ゲームビジネスとテクノロジーの未来について【GAME FUTURE SUMMIT 2025】.pdf

ゲームビジネスとテクノロジーの
未来について
三宅陽一郎
[email protected]
2025.6.4

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

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

著作

近刊（３月、５月）
０の裏側数学がゲームを動かす！

「人工知能」（人工知能学会誌）
(0)総括…………三宅陽一郎
(1)コーエー『信長の野望・大志』のAI ………三嶋寛了・太田賢治・入江禎之
(2)カプコン『EXOPRIMAL』におけるゲーム体験と開発課題解決に向けたゲーム AI技術の導入事例 …新野恵貴・阿部一樹
(3)バンダイナムコゲームスオンラインに生きる世界の作り方 ─『BLUE PROTOCOL』の例─ …………………………… 長谷洋平
(4) SONY AI高精度レーシングシミュレータへの深層強化学習の応用： Gran Turismo Sophy…妹尾卓磨・河本献太・ピートウーマン
(5) CygamesResearch End-to-End仮想化と生成 AIの統合がもたらすゲーム開発の未来 ………………… 倉林修一
(6) DeNA『逆転オセロニア』におけるDeNA×AI …甲野佑・大渡勝己・田中一樹・吉村拓真・阿部佑樹・森紘一郎・柳辺十武
(7)モリカトロン私たちはAIのソムリエです ………………………………………………………………… 森川幸人
(8)スクウェア・エニックス『ドラゴンクエスト IV』における人工知能 …………………………………… 三宅陽一郎・坂田新平
書店、Amazon, Kindle でもお求めいただけます

•青土社
•2024.7月出版
•これまで現代思想、ユリイカ、ゲン
ロン、人工知能学会誌などで掲載し
てきた論考を集めた思想的な書籍
•まえがき、あとがきは書下ろし

スクウェア・エニックスの AI
著者：スクウェア・エニックス
発行・発売株式会社ボーンデジタル
総ページ数 336ページ
サイズ B5正寸、オールカラー
発売日 2024年7月30日
電子版あり
初刷：ほぼ完売しました
二刷：９月上旬出荷開始

学習AI

Early in the learning process … … after 15 minutes of learning
Rewardfor decrease in WulongGoth’s health
Ralf Herbrich, ThoreGraepel, Joaquin QuiñoneroCandela Applied Games Group,MicrosoftResearch Cambridge
"Forza, Halo, Xbox Live The Magic of Research in Microsoft Products"
http://research.microsoft.com/en-us/projects/drivatar/ukstudentday.pptx

Early in the learning process … … after 15 minutes of learning
Punishmentfor decrease in either player’s health
Ralf Herbrich, ThoreGraepel, Joaquin QuiñoneroCandela Applied Games Group,MicrosoftResearch Cambridge
"Forza, Halo, Xbox Live The Magic of Research in Microsoft Products"
http://research.microsoft.com/en-us/projects/drivatar/ukstudentday.pptx

Black & White (2000, Lionhead)
•一体のクリーチャーを育てる /島民を導く
https://www.researchgate.net/publication/228617498_An_Agent_a_Bot_and_a_CGF_Walk_into_a_Bar/figures?lo=1
Richard Evans, “Varieties of Learning”, 11.2, AI Programming Wisdom

Black & White （Lionhead,2000）
Training of creature by learning
http://ww.youtube.com/watch?v=2t9ULyYGN-s
http://ww.lionhead.com/games/black-white/
Richard Evans, “Varieties of Learning”, 11.2, AI Programming Wisdom

欲求
（ニューラルネットワーク、
パーセプトロン）
提案
（決定木）
信念
（属性リスト）
意志：
全体プラン
（ゴール、主目標）
特定のプラン
（ゴール、目標リスト）
アクションリスト
Opinions
Desires
Beliefs
Intention

ゲームそのものへの機械学習の導入
ゲーム開発周辺（ゲーム開発環境）
ゲーム（ラインタイム）

生成AI/LLM ラスト１マイル
生成AIとゲームエンジンがつながっている（ようでいない）
2025年はここを埋める活動が多く見られた
特にミドルウェア・メーカー
生成AI
ゲーム
エンジン

https://schedule.gdconf.com/session/game-ai-summit-no-brakes-machine-learning-vehicles-in-star-wars-outlaws/908526

GDC 2025
•学習パイプランの構築
ゲーム開発パイプライン
学習パイプライン

Colin Gaudreau, Andreas Lasses, Game AI Summit: No Brakes! Machine Learning Vehicles in 'Star Wars Outlaws'Speaker(s):Colin Gaudreau, Andreas Lasses
https://gdcvault.com/play/1035556/Game-AI-Summit-No-Brakes
•トレーニングマップ

•ニューラルネットワークモデル
Colin Gaudreau, Andreas Lasses, Game AI Summit: No Brakes! Machine Learning Vehicles in 'Star Wars Outlaws'Speaker(s):Colin
Gaudreau, Andreas Lasses
https://gdcvault.com/play/1035556/Game-AI-Summit-No-Brakes

Colin Gaudreau, Andreas Lasses, Game AI Summit: No Brakes! Machine Learning Vehicles in 'Star Wars Outlaws'Speaker(s):Colin
Gaudreau, Andreas Lasses
https://gdcvault.com/play/1035556/Game-AI-Summit-No-Brakes

Rainbow Six Siege のAIボットの作り方
https://schedule.gdconf.com/session/machine-learning-summit-rainbow-six-siege-operation-bots/908153

Alex Busby, Joshua Romoff
Machine Learning Summit: 'Rainbow Six Siege': Operation BotsSpeaker
https://gdcvault.com/play/1035224/Machine-Learning-Summit-Rainbow-Six

•ユーザー位置統計情報機械学習トレーニング
Alex Busby, Joshua Romoff
Machine Learning Summit: 'Rainbow Six Siege': Operation BotsSpeaker
https://gdcvault.com/play/1035224/Machine-Learning-Summit-Rainbow-Six

ファイル（ちゃんとフォーマット決めてます）に貯めます
Alex Busby, Joshua Romoff
Machine Learning Summit: 'Rainbow Six Siege': Operation BotsSpeaker
https://gdcvault.com/play/1035224/Machine-Learning-Summit-Rainbow-Six

•データパイプラインだって完備いろんなデータを貯める
Alex Busby, Joshua Romoff
Machine Learning Summit: 'Rainbow Six Siege': Operation BotsSpeaker
https://gdcvault.com/play/1035224/Machine-Learning-Summit-Rainbow-Six

Alex Busby, Joshua Romoff
Machine Learning Summit: 'Rainbow Six Siege': Operation BotsSpeaker
https://gdcvault.com/play/1035224/Machine-Learning-Summit-Rainbow-Six
•位置情報のログを取ります

•ランタイム内で動作ボット・アーキテクチャ
Alex Busby, Joshua Romoff
Machine Learning Summit: 'Rainbow Six Siege': Operation BotsSpeaker
https://gdcvault.com/play/1035224/Machine-Learning-Summit-Rainbow-Six

Alex Busby, Joshua Romoff
Machine Learning Summit: 'Rainbow Six Siege': Operation BotsSpeaker
https://gdcvault.com/play/1035224/Machine-Learning-Summit-Rainbow-Six

マルチモーダルと LLMを使って楽々アセット検索
https://schedule.gdconf.com/session/machine-learning-summit-enhancing-development-with-llms-and-multimodal-retrieval-in-call-of-duty/908952

LorantMikolas
Machine Learning Summit: Enhancing Development with LLMs and Multimodal Retrieval in 'Call of Duty'
https://gdcvault.com/play/1035228/Machine-Learning-Summit-Enhancing-Development

•アセット探すのはたいへんこれをLLMで解決しよう
LorantMikolas
Machine Learning Summit: Enhancing Development with LLMs and Multimodal Retrieval in 'Call of Duty'
https://gdcvault.com/play/1035228/Machine-Learning-Summit-Enhancing-Development

•最終的なツール画面
LorantMikolas
Machine Learning Summit: Enhancing Development with LLMs and Multimodal Retrieval in 'Call of Duty'
https://gdcvault.com/play/1035228/Machine-Learning-Summit-Enhancing-Development

•LLMで物語生成
https://schedule.gdconf.com/session/game-ai-summit-llm-as-core-gameplay-co-creative-storytelling-in-1001-nights/909299
YuqianSun
Game AI Summit: LLM as Core Gameplay: Co-Creative Storytelling in '1001 Nights
https://gdcvault.com/play/1035179/Game-AI-Summit-LLM-as

YuqianSun
Game AI Summit: LLM as Core Gameplay: Co-Creative Storytelling in '1001 Nights
https://gdcvault.com/play/1035179/Game-AI-Summit-LLM-as

•AIでユーザープレイをサポート
https://schedule.gdconf.com/session/building-ai-assistants-to-help-a-gamers-journey-presented-by-nvidia/911199

•ゲームプレイを阻害せずに、それとなくユーザーに知らしめる

•プロンプトにも工夫がいる

https://schedule.gdconf.com/session/facul-the-first-fps-ai-companion-who-understands-human-language/907109
NPCと音声で対話しながらゲームを進める

Elvis Liu
F.A.C.U.L.: The First FPS AI Companion Who Understands Human Language
https://gdcvault.com/play/1035262/F-A-C-U-L

プレイヤーと AIが音声で対話する
Elvis Liu
F.A.C.U.L.: The First FPS AI Companion Who Understands Human Language
https://gdcvault.com/play/1035262/F-A-C-U-L

ゲームプランナー（デザイナー）の気持ち
•自分の慣れ親しんだ方法で、心行くまで作りこみたい
•一方で、あまりに膨大な作業は避けたい
•確実に任せられる部分が確認できるならいい
•何度でもやり直せるなら。（だめ出しして作り直せる）

ゲームAI技術に必要な３要素
•拡張性
ゲームの要求に応じてどんどんと機能を足していける
•多様性
同じしくみでいろいろな AIを作ることができる
•カスタマイズ性
ゲームの要求に応じた変更ができる

ゲームAI技術に必要な３要素
記号主義コネクショニズム
拡張性〇〇
多様性〇
〇
カスタマイズ性
〇 ×

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 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
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

ゲームAI技術に必要な３要素
記号主義ハイブリッドコネクショニズム
拡張性〇〇〇
多様性 △ 〇
〇
カスタマイズ性
〇
△
×

ゲームAI技術に必要な３要素
記号主義ハイブリッドコネクショニズム
拡張性
〇〇
△
多様性 △
〇〇
カスタマイズ性
〇〇 ×
いいとこ取り！

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 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
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
融合点

記号主義とコネクショニズムを組み合わせることが、
今後、ゲーム産業１５年の道！
周済涛、三宅陽一郎「アクションゲームにおけるディープニューラルネットワーク付きステートマシンを用いたキャラクター AI強化学習」
https://cedil.cesa.or.jp/cedil_sessions/view/2713

実験概要
エージェントの状態遷移図
(DNN付きステートマシン )
敵の状態遷移図
(強化学習使わない )
パトロール
DNN1
追撃
DNN2
攻撃
DNN3
Ray castで
敵を捕捉
攻撃範囲
内に入る
攻撃範囲
から出る
敵を倒す
パトロール追撃
攻撃
エージェン
トが索敵範
囲内に入る
攻撃範囲
内に入る
攻撃範囲
から出る
敵を倒す
周済涛、三宅陽一郎「アクションゲームにおけるディープニューラルネットワーク付きステートマシンを用いたキャラクター AI強化学習」
https://cedil.cesa.or.jp/cedil_sessions/view/2713

動画で比べてみる
ステート入力 (比較対象1)
周済涛、三宅陽一郎「アクションゲームにおけるディープニューラルネットワーク付きステートマシンを用いたキャラクター AI強化学習」
https://cedil.cesa.or.jp/cedil_sessions/view/2713

動画で比べてみる
本手法
周済涛、三宅陽一郎「アクションゲームにおけるディープニューラルネットワーク付きステートマシンを用いたキャラクター AI強化学習」
https://cedil.cesa.or.jp/cedil_sessions/view/2713

生成AI

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）
ここがいろんなコンテンツを学習している

テキスト（＝プロンプト）
からの絵画生成

地形自動生成
Jacob Olsen, Realtime Procedural Terrain Generation
http://oddlabs.com/download/terrain_generation.pdf
ボロノイ図の一例個々の色分けが一つの領域を表す
２次元中点変位法ボロノイ図
ノイズ法（濃い＝低い、白い＝高い）
＋＝

Ken Musgrave
http://www.kenmusgrave.com/

Age of Empires III における地形自動生成
西川善司 , 「3Dゲームファンのための AGE OF EMPIRESエンジン講座 (後編)こだわりの影生成と算術合成
されるディテール、次回作は Xbox2?」, GAME Watch, 2005

FarCry 4 の事例
Julien Varnier, Far Cry's AI: A Manifesto for Systemic Gameplay
http://archives.nucl.ai/recording/far-crys-ai-a-manifesto-for-systemic-gameplay/

これからのゲームの作り方
オープンワールド
プロシージャル（自動生成）
適応型的 AI
（自動AI配置、自動ミッション生成）

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）

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

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://ww.kenmusgrave.com

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

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。

FarCry2 (DuniaEngine ) 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

Far Cry 2 DuniaEngine -Growing Vegetation (Far Cry HQ)
https://www.youtube.com/watch?v=FI3oR6vqn1Q

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）

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）

PCGRL: Procedural Content Generation via Reinforcement Learning
Ahmed Khalifa, Philip Bontrager, Sam Earle, Julian Togelius
https://arxiv.org/abs/2001.09212

生成AIのポイント
•人が作るコンテンツ 100%
•ユーザに追じて作る AI 20%（メタAI）
•人に応じて異なるコンテンツ
•だいたい同じで少し異なる
•差異がコミュニケーションを生む
20%
（AI-made）
100%
(Human-
made)

AIはコンテンツに揺らぎを与える
従来

AIはコンテンツに揺らぎを与える
物語の分岐ルートを作る
ダンジョンを一階層多くする
敵のパラメーターを少し変える
これから

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

キャラクターの人工知能
＝キャラクターに煩悩を与える

生物学
医学
心理学
物理学
デザイン
音楽
CG
文学
アルゴリズム
…
分解総合人間
人工
知能
細分化・分立統合・配合

人工知能人間
仏教と人工知能
•仏教＝煩悩から解脱する
•人工知能＝むしろ煩悩を与えたい（執着）
煩悩
煩悩
解脱執着
人工知能＝どのようにして煩悩を与えることができるか？
人工知能
（人工知性）
禅

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

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

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
https://www.youtube.com/watch?v=F8DcgFDT9sc&t=4s

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/
https://www.youtube.com/watch?v=-WfTr1-OBGQ&t=9s

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
Neural Reconstruction Engine in NVIDIA DRIVE Sim (NVIDIA)
https://www.youtube.com/watch?v=vgot-CK1xRk&t=5s

World
Sensor
知識
生成
Knowledg
e
Making
意思決定
Decision
Making
運動
生成
Motion
Making
Information Flow
記憶
Principle of Learning
ActionResult Decision
Making
Body

Deep Learning in Ubisoft
https://gdcvault.com/play/1025653/The-Alchemy-and-Science-of
The Alchemy and Science of Machine Learning for Games
Yves Jacquier（UbisoftMontreal）

https://gdcvault.com/play/1025653/The-Alchemy-and-Science-of
35:00-
Deep Learning in Ubisoft
The Alchemy and Science of Machine Learning for Games
Yves Jacquier（UbisoftMontreal）

OpenAI「HID AND SEE 」による学習
(2019年)

「かくれんぼ」によってマルチエージェ
ントを学習させる
•オブジェクトがあって、動かしたり固
定したりできる。
•オブジェクトは直方体、傾斜台、長い
板がある。
•一度固定したオブジェトは動かせない
•エージェントは次第にオブジェクトを
利用してかくれんぼをするようになる
•６種類の戦術を順番に発見・学習して
いく
https://openai.com/blog/emergent-tool-use/

自分の座標
周囲の状況
（LIDARによる）
他のエージェ
ントの座標
ボックスの
座標、速度
傾斜台の
座標、速度
全結合
全結合
全結合
自分
コンボリューション
円方位ID
全結合
エージェント
埋め込みベクトル
ボックス
ボックス
マスクされた平均プーリング
エンティティ間のアテンション
マスクされた要素
（壁などで見えない）
LSTM
移動
アクション
つかむ
アクション
ロック
アクション
自分
エージェント
ボックス
傾斜台
メモリーステート

https://www.youtube.com/watch?v=kopoLzvh5jY

年企業テーマ開発環境公開
2003 Microsoft 「TeoFeng」における強化学習
2005 Microsoft 「ForzamotorSports」における強化学習
2013 DeepMind Atariのゲームを DQNで学習〇
2015 DeepMind 囲碁AlphaGO
2017 AnyLogic 倉庫・機械などモデルのシミュレーション
Microsoft 「パックマン」多報酬学習
Hybrid Reward Architecture for Reinforcement Learning
〇
2019 Google 「サッカーシミュレーター」による強化学習の研究〇
DeepMind 「Capture the flag」によるディープラーニング学習〇
Microsoft 「AirSim」ドローンシミュレーター〇
Nvidia 「ドライビングシミュレーター」
Mircrosoft 「TextWorld」アドベンチャーゲームを題材に言語学習〇
facebook 「CraftAssist」マインクラフト内で会話研究〇
CarMelon カーネギーメロン大学「 MineRL」マインクラフトを使った AIコンテスト〇
facebook 「LIGHT」ファンタジーワールドを構築してクラウドワーカーで会話研究〇
OpenAI 「Dota2」OpenAIによる「 OpenAIFive」〇
DeepMind 「StarCraft2」AlphaStar 〇
DeepMind 「Capture the Flag」QuakeIIIエンジン〇
2020 Nvidia GameGAN「ディープラーニングによるパックマンの目コピー」〇
DeepMind 「Agent57」Atariのほとんどのゲームを DQN+LSTMなどで学習〇
OpenAI 「HIDE ANDSK」かくれんぼを用いたマルチエージェントのカリキュラム学習〇

DQN (Deep Q network)とは

Deep Q Learning (深層強化学習 )
Q-Learning
×
Deep Learning

世界
五感
身体
言語
知識表
現型
知識
生成
Knowledge
Making
意思決定
Decision
Making
身体
運動
生成
Motion
Making
インフォメーション・フロー（情報回廊）
記憶
キャラクターにおける学習の原理
行動の表現結果の表現意思決定
Q(s,a)
関数

世界
五感
身体
言語
知識表
現型
知識
生成
Knowledge
Making
意思決定
Decision
Making
身体
運動
生成
Motion
Making
インフォメーション・フロー（情報回廊）
記憶
キャラクターにおける学習の原理
行動の表現状態・結果の表現意思決定
ニューラル
ネットワーク
(DQN)

Deep Q-Learning(2013)
Volodymyr Mnih, KorayKavukcuoglu, David Silver, Alex Graves,
IoannisAntonoglou, DaanWierstra, Martin Riedmiller(DeepMind Technologies)
Playing Atari with Deep Reinforcement Learning
http://ww.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
DQN Breakout (Google Deep Mind)
https://www.youtube.com/watch?v=TmPfTpjtdgg

学習過程解析
Volodymyr Mnih, KorayKavukcuoglu, David Silver, Alex Graves,
IoannisAntonoglou, DaanWierstra, Martin Riedmiller(DeepMind Technologies)
Playing Atari with Deep Reinforcement Learning
http://ww.cs.toronto.edu/~vmnih/docs/dqn.pdf

AlphaGO
膨大な棋譜のデータ
（人間では多過ぎて
読めない）
この棋譜を
そっくり打てる
ように学習する
自己対戦して
棋譜を貯める
この棋譜を
そっくり打てる
ように学習する
AlphaGO

囲碁AI：
位置評価関数から位置評価ニューラルネットワークへ
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/
S
QR

Deep Mind社「Agent 57」
•Atariの古典的なゲーム 57個を人間よりうまくプレイできるよう
になった Deep Mind社のAI
•https://deepmind.com/blog/article/Agent57-Outperforming-
the-human-Atari-benchmark

DQNのさらなる発展
•最後までスコアに苦しんだゲーム
•Montezuma’s Revenge
•Pitfall
•Solaris
•Skiing
Agent57: Outperforming the human Atari benchmark（DeepMind）
https://deepmind.com/blog/article/Agent57-Outperforming-the-human-Atari-benchmark

Dota2における人工知能
（OpenAI, 2019）
テーブルトーク RPGを用いた対話学習

年企業テーマ Open
2003 Microsoft 「TeoFeng」における強化学習
2005 Microsoft 「ForzamotorSports」における強化学習
2013 DeepMind Atariのゲームを DQNで学習
2015 DeepMind 囲碁AlphaGO
2017 AnyLogic 倉庫・機械などモデルのシミュレーション
Microsoft 「パックマン」多報酬学習
Hybrid Reward Architecture for Reinforcement Learning
2019 Google 「サッカーシミュレーター」による強化学習の研究〇
DeepMind 「Capture the flag」によるディープラーニング学習
Microsoft 「AirSim」ドローンシミュレーター〇
Nvidia 「ドライビングシミュレーター」
Mircrosoft 「TextWorld」アドベンチャーゲームを題材に言語学習〇
facebook 「CraftAssist」マインクラフト内で会話研究〇
CarMelon カーネギーメロン大学「 MineRL」マインクラフトを使った AIコンテスト〇
facebook 「LIGHT」ファンタジーワールドを構築してクラウドワーカーで会話研究〇
OpenAI 「Dota2」OpenAIによる「OpenAIFive」〇
DeepMind 「StarCraft2」AlphaStar 〇
DeepMind 「Capture the Flag」QuakeIIIエンジン〇
2020 Nvidia GameGAN「ディープラーニングによるパックマンの目コピー」〇
DeepMind 「Agent57」Atariのほとんどのゲームを DQN+LSTMなどで学習〇
OpenAI 「HIDE ANDSK」かくれんぼを用いたマルチエージェントのカリキュラム学習〇

日本におけるゲームセンターの対戦文化の流れ（ 1980年代～）
アメリカを中心とする FPS対戦の流れ（ 2000年前後～）
韓国における eスポーツ文化の流れ（ 1997年～）
世界的なMOBAスタイルの
チーム対戦の流れ（ 2010年～）
1985 19901995 2007
ⅬＡＮ
ゲームセンターの
対戦台インターネット高速インターネット・動画配信
実際の現場でギャラリー観戦テレビなどで観戦インターネットで観戦
ゲーム聴衆
の誕生

Dota2 eSportsで大人気
OpenAI Five: DotaGameplay https://www.youtube.com/watch?v=UZHTNBMAfAA
解説：『Dota2』における人間側のチャンピオンチームと AIチームの戦い
https://alienwarezone.jp/post/2316

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, JoakimBergdahl, Konrad Tollmar
https://arxiv.org/abs/2103.04847

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

Adversarial Reinforcement Learning for Procedural Content Generation
Linus Gisslén, Andy Eakins, Camilo Gordillo, JoakimBergdahl, Konrad Tollmar
https://arxiv.org/abs/2103.04847

CoG2021: Adversarial Reinforcement Learning for Procedural Content Generation
SED –Electronic Arts
https://www.youtube.com/watch?v=kNj0qcc6Fpg

ゲーム自動生成
[参考文献]
Cameron Browne,“EvolutionaryGame Design”, SpringerBriefsin Computer Science, 2011

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
「ANGELINA」の情報もまとめられています。
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,“EvolutionaryGame Design”, SpringerBriefsin Computer Science, 2011
URL https://www.springer.com/jp/book/9781447121787

ゲーム自動生成
https://jellyjellycafe.com/games/yabalath

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

メタＡＩ

ＡＩの分化
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
ナビゲーションＡＩのイメージをつかめただろうか？
では、最後のメタＡＩについて説明する。

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 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

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。

（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－

現代のメタAI
より積極的にゲームに干渉する。
メタAI
敵配位敵スパウニングストーリー
レベル
動的生成
ユーザー

メタＡＩ Left 4 Dead の事例
Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and
Interactive Digital Entertainment Conference at Stanford.
http://ww.valvesoftware.com/publications.html
今回は Left 4 Dead の事例を見てみる。

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://ww.valvesoftware.com/publications.html
より具体的なアルゴリズム

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://ww.valvesoftware.com/publications.html

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

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。

これからのゲームの作り方
オープンワールド
プロシージャル（自動生成）
適応型的 AI
（自動AI配置、自動ミッション生成）

まとめ
メタＡＩは、ゲームの流れを動的に作るＡＩで、キャラクターＡＩ、イベントなどに
は命令だけを出す。これは明確に、メタＡＩと他のモジュールが独立した関
係にあるから可能なこと。

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

デジタルゲーム AI入門②
（スパーシャル AI）

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

空間AIの役割
•各ステージの固有の性質を抽象化する＝共通のデータ表現
（ナビゲーションメッシュ、位置解析）
•共通のフォーマットの上で空間推論、運動・移動シミュレーショ
ンを行う

空間の思考と想像力が必要
•空間の思考＝空間推論
パス検索、位置検索
•空間の想像力＝空間シミュレーション
空間における運動・移動のシミュレーション能力
（メタバースにおいても重要）
人間は空間的想像力を駆使することで、空間を認識し利用する

各ステージの抽象化
共通の空間データ
フォーマット
各ステージ
各ステージ各ステージ

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
54
6
3
7
23
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+14.23+13.8
G H
3
5+10.56+8.4

パス検索（デモと実例）

（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

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

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://ww.gdcvault.com/play/1018136/Spaces-in-the-Sandbox-Tactical

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

位置検索システム

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

オリジナル

M. Jack , M. Vehkala, “Spaces in the Sandbox: Tactical Awareness in Open World Games,” GDC 2013,
https://ww.gdcvault.com/play/1018136/Spaces-in-the-Sandbox-Tactical

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）

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

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）

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）

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

コモングラウンド
!!!! !
コモングラウンド
空間AI
コモングラウンドを共有
エージェントが空間情報を共有
するようになる。そうすれば、
その空間的情報を用いて
賢い行動を取れるようになる。
https://www.irasutoya.com/2019/09/blog-post_52.html
https://www.irasutoya.com/2014/11/blog-post_288.html
https://www.irasutoya.com/2014/01/blog-post_25.html
https://www.irasutoya.com/2018/06/blog-post_94.html
https://www.irasutoya.com/2017/08/blog-post_5.html

空間のインテリジェンス（知的情報）
•空間の知的情報
-空間のスペック（サイズ、形状）
-物の配置（形状、向き）
-人物の配置（姿勢など、行動推定）
-社会的状況（所有権利、～さんの忘れ物、など）
-時間履歴（～さんが入室、退室、 9:12分清掃済み）
など

コモングラウンド
!!!! !
空間AI
https://www.irasutoya.com/2019/09/blog-post_52.html
https://www.irasutoya.com/2014/11/blog-post_288.html
https://www.irasutoya.com/2014/01/blog-post_25.html
https://www.irasutoya.com/2018/06/blog-post_94.html
https://www.irasutoya.com/2017/08/blog-post_5.html
コントローリング

スマート環境アクター
－環境に埋め込まれた AI－
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）

サイバースペース
空間AI
コミュニケーション
エージェント
センサー
デジタルツイン
スペース
Active Space
同期バーチャルエージェント
物理世界
空間情報を蓄積する ,世界を
想像し予測する。

サイバースペース
空間AI
コミュニケーション
エージェント
センサー
デジタルツイン
スペース
Active Space
同期バーチャルエージェント
物理世界
空間情報を蓄積する ,世界を
想像し予測する。
スマートスペース

スマートスペース
スマートシティ

空間AI ネットワーク
空間
AI
空間
AI
空間
AI
コモングラウンド
(位置依存情報の統一フォーマット）

物理世界
(スマートシティ )
空間AIの付いたスマート
スペース
デジタルツイン
（メタバース）
空間をコントロールする
メタバースから
スマートシティへ
のアクション
スマートシティか
らメタバースへ
データ・アップ
ローディング

草原
森
都市
大学
幹線
同期
同期
同期
同期
同期
物理世界と同期するメタバース

現実を理解するためのメタバース
•街を観るための望遠鏡＝メタバース
•空間AIがレンズ集約の役割をして、メタバース空間に、都市の像を結ぶ
都市
（実空間）
メタバース
（デジタル
空間）
空
間
AI

•現実を把握するのが、その場所に行くより
•メタバースを見る方がよい
•人間にとって空間 AIは認知インターフェース
•メタバースを通して現実を把握する
現実を理解するためのメタバース

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/

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

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/

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/

ゲームビジネスとテクノロジーの未来について【GAME FUTURE SUMMIT 2025】.pdf

About This Presentation

Slide Content

Tags

Categories

Download

Quick Actions

Statistics

Related Slideshows

ゲームビジネスとテクノロジーの未来について【GAME FUTURE SUMMIT 2025】.pdf

About This Presentation

Slide Content

Slide 1

Slide 2

Slide 3

Slide 4

Slide 5

Slide 6

Slide 7

Slide 8

Slide 9

Slide 11

Slide 12

Slide 13

Slide 14

Slide 15

Slide 16

Slide 17

Slide 18

Slide 19

Slide 20

Slide 21

Slide 22

Slide 23

Slide 24

Slide 25

Slide 26

Slide 27

Slide 28

Slide 29

Slide 30

Slide 31

Slide 32

Slide 33

Slide 34

Slide 35

Slide 36

Slide 37

Slide 38

Slide 39

Slide 40

Slide 41

Slide 42

Slide 43

Slide 44

Slide 45

Slide 46

Slide 47

Slide 48

Slide 49

Slide 50

Slide 51

Slide 52

Slide 53

Slide 54

Slide 55

Slide 56

Slide 57

Slide 58

Slide 59

Slide 60

Slide 61

Slide 62

Slide 63

Slide 64

Slide 65

Slide 66

Slide 68

Slide 69

Slide 70

Slide 71

Slide 72

Slide 73

Slide 74

Slide 75

Slide 76

Slide 77

Slide 78

Slide 79