 生成系ニューラルネットワーク • 第六章 ゲームAIと人工生命 • 第七章 環世界と現象学と人工知能 • 第八章 サービスと人工知能 • 第九章 人工知能と哲学 • 第十章 モバイルゲームにおける人工知能 • 第十一章 データ解析・学習によるオンラインゲームのサポート • 第十二章 人工知能と創造性 • 第十三章 人間と人工知能の比較 • 第十四章 人工知能と社会デザイン
- 37.
- 38. 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 19601990 Now… 現代は「知能化」の時代に 入りつつある。 第一次AIブーム 第二次AIブーム 第三次AIブーム
- 39. 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 19601990 Now… 第一次ＡＩブーム ＝ ＡＩ分野の立ち上がりのブーム（専門家の中）。研究の黎明期。 第二次ブーム ＝ パーソナルコンピューターの普及。ニューラルネットの改善。 社会にコンピューターが広がって行くとき雰囲気。 第三次ブーム ＝ ビックデータの上に学習する人工知能 第一次AIブーム 第二次AIブーム 第三次AIブーム
- 40. 人工知能がブームになるとき 時間 規模 情報革命 ネット革命 知能革命 電子情報化 オンライン化 知能化 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
- 41.
- 42. 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
- 43.
- 44.
- 45. 人工知能がブームになるとき 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 シンボルによる人工知能は 堅実に進化する
- 46. 人工知能がブームになるとき 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 ニューラルネットによる人工知能は、 浮き沈みが激しい。
- 47. 人工知能がブームになるとき 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 ニューラルネットによる人工知能は、浮き沈みが激しい。 ＝ しかし、人工知能がブームになる時は、 必ず改良されたニューラルネットワークが現れる。
- 48.
- 49. 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 19601990 Now… 現代は「知能化」の時代に 入りつつある。
- 50. 2 第１次AIブーム 時間 規模 情報革命 ネット革命 知能革命 電子情報化 オンライン化 知能化 1960 19902000 第一次AIブーム 第二次AIブーム 第三次AIブーム 1970 1980 2010
- 51. 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
- 52.
- 53.
- 54. 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
- 55. 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
- 56. 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。
- 57. 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
- 58. 3 第二次ＡＩブーム（1980年代） 1 00 このように学習させたい
- 59. 3 第二次ＡＩブーム（1980年代） 0 10 このように学習させたい
- 60. 3 第二次ＡＩブーム（1980年代） 0 01 このように学習させたい
- 61. 3 第二次ＡＩブーム（1980年代） 0 00 【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。
- 62. 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
- 63.
- 64. 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 19902000 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
- 65.
- 66. 目次 • 第一章 人工知能とは？ •第二章 なぜ今、人工知能技術が注目されているか • 第三章 人工知能の各種事例 • 第四章 人工知能の発展の方向 • 第五章 生成系ニューラルネットワーク • 第六章 ゲームAIと人工生命 • 第七章 環世界と現象学と人工知能 • 第八章 サービスと人工知能 • 第九章 人工知能と哲学 • 第十章 モバイルゲームにおける人工知能 • 第十一章 データ解析・学習によるオンラインゲームのサポート • 第十二章 人工知能と創造性 • 第十三章 人間と人工知能の比較 • 第十四章 人工知能と社会デザイン
- 67.
- 68. データの海が人工知能を育てる • Amazon（協調フィルタリング） • IBMワトソン •IBM Watson in みずほ銀行 • AlphaGO • ソニー「デジタルアナウンサー」 • Nvidia「自動運転」 • 医療用診断データベース
- 69.
- 70. Ａｍａｚｏｎ「協調フィルタリング」 ユーザデータ群 （たとえば販売サイト） A B C? 評価 5 1 4 A,B,C という映画を購入した人に、 次にどの映画を推薦するべきか？ A B C M 評価 4 2 5 5 同じ購入履歴で、同じような評価をしている 人が高く評価している映画を探して来る。 推薦
- 71. IBM ワトソン ネット上のあらゆるWiki 百科事典データベース など りんご 赤い90% 甘い 70% 青森 55% フランス 40% 果物 32% … しぶい 7% IBMワトソンは、文章の中の語の相関を学習する。 その学習データを用いて、インプットされた語と、 相関の強い言葉をリストアップする。
- 72. IBM Watson inみずほ銀行 • オペレーターが顧客の要望を復唱する。 • 言葉に変換 • 自動的に関連するマニュアルを表示する https://www.change-makers.jp/business/10573 要件クライ アントさん IBM ワトソン オペレーター バックアップ
- 73. IBM Watson in東京大学医学部 • 論文を学習させる。 • 論文を積み上げると富士山ぐらいになりそうな勢 い。＝人間では無理。 • 症状を入れると、論文のリストが出て来る。 症状患者さん IBM ワトソン お医者 さん バックアップ
- 74. IBM Watson in保険会社 • 保険会社の判例を学習させる。 • 一人前になるのに数年かかる。 • かつてはベテランが教えていた。 • タブレットからIBMワトソンがアドバイス 事故 内容 クライアン トさん IBM ワトソン 新人 バックアップ
- 75.
- 76.
- 77.
- 78. Deep Q-Learning Volodymyr Mnih,Koray Kavukcuoglu, David Silver, Alex Graves, Ioannis Antonoglou, Daan Wierstra, Martin Riedmiller (DeepMind Technologies) Playing Atari with Deep Reinforcement Learning http://www.cs.toronto.edu/~vmnih/docs/dqn.pdf 画面を入力 操作はあらかじめ教える スコアによる強化学習
- 79.
- 80. 学習過程解析 Volodymyr Mnih, KorayKavukcuoglu, David Silver, Alex Graves, Ioannis Antonoglou, Daan Wierstra, Martin Riedmiller (DeepMind Technologies) Playing Atari with Deep Reinforcement Learning http://www.cs.toronto.edu/~vmnih/docs/dqn.pdf
- 81. • Pπ ロールアウトポリシー（ロールアウトで討つ手を決める。 Pπ（a|s）sという状態でaを討つ確率） • Pσ Supervised Learning Network プロの討つ手からその 手を討つ確率を決める。Pσ（a|s）sという状態でaを討つ確 率。 • Pρ 強化学習ネットワーク。Pρ（学習済み）に初期化。 • Vθ(s’) 局面の状態 S’ を見たときに、勝敗の確率を予測 する関数。つまり、勝つか、負けるかを返します。 Mastering the game of Go with deep neural networks and tree search http://www.nature.com/nature/journal/v529/n7587/full/nature16961.html https://deepmind.com/research/alphago/
- 82. Mastering the gameof Go with deep neural networks and tree search http://www.nature.com/nature/journal/v529/n7587/full/nature16961.html https://deepmind.com/research/alphago/
- 83. あから２０１０ 激指 YSS 合議 Bonanza GPS 将棋 あから2010合議サーバログを可視化してみた（A SuccessfulFailure） http://blog.livedoor.jp/lunarmodule7/archives/1121781.html
- 84. Nvidia「自動運転」 • 専用のグラフィックボードを 開発 • 市場へ向けて投入 •高速道路用など用途別。 http://www.nvidia.co.jp/object/drive-px-jp.html
- 85.
- 86. 学習する人工知能 から学ぶこと • 人間には扱えないような大きなデータから、 •人間では気づかない特徴を学習している。 • さらに人間の解釈を通過することなく、 • 直接サービスやアクションを展開する （当然アマゾンの開発者は我々に何を推薦してい るか知らない）
- 87.
- 88. 第三章まとめ • 人工知能は、オートメーションの新しい姿。 • 人間に近い領域までオートメーションする。 •だから人間には脅威を感じる。 • だからそれは、「社会インフラ」の新しい形で もある。
- 89. 目次 • 第一章 人工知能とは？ •第二章 なぜ今、人工知能技術が注目されているか • 第三章 人工知能の各種事例 • 第四章 人工知能の発展の方向 • 第五章 ゲームAIと人工生命 • 第六章 環世界と現象学と人工知能 • 第七章 サービスと人工知能 • 第八章 人工知能と哲学 • 第九章 人工知能と創造性 • 未来への提言 • ディスカッションテーマ
- 90.
- 91. 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 19601990 Now… 現代は「知能化」の時代に 入りつつある。
- 92.
- 93.
- 94. 知能化 • 工場 →（知能化） → オートスケジューリング • 配送 → （知能化） → 自動分配・自動配送 • 車 → （知能化） → 自動走行・ＩＴＳ • 家電 → （知能化） → コミュニケーション家電（ルンバなど） • インターネット → （知能化） → Web.4.0 (GoogleのDeep Learning など) • TV → （知能化） → キーワード・趣向による自動録画 • 注文サービス → （知能化） → 自動受付・自動サービス 社会の隅々にまで、知的機能がインプリメント（実装）される。
- 95. 知能化 • 工場 →（知能化） → オートスケジューリング • 配送 → （知能化） → 自動分配・自動配送 • 車 → （知能化） → 自動走行・ＩＴＳ • 家電 → （知能化） → コミュニケーション家電（ルンバなど） • インターネット → （知能化） → Web.4.0 (GoogleのDeep Learning など) • TV → （知能化） → キーワード・趣向による自動録画 • 注文サービス → （知能化） → 自動受付・自動サービス 社会の隅々にまで、知的機能がインプリメント（実装）される。 知能化
- 96.
- 97.
- 98.
- 99.
- 100.
- 101.
- 102. 人間の知能の形/人工知能の知能の形 AlphaGO ＝囲碁しか打てない ＝人間より強い ナビ ＝目的地へのルート ＝ とても正確 お掃除ロボット ＝お掃除しかできない ＝ 24時間掃除 IBMワトソン ＝記号の統計情報しかない ＝何百万行のテキストの関係を記憶 お料理ロボット ＝お料理しかできない ＝何万と言うレシピ 人工知能＝専門的知能 一つのことしかできない。
- 103.
- 104.
- 105.
- 106.
- 107.
- 108. 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 19601990 Now… 第一次、第二次ブームにはなくて、第三次ブームにあるもの。 それはインターネットをなどを介して蓄積されたデータである。 第三次ブームの人工知能は、膨大なデータを温床として学習 することで生成される。 第一次AIブーム 第二次AIブーム 第三次AIブーム
- 109.
- 110.
- 111.
- 112.
- 113.
- 114.
- 115.
- 116.
- 117.
- 118.
- 119.
- 120.
- 121.
- 122.
- 123.
- 124.
- 125. 目次 • 第一章 人工知能とは？ •第二章 なぜ今、人工知能技術が注目されているか • 第三章 人工知能の各種事例 • 第四章 人工知能の発展の方向 • 第五章 生成系ニューラルネットワーク • 第六章 ゲームAIと人工生命 • 第七章 環世界と現象学と人工知能 • 第八章 サービスと人工知能 • 第九章 人工知能と哲学 • 第十章 モバイルゲームにおける人工知能 • 第十一章 データ解析・学習によるオンラインゲームのサポート • 第十二章 人工知能と創造性 • 第十三章 人間と人工知能の比較 • 第十四章 人工知能と社会デザイン
- 126.
- 127. 目次 • 第一節 ニューラルネットワーク基礎 •第二節 生成系ニューラルネットワーク • 第三節 強化学習とニューラルネットワーク
- 128.
- 129. 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
- 130.
- 131.
- 132.
- 133. ニューラルネットを理解しよう③ 数学的原理 数学的モデル 階層型ニューラルネットワーク …一方向にニューロンをつなげたもの 入力層 隠れ層 出力層 重み 重み 最初に定義するもの＝ウエイト（重み） 、バイアス とりあえず全ての結合を定義しておく（ニューロン間の重みを０にすれば切れる） 数値の組み が入ります 数値の組み が出ます これは３層の例だけど、 何層つなげてもよい 一旦定義してから変えることができないもの…全体の構造 変えることができるもの…ウエイト（重み）
- 134. 目次 • 第一節 ニューラルネットワーク基礎 •第二節 生成系ニューラルネットワーク • 第三節 強化学習とニューラルネットワーク
- 135.
- 136.
- 137.
- 138. 数学的モデル 数値の組み が入ります 階層型ニューラルネットで学習とは、ある入力に対して特定の 出力（学習信号）になるようにウエイトを変化させることを言いま す。 学習信号 実際の信号 誤差信号 ① 手動で少しずつ勘を頼りに変えて行く。 まず無理 ②えらい人が考えた方法を使ってみる。 誤差伝播法 伝播する 誤差信号 伝播する 誤差信号 どうやって？ ニューラルネットを理解しよう 逆伝播法学習
- 139.
- 140. ニューラルネットを理解しよう 逆伝播法学習 数学的モデル 教師信号と実際の出力の差を、ウエイトを調整する ことで、縮めて行く。 伝播する 誤差信号 伝播する 誤差信号 ニューラルネットの出力側から、誤差分を、後ろ側に分担して 負担するように、後ろのニューロンへ、そのニューロンが 詰める大きさを含んだ情報を伝播して行く。 誤差伝播法（BackPropagation Method） 信号 絵 画家: ジャスパー・フランシス・クロプシー Painter: Jasper Francis Cropsey タイトル: ポンプトン・プレインズ
- 141.
- 142. ⑤ニューラルネットワークの構造が進化させる 「NEAT」の技術 Mat Buckland, Chapter11, AI techniques for game programming, Premier Press, 2002 (実行ファイルとソースコードがCD-ROMにあります) これまでニューラルネットは、最初に構造を定義した後は変化しなかった。 動的にニューラルネットの構造を変化させる技術 Neuron Evoluation of Augmenting Topologies (NEAT)
- 143.
- 144. NEAT 回路の構成を遺伝子コードで表現する。 Weight: 1.2 From: 1 To:3 Enabled: Y Recurrent: N Innovation: 1 Weight: -3 From: 1 To: 4 Enabled: Y Recurrent: N Innovation: 6 Weight: 0.7 From: 2 To: 4 Enabled: Y Recurrent: N Innovation: 2 Weight: -2.1 From: 3 To: 4 Enabled: Y Recurrent: N Innovation: 6 Weight: 1.1 From: 3 To: 5 Enabled: N Recurrent: N Innovation: 3 Weight: 0.8 From: 4 To: 5 Enabled: Y Recurrent: N Innovation: 4 Weight: -1 From: 5 To: 3 Enabled: Y Recurrent: Y Innovation: 7 ID: 1 Type: Input ID: 2 Type: Input ID: 3 Type: hidden ID: 4 Type: hidden ID: 5 Type: Output 2 1 4 3 5 つなぎ方を定義する遺伝子 ニューロンを定義する遺伝子 入力 出力
- 145. NEAT 回路の構成を遺伝子コードで表現する。 Weight: 1.2 From: 1 To:3 Enabled: Y Recurrent: N Innovation: 1 Weight: -3 From: 1 To: 4 Enabled: Y Recurrent: N Innovation: 6 Weight: 0.7 From: 2 To: 4 Enabled: Y Recurrent: N Innovation: 2 Weight: -2.1 From: 3 To: 4 Enabled: Y Recurrent: N Innovation: 6 Weight: 1.1 From: 3 To: 5 Enabled: N Recurrent: N Innovation: 3 Weight: 0.8 From: 4 To: 5 Enabled: Y Recurrent: N Innovation: 4 Weight: -1 From: 5 To: 3 Enabled: Y Recurrent: Y Innovation: 7 ID: 1 Type: Input ID: 2 Type: Input ID: 3 Type: hidden ID: 4 Type: hidden ID: 5 Type: Output 2 1 4 3 5 リンク（つなぎ方）を定義する遺伝子 ニューロンを定義する遺伝子 Innovation ID によってリンク、 ニューロンを全遺伝子共通の管理す る。 無効 入力 出力
- 146.
- 147. NEATにおける交叉 親１ 2 1 7 3 4 1 1->4 2 2->4 3 3->4 6 3->7 7 7->4 12 1->7 1 1->4 2 2->4 3 3->4 4 2->5 5 5->4 8 5->9 9 9->4 15 3->9 親２ 2 1 3 95 4 Innovation ID 交 叉 2 1 3 954 4 2->5 5 5->4 8 5->9 9 9->4 15 3->9 1 1->4 2 2->4 3 3->4 子供＝新しいニューラルネットワーク
- 148.
- 149.
- 150.
- 151. 弾幕自動生成 • Applying EvolutionaryAlgorithms to the Galactic Arms Race • http://aigamedev.com/open/interviews/galactic-arms-race/ https://www.youtube.com/watch?v=N8q2uOwWcFc
- 152.
- 153.
- 154.
- 155.
- 156.
- 157. Unsupervised Representation Learningwith Deep Convolutional Generative Adversarial Networks Alec Radford, Luke Metz, Soumith Chintala (Submitted on 19 Nov 2015 (v1), last revised 7 Jan 2016 (this version, v2)) https://arxiv.org/abs/1511.06434
- 158. Unsupervised Representation Learningwith Deep Convolutional Generative Adversarial Networks Alec Radford, Luke Metz, Soumith Chintala (Submitted on 19 Nov 2015 (v1), last revised 7 Jan 2016 (this version, v2)) https://arxiv.org/abs/1511.06434
- 159. 目次 • 第一節 ニューラルネットワーク基礎 •第二節 生成系ニューラルネットワーク • 第三節 強化学習とニューラルネットワーク
- 160.
- 161.
- 162. EA SEED -Deep Learning IMITATION LEARNING WITH CONCURRENT ACTIONS IN 3D GAMES https://www.ea.com/seed/news/seed-imitation-learning-concurrent-actions
- 163. EA SEED -Deep Learning IMITATION LEARNING WITH CONCURRENT ACTIONS IN 3D GAMES https://www.ea.com/seed/news/seed-imitation-learning-concurrent-actions
- 164. EA SEED -Deep Learning IMITATION LEARNING WITH CONCURRENT ACTIONS IN 3D GAMES https://www.ea.com/seed/news/seed-imitation-learning-concurrent-actions
- 165. EA SEED -Deep Learning IMITATION LEARNING WITH CONCURRENT ACTIONS IN 3D GAMES https://www.ea.com/seed/news/seed-imitation-learning-concurrent-actions
- 166. EA SEED -Deep Learning IMITATION LEARNING WITH CONCURRENT ACTIONS IN 3D GAMES https://www.ea.com/seed/news/seed-imitation-learning-concurrent-actions
- 167. • https://www.ea.com/seed/news/self-learning-agents-play- bf1 https://www.ea.com/seed/news/seed-imitation-learning-concurrent-actions https://www.ea.com/seed/news/self-learning-agents-play-bf1 EA SEED- Deep Learning IMITATION LEARNING WITH CONCURRENT ACTIONS IN 3D GAMES https://www.ea.com/seed/news/seed-imitation-learning-concurrent-actions
- 168. The Alchemy andScience of Machine Learning for Games (GDC 2019) https://www.gdcvault.com/play/1025653/The-Alchemy-and-Science-of
- 169. The Alchemy andScience of Machine Learning for Games (GDC 2019) https://www.gdcvault.com/play/1025653/The-Alchemy-and-Science-of
- 170. The Alchemy andScience of Machine Learning for Games (GDC 2019) https://www.gdcvault.com/play/1025653/The-Alchemy-and-Science-of
- 171. Deep Mind • https://deepmind.com/blog /capture-the-flag/ •Multi agnet learning Deep Mind: Capture the Flag: the emergence of complex cooperative agents https://deepmind.com/blog/article/capture-the-flag-science
- 172. Two Agent Cooperationby DeepMind Deep Mind: Capture the Flag: the emergence of complex cooperative agents https://deepmind.com/blog/article/capture-the-flag-science
- 173. Phase-Functioned Neural Networksfor Character Control DANIEL HOLDEN, University of Edinburgh TAKU KOMURA, University of Edinburgh JUN SAITO, Method Studios http://theorangeduck.com/media/uploads/other_stuff/phasefunction.pdf
- 174.
- 175. 目次 • 第一章 人工知能とは？ •第二章 なぜ今、人工知能技術が注目されているか • 第三章 人工知能の各種事例 • 第四章 人工知能の発展の方向 • 第五章 生成系ニューラルネットワーク • 第六章 ゲームAIと人工生命 • 第七章 環世界と現象学と人工知能 • 第八章 サービスと人工知能 • 第九章 人工知能と哲学 • 第十章 モバイルゲームにおける人工知能 • 第十一章 データ解析・学習によるオンラインゲームのサポート • 第十二章 人工知能と創造性 • 第十三章 人間と人工知能の比較 • 第十四章 人工知能と社会デザイン
- 176.
- 177. 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
- 178.
- 179.
- 180.
- 181.
- 182. ゲームの中の人工知能 ナビゲーションAI キャラクターAI メタAI 環世界 アフォーダン ス 群衆 エージェント アーキテクチャ 意思決定 進化/ 適応/ 学習 戦術位置解析 プロシージャル技術 適応型動的 ペーシング ゲームの外の人工知能 知識表現 ブラックボード コミュニケーション 自律型ＡＩ 世界表現 古典的 メタAI 現代的 メタAI 遺伝的アルゴリズム ニューラルネット ワーク 強化学習
- 183.
- 184. レベル ナビゲーション AI メタAI キャラクター AI ゲームの流れを作る 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 自律的な判断 仲間同士の協調 パス検索 / 位置解析 メタAI,キャラクターAIの為に レベルの認識のためのデータを準備 オブジェクト表現を管理 ナビゲーション・データの管理 Support 敵キャラクタ－ プレイヤー 頭脳として機能 情報獲得 コントロール
- 185. ユーザー体験を作る ユーザー Navigation AI が作る世界 メタAIが作る世界 エージェントAI が作る世界 「ナビゲーションAI」「メタAI」「エージェントAI」の多層的な仕組みでユーザー経験を作る。
- 186.
- 187.
- 188.
- 189. FC SFC SS,PS PS2,GC,Xbox Xbox360, PS3, Wii DC （次世代）Hardware 時間軸20051999 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）
- 190.
- 191.
- 192.
- 193.
- 194. このＡＩはどう組むか？ こういったＡＩをゲーム産 業では「Scripted AI」と言 います。こういったＡＩは ゲームデザイナーがス クリプト言語で書く場合 多いため。 プレイ ヤー キャラクター 岩 地面 池 ＡB 、 （例） プレイヤーがＡにいれば Ｂをうろうろする。 プレイヤーがＢにいれば 近づいて攻撃する。 http://septieme-ciel.air- nifty.com/nikubanare/2007/08/post_3c38.htmlhttp://dear-croa.d.dooo.jp/download/illust.html http://piposozai.blog76.fc2.com/
- 195. スクリプト Scripted AI から自律型ＡＩへの変化 ゲームデザイナーの頭の中ゲームデザイナーの頭の中 知識 思考 Scripted AI 自律型 AI (Autonomous AI)
- 196. スクリプト Scripted AI から自律型ＡＩへの変化 ゲームデザイナーの頭の中ゲームデザイナーの頭の中 知識 思考 Scripted AI 自律型 AI (Autonomous AI) 操り人形（Scripted AI）から、キャラクターが自分で考えて行動する 自律型ＡＩ（Autonomous AI）になるためには、 ゲームデザイナーが頭の中で持っている知識と思考をＡＩに埋め込 む必要がある。
- 197.
- 198.
- 199.
- 200.
- 201.
- 202.
- 203. 極性頭部 非極性尾部 水と仲良し 水と溶けあえない （参考）永田和宏「生命の内と外」 （「考える人」（Vol.45））
- 204.
- 205.
- 206.
- 207.
- 208.
- 209.
- 210.
- 211.
- 212.
- 213.
- 214.
- 215.
- 216.
- 217.
- 218.
- 219.
- 220.
- 221.
- 222.
- 223.
- 224.
- 225.
- 226.
- 227.
- 228.
- 229.
- 230.
- 231.
- 232. 精神と身体、そして進化 情報 物質 精神・知性 身体 人工知能 人工身体 （人工生命） 人工知能 ＝ 人間を模倣した知能の再構築 人工生命＝ 多様な生物を模倣、あるいは新創造した 知能・身体の生成・運動・生活シミュレーション
- 233.
- 234. 精神と身体、そして進化 情報 物質 精神・知性 身体 人工知能 人工身体 （人工生命） 人工知能 ＝ 人間を模倣した知能の再構築 人工生命＝ 多様な生物を模倣、あるいは新創造した 知能・身体の生成・運動・生活シミュレーション
- 235.
- 236.
- 237. エージェント・アーキテクチャ WORLD INTELLIGENCE センサー エフェクター 認識 Knowledge Making 意志決定 Decision Making 運動 Motion Making 記憶体 Memory 情報体としての知能のカタチ 「情報の循環＝インフォメーション・フロー」は物質の循環の情報版。 これによって知性は自己を情報的に自己組織化できる。やはり知性も散逸構造である。
- 238. レベル ナビゲーション AI メタAI キャラクター 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 自律的な判断 仲間同士の協調 時にチームＡＩとなる メタAI, キャラクターAIの為に レベルの認識のためのデータを準備 オブジェクト表現を管理 ナビゲーション・データの管理 パス検索 /位置解析 Support 敵キャラクタ－ プレイヤー 頭脳として機能 情報獲得 コントロール 現代ゲームAIの仕組み http://dear-croa.d.dooo.jp/download/illust.html http://www.anne-box.com/
- 239. ３Ｄゲームの中のＡＩ Halo （ＨＡＬＯ、バンジー、2001年） デバッグ画面 The Illusionof Intelligence - Bungie.net Downloads http://downloads.bungie.net/presentations/gdc02_jaime_griesemer.ppt
- 240.
- 241.
- 242.
- 243.
- 244. キャラクターAIの３原則 • 何を感じ、 • 何を考え、 •どう体を動かすか？
- 245.
- 246.
- 247.
- 248. 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 SubsumputionArchitecture 運動の実現のプロセス = 身体運動の生成
- 249.
- 250. レベル ナビゲーション AI メタAI キャラクター 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 自律的な判断 仲間同士の協調 時にチームＡＩとなる メタAI, キャラクターAIの為に レベルの認識のためのデータを準備 オブジェクト表現を管理 ナビゲーション・データの管理 パス検索 /位置解析 Support 敵キャラクタ－ プレイヤー 頭脳として機能 情報獲得 コントロール 現代ゲームAIの仕組み http://dear-croa.d.dooo.jp/download/illust.html http://www.anne-box.com/
- 251. パス検索とは 現在の地点から指定したポイントへの経路を、 リアルタイムで計算して導く技術。 RTS - PathfindingA* https://www.youtube.com/watch?v=95aHGzzNCY8
- 252. Counter Strike (2000): Nav Mesh The Official Counter-Strike Bot http://aigamedev.com/insider/presentation/official-counter-strike-bot/ Dragon Age : Way Point Dragon Age pathfinding program put to the test https://www.youtube.com/watch?v=l7YQ5_Nbifo
- 253. Counter Strike: PathFollowing (デモ) The Official Counter-Strike Bot http://aigamedev.com/insider/presentation/official-counter-strike-bot/
- 254.
- 255. 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/
- 256. F.E.A.R.のプランニング シンボルによる連鎖プランニング ターゲットＡが 死んでいる ターゲットＡが 死んでいる 攻撃 武器が装填 されている 武器が装填 されている 装填する 武器を 持っている 武器を 持っている 武器を拾う 条件なし プラナー プランニング Jeff Orkins, ThreeStates and a Plan: The AI of FEAR http://alumni.media.mit.edu/~jorkin/gdc2006_orkin_jeff_fear.pdf
- 257. 計画を立てるＡＩ/計画を変更するＡＩ Jeff Orkins, ThreeStates and a Plan: The AI of FEAR http://alumni.media.mit.edu/~jorkin/gdc2006_orkin_jeff_fear.pdf
- 258. CORE Layer は、PhysicalLaryer 、Mission Layer のうちで、 どの認識を生成するかを決定するコマンドを投げる。 CERA-CRANIUM認識モデル Arrabales, R. Ledezma, A. and Sanchis, A. "Towards the Generation of Visual Qualia in Artificial Cognitive Architectures". (2010) http://www.conscious-robots.com/raul/papers/Arrabales_BICS2010.pdf
- 259.
- 260.
- 261. 2K Bot Prize FPSを用いたチューリングテスト http://aigamedev.com/open/article/conscious-bot/Movie: AIと人間のプレイヤーが混在しながら戦う。 人間と一番間違われたAIが優勝。
- 262.
- 263.
- 264. レベル ナビゲーション AI メタAI キャラクター 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 自律的な判断 仲間同士の協調 時にチームＡＩとなる メタAI, キャラクターAIの為に レベルの認識のためのデータを準備 オブジェクト表現を管理 ナビゲーション・データの管理 パス検索 /位置解析 Support 敵キャラクタ－ プレイヤー 頭脳として機能 情報獲得 コントロール 現代ゲームAIの仕組み http://dear-croa.d.dooo.jp/download/illust.html http://www.anne-box.com/
- 265. 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 19902000 古典的メタAI 現代のメタＡＩ キャラクターＡＩ技術の発展
- 266.
- 267. （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 － ゼビウス
- 268.
- 269. メタＡＩ Left 4Dead 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。
- 270. 適応型動的ペーシング [基本的発想] (1) ユーザーがリラックスしている時に、ユーザーの 緊張度が一定の敷居を超えるまで敵をぶつけ 続ける。 (2) ユーザーの緊張度が一定の緊張度を超えると 敵を引き上げる。 (3)リラックスすると敵を出現し始める（(１)へ）。 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 272. 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
- 273. メタＡＩがゲームを認識する方法 キャラクター用に作成された ナビゲーションメッシュを メタＡＩがゲームの 状況を認識するために使用する。 Michael Booth, "TheAI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 274. メタAIが作用を行う領域 Michael Booth, "TheAI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html メタＡＩが作用（敵の生成・ 消滅）を行う領域を、 AAS（= Active Area Set） と 言う。
- 275. メタAIが作用を行う領域 (AAS=Active Area Set) MichaelBooth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 276. メタAIが作用を行う領域 (AAS=Active Area Set) MichaelBooth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 277. 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
- 278. 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, "TheAI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 279. 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。
- 280.
- 281.
- 282.
- 283.
- 284.
- 285.