Искусственный интеллект научили физике. Как это поможет игровой индустрии

Предисловие. Немного про себя и тему

Сначала познакомимся, так как в здешних местах я новый и считаю нужным представиться. Кому это неинтересно, мотайте сразу на следующий абзац. Хотя стопгейм я знаю относительно давно, сайтом пользуюсь впервые. Так как я сдал сессию, а на улице бушует страшный кордицепс коронавирус, мне подумалось, почему бы не начать вести блог? Игровая журналистика была моей мечтой детства, специальность в университете с этим пересекается, поэтому почему бы не попробовать? Более того, некоторые мои работы в университете связаны с видеоиграми, поэтому я подумал, почему бы их не адаптировать для блога, хотя данная статья с этим не связана. И да, я из тех людей, кто смотрел ролики стопгейма не потому что лень писать курсач, а потому что надо писать курсач. 

Слова «машинное обучение» и «нейронные сети» можно уже с уверенностью назвать одними из главных тем в науке последних лет. Причем это те самые «крутые» темы, которые охотно заходят публике. Чего стоят только те забавные ролики, где нейронные сети заменяют лица людям.

Перспективы развития этой отрасли будут особенно интересны игрокам. Разработчики игровых движков учат нейронки проходить игры, делать уровни и даже создавать истории. Если все пойдет удачно, в игровой индустрии прекрасного будущего сильно сократится объем монотонной работы. ИИ перенесет принцип «Press x to win» уже в разработку игр. И об одном из таких шажков в будущее я хочу сегодня рассказать.

Так в чем дело? 

Пишу этот материал полностью основываясь на видео с канала Two Minute Papers и прикладываю его к статье, а для тех, кто не дружит с английским и/или не хочет смотреть видео, я кратко изложу его содержание. 

Суть заключается в том, что искусственному интеллекту сначала скормили видео, где различные жидкости и газы трансформировались согласно законам физики, а потом просмотр останавливали и говорили ИИ продолжить. Потом сравнивали то, что сделала сеть на основе видео, и то, что должно было произойти согласно математическим расчетам. На удивление, машина довольно правдоподобно моделирует движение различных жидкостей (слева математическая симуляция, справа предсказание ИИ) 

Причем сеть также хорошо справляется с сложными фигурами и их взаимодействием. 

Но зачем тогда нам использовать для этого нейронную сеть, если уже существующие математические модели прекрасно с этим справляются, а машинное обучение — долгий и сложный процесс? Суть в том, что как только мы обучили машину, трудозатраты на просчет становятся сильно меньше, чем с формулами. Возвращаясь в прекрасный мир будущего, развитие этой технологии позволит нам в реальном времени симулировать различные сложные жидкости, учитывая их плотность, вязкость, поверхность на которой они находятся, и при этом процессор не будет устраивать локальный Чернобыль на материнской плате. Век двухмерного спрайта огня вместо настоящей симуляции станет таким же архаизмом. А представьте, как может измениться вода, которая встречается гораздо чаще! Начиная от реалистичного просчета волн, заканчивая правдоподобного стекания воды с разных текстур одежды, в зависимости от материала. 

Выводы

В этой маленькой статье я хотел поделиться еще одним шагом, который нейронные сети совершили к тому, чтобы помогать в разработке игр. Искусственный интеллект проник в нашу жизнь, но не так, как мы ожидали. Вместо роботов, которые чувствуют эмоции и могут независимо мыслить, мы получаем универсального помощника, занимающегося рутиной. И я считаю, что это прекрасно.