「AI研究の現在とSFの想像力」講演資料（下）
•
6 likes•1,301 views
AI研究の現在とSFの想像力 https://genron-cafe.jp/event/20190417/ 講演資料の後半です。
Recommended
More Related Content
What's hot
What's hot (20)
Similar to 「AI研究の現在とSFの想像力」講演資料（下）
More from Youichiro Miyake
More from Youichiro Miyake (16)
「AI研究の現在とSFの想像力」講演資料（下）
- 2. 本日のコンテンツ 1. 人工知能と人間拡張 2. 人工知能とは？ 3. アニメーションにおける人工知能 4. 現象学とエヴァンゲリオン 5. 内面の階層化とソラリスの陽のもとに 6. 差延と順列都市 7. 物語における対立構造 8. 人工知能がもたらす対立構造 9. SFにおける人工知能 10. 人工知能をどう作品に取り込むか？
- 7. アシモフ「神々自身」 人間世界 パラ人 （３人でセット） 二つの宇宙の物理法則の違いを 利用してエネルギーを取り出す。 二つの異なる世界の知性を描くことを通して、 人間の知性のあり方を浮き彫りにする。
- 19. 考察② • 人間とロボットの対比を通して、人間社会の 不安定さを描く。 • 歴史さえ制御しようとする人類の野心を描く。 • ロボット三原則によって制限された中でも、自 律進化して行くロボットの知性の可能性を描く。 • 人間が生み出したものが人間を超えて行き、 しかし、それでも人類を救う役割を果たすロ ボットを描く。
- 21. 電気羊はアンドロイドの夢を見るか？ ～電気蟻 • 電気蟻はその名の通り、機械で出来た労働者である。 • ある時、彼は怪我をして（だったか？）、病院を訪れる。 • そこで、彼は自分の体が修理されるのを見る。「俺は、電気蟻だったのか。」 • 彼はそこで初めて、自分が人工的に創られた存在であることを知る。 • 最後に彼は自分の中から記録テープを引きずり出し、認識することをやめてしまう。 あまりに進化し過ぎた人工知能は、自分自身を機械ではなく人間だと 思い込んでいる。 （思い込まれるように仕向けられ、かつ、誰もそれに気づかない） ディックの小説の持つカタルシス＝ 「自分を人間だと思い込んで、社会に溶け込んでいる人工知能は、 限りなく愛おしい。」
- 23. 電気羊はアンドロイドの夢を見るか？ ～電気蟻 人 AI 人 人 人 人 人 人 人 人 電気蟻 人 人 AI 人 人 人 人 人の社会の中で、自らを人間だと思い込んで、 溶け込んでいる人工知能
- 24. 考察③ • 本物の知性とは何かを問う。 • 知性が自分を本物だと思い込むとは、どういうこ とであるか。 • 社会に自分を本物だと思い込んだAIが混じった 時に何が起こるか。 • 自然から離れて偽者化する人類社会は、本物か。 • 知性自身が自分を本物の知性だと判断すること はできない。 • 本物って何？
- 30. 考察④ • 知性が知性を作り出す連鎖の中で、知性とは 何かを問う。 • アートルーパーは被造物であり、造物主となる。 • 混沌とした人間の知性、エレガントであったは ずのアートルーパーの知性が深化して行く。 • 原罪を背負う。
- 32. 神林長平「戦闘妖精雪風」 • 雪風＝戦闘機の知性＝戦闘知性体 • 未知なる世界と人間とのインターフェース • 異性人、脅威と交信するAI ジャム ＝知性体 深井零 ＝知性体 雪風 ＝知性体 ジャム、雪風、深井は、それぞれが違った形の知性体。 それぞれが雪風を軸にコミュニケーションを取る。
- 39. 考察⑤ • 人間知性、惑星知性、機械知性の３者の知 性の対立を通して、それぞれの知性の形を掘 り進めて行く。 • 複数の対立軸が導入される。 • わかり合うことはできない。ただ強烈にお互い の存在を痛感する。
- 41. グレッグ・イーガン「ディアスポラ」 • 人類の殆どが肉体を捨て仮想空間でソフトウェアと なった世界。複製可能な自己。 • 仮想世界で人工的に生まれた生命「ヤチマ」 • 未知の物理現象が地表を滅ぼす。 • 宇宙の運命を握る物理学のため、 文明ごとコピーして宇宙に離散（ディアスポラ）する。 • 地球とは違う生命と出会う。 • 地球とは違う文明と出会う。
- 51. 「サイコパス」 • AIによる管理社会＝監視社会 • AIの判定によって能力が割り振ら れる＝AIによる生涯設計 • AIによって犯罪係数がリアルタイム に計算される。 • 犯罪係数が一定値を超えると、事 前に始末される。 都市がデバイスによって仮想世界化され、 社会全体がAI技術によって知性化される。
- 58. まとめ 社会 個人 文明
- 60. 本日のコンテンツ 1. 人工知能と人間拡張 2. 人工知能とは？ 3. アニメーションにおける人工知能 4. 現象学とエヴァンゲリオン 5. 内面の階層化とソラリスの陽のもとに 6. 差延と順列都市 7. 物語における対立構造 8. 人工知能がもたらす対立構造 9. SFにおける人工知能 10. 人工知能をどう作品に取り込むか？
- 61. 人工知能と物語 （１） 人間に限りなく近く、遠いもの。 異化された人間/人間でないことの特権 （２） 人間との対立構造、対比構造をもたらす。 複数の対立構造 （３） 人間とは違う視点の記述をもたらす。 同じ目線だが内面が違う （４） 機械の代弁者として語る。 語るテクノロジーとして物語装置
- 62. 人工知能と物語 （１） 人間に限りなく近く、遠いもの。 異化された人間/人間でないことの特権 （例） 警官が家に踏み込んで来た。しかし、そ の警官は人工知能だった。普通の問答では聴 かない。….
- 66. （例）三宅が今書こうとしている物語 • 私は長い間、人間らしく生きようとして来た。 それが訓練所で習ったことでもあるし、私が 長い間、社会に溶け込もうとして来た。 • しかし、私の寿命はもう半年もない。私は、人 間らしい生活、人間のふりをする生活をやめ て、機械らしい生き方をとは何かを探求した い。 • 機械ではあるとはどういうことか？
- 67. ご質問 http://www.facebook.com/youichiro.miyake Twitter: @miyayou 感想・ご質問は メイルtwitter やfacebookまで ゲームＡＩ千夜一夜 http://blogai.igda.jp/ 三宅陽一郎 論文・講演資料集（４） http://blogai.igda.jp/article/92899318.html
- 68. プロット • 物語が動き出す時に、人工知能は時に大きな役割を持ち ます。物語の中で、人工知能は、時に人間と似て非なるも のであり、時に機械の代弁者であり、時に話すテクノロ ジーであり、人間や生命との新しい対立軸を産み出すの です。 • 一方で、現実において、発展しつつある人工知能は、工場 やソフトウェアの中から、実際の社会の中へ進出しつつあ り、そこに人は、人工知能が少しずつ社会を変革して行く ことへの期待と不安を持ち始めています。そこでは研究者 や企業が持つ文脈と、人々の中で不安と期待から産まれ る物語が対決しつつあるのです。 • 本講義では、これまで物語の中で人工知能が引き受けて 来た役割、立ち位置と、逆に、現代の人工知能が実社会 で描こうとしている物語について考察します。
- 69. 人工知能が何を生み出すか？
- 74. （例）KELDIC • クロスボーダー「AI×言語解析」パネルディスカッ ション（CEDEC 2014） • https://cedil.cesa.or.jp/cedil_sessions/view/1224 • 講演資料より（上記で無料登録してダウンロード できます）
- 75. KELDIC • 機械学習によって応答を決定するプログラム • Twitter上で会話中(@KELDIC) ←フォローしてください！
- 76. KELDICとの対話例2
- 77. なめこと通じ合うKELDICの図
- 78. KELDIC で行っていること？ 状況に応じたセリフ 人間が付けた評価値 AIが付けた評価値 それはすごい！ 30 20 無茶するな。 15 49 本当にそう思う？ 15 1 わからないよ！ 1 4 ある文脈において、セリフ（発話候補）に人間が評価値を付ける。 人間がつけた評価値に近い評価値を付けられるように、 学習させて行く。 教師データ付き学習 稲葉通将，平井尚樹，鳥海不二夫，石井健一郎: 「統計的発話選択による非タスク指向型対話エージェントの設計」 Human-Agent Interaction Symposium 2011 (HAI-2011), 2011. http://www.ii.is.kit.ac.jp/hai2011/proceedings/html/paper/paper-3-1b-1.html その文脈において… （稲葉先生の論文を 読んで三宅なりに まとめてみた） 学習
- 80. （例）「人狼知能」 • 人狼＝村人（９～１２人ぐらい）と人狼（３人） に分かれて、会話によって人狼を探し出す ゲーム。人狼側は毎晩、村人を一人ずつ消 すことができるので、人狼と村人が同数にな れば人狼の勝ち。 • 人狼知能＝人工知能が人狼をプレイする。不 完全情報の上に会話や推論を研究する。 • http://aiwolf.org/
- 81. 「人狼知能」小説の作り方 • 人狼知能（人狼ＡＩ）同士で会話させる。 • 会話のログを取る。 • 人間が小説に起こす
- 86. 人狼 ＡＩ それぞれの人狼ＡＩが記憶を持つ 人狼 ＡＩ 人狼 ＡＩ 人狼 ＡＩ 人狼 ＡＩ 人狼 ＡＩ サーバー 何か話して Ｃは狼 人狼知能がそれぞれ記憶を持ち、 記憶を利用して推論する 記憶 Aは自分が狼でないと言った BはCが狼だと言った DはAが狼だと言った Eは昨晩処刑されたDが狼だと言った -- --
- 98. （例）The Sims シリーズ
- 99. The Sims シリーズのＡＩの作り方 人をダイナミクス（力学系、動的な数値の仕組み ）として動かす。 世界を動かす PeerAI(=キャラクターＡＩ) を構築。 Sub Peer Meta Meta Peer Sub [原則] 周囲の対象に対する、あらゆる可能な行動から、 ムード（幸せ） 係数を最大化する行動を選択する。 Sims (not under direct player control) choose what to do by selecting, from all of the possible behaviors in all of the objects, the behavior that maximizes their current happiness. Will Wright, AI: A Design Perspective (AIIDE 2005) http://www.aaai.org/Papers/AIIDE/2005/AIIDE05-041.ppt Kenneth Forbus, Will Wright, “Some notes on programming objects in The Sims – Example” http://www.qrg.cs.northwestern.edu/papers/Files/Programming_Objects_in_The_Sims.pdf
- 100. The Sims における「モチーフ・エンジン」 Ken Forbus, “Simulation and Modeling: Under the hood of The Sims” (NorthWerstern University) http://www.cs.northwestern.edu/%7Eforbus/c95-gd/lectures/The_Sims_Under_the_Hood_files/frame.htm Data - Needs - Personality - Skills - Relationships Sloppy - Neat Shy - Outgoing Serious - Playful Lazy - Active Mean - Nice Physical - Hunger - Comfort - Hygiene - Bladder Mental - Energy - Fun - Social - Room Motive Engine Cooking Mechanical Logic Body Etc. AIの人格モデル
- 101. 最適（＝最大効用）な行動を選択する Hunger +20 Comfort -12 Hygiene -30 Bladder -75 Energy +80 Fun +40 Social +10 Room - 60 Mood +18 Toilet - Urinate (+40 Bladder) - Clean (+30 Room) - Unclog (+40 Room) Mood +26 Bathtub - Take Bath (+40 Hygiene) (+30 Comfort) - Clean (+20 Room) Mood +20 [原則] 周囲の対象に対する、あらゆる可能な行動から、 総合的な効用 （＝Mood） を最大化する行動を選択する。
- 102. ムードの計算方法と各パラメーターのウェイトグラフ Mood = W_Hunger(X_Hunger) * X_Hunger + W_Engergy(X_Energy) * X_Energy + … -100 0 100 -100 0 100 -100 0 100 -100 0 100 -100 0 100 -100 0 100 -100 0 100 -100 0 100 W_Hunger W_Energy W_Comfort W_Fun W_Hygiene W_Social W_Bladder W_Room
- 104. 効用(Utility)の計算の仕方 W_Hunger X_Hunger W_Hunger(-80) -80 60 W_Hunger(60) Hunger degree at -80 ＝ W_Hunger(-80)*(-80) Hunger degree at 60 ＝ W_Hunger(60)*(60) Δ ＝ W_Hunger(60)*(60) - W_Hunger(-80)*(-80) Utility for hunger
- 105. 限界効用逓減の法則 X_Hunger W_Hunger(-80) -80 60 W_Hunger(60) Δ（-80 → 60）＝W_Hunger(60)*(60) - W_Hunger(-80)*(-80) Δ (60→90） ＝W_Hunger(90)*(90) - W_Hunger(60)*(60) 90 W_Hunger(90) Δ（-80 → 60） is much larger than Δ(60→90） ある程度満たされたものを満たすより、 満たされないものをある程度満たす方が大きな満足をもたらす Utility for hunger ビールは一杯目が一番おいしい
- 110. 作家ですのよ • 星新一の小説を解析 • 物語構造からキーワードを変換 • http://www.fun.ac.jp/~kimagure_ai/
- 113. FAÇADE の事例
- 114. プロシージャルの歴史: 会話&自然言語 まだゲームには 十分に応用されていない Facade 2005 Virtual Avater 岡山県立大学 渡辺研究室 （ノンバーバル・コミュニケーション） http://hint.cse.oka-pu.ac.jp/ シーマンどこでもいっしょくまうた 会話 自然言語 日本のゲームデザインの 巧み ＭｕｕＭｕｕ ＳＣＥ ビバリウム Michael Mateas, Andrew Stern
- 115. ドラマ・ジェネレーター「Facade」 Interactive Story 部屋の中で自動的に演技をする（大規模なストーリーでない） Beats システム （全体の流れを制御） ゴールシステム (reactive planning system) ユーザー・インプット （自然言語） Surface Processing （自然言語処理） 入力した言語を事前に準備した 概念に割り当てる （例）意見に反対しているのか、 賛成しているのか まともに言語を解釈しているのではない 全体のシステム Michael Mateas, Andrew Stern, "Facade", Procedural Arts, 2005
- 116. ドラマ・ジェネレーター 「Facade」 Interactive Story 振る舞い ゴール 振る舞い ゴール 振る舞い ゴール行動 振る舞い ゴール行動 行動 （１）ゴールを単位としたシステム （２）ゴールは、サブゴールと 行動をコールする（指定する） （３）平行して実行できる 行動は同時に実行する 行動、或いは サブゴールを呼ぶ 前提条件 終了条件 ゴールの形 ゴールシステム
- 117. 全体の流れ Beats システム Michael Mateas and Andrew Stern Façade: An Experiment in Building a Fully-Realized Interactive Drama Game Developers Conference, Game Design track, March 2003
- 118. ドラマ・ジェネレーター 「Facade」 sequential behavior AnswerTheDoor() { WME w; with (success test f w = (KnockWME) g ) wait; act sigh(); subgoal OpenDoor(); subgoal GreetGuest(); mental act f deleteWME(w); } sequential behavior OpenDoor() { precondition ｛ (KnockWME doorID :: door) (PosWME spriteID == door pos :: doorPos) (PosWME spriteID == me pos :: myPos) (Util.computeDistance(doorPos, myPos) > 100) ｝ speci¯city 2; // Too far to walk, yell for knocker to come in subgoal YellAndWaitForGuestToEnter(doorID); } sequential behavior OpenDoor() ｛ precondition ｛ (KnockWME doorID :: door) ｝ speci¯city 1; // Default behavior - walk to door and open ｝ 振る舞い ゴール 振る舞い ゴール 振る舞い ゴール行動 振る舞い ゴール行動 行動 条件判定 条件判定 ゴールシステム " Michael Mateas and Andrew Stern A Behavior Language for Story-based Believable Agents", appeared in Artificial Intelligence and Interactive Entertainment, AAAI symposium, March 2002
- 119. ドラマ・ジェネレーター 「Facade」 Interactive Story 協調の仕方 ゴール Member: Trips ,Grace Mission 酒を進める （ Tripsの役割 Grace の役割）） The wogglesのＡＩ でも使われた方法 Trip Grace ゴールが２人のエージェントに打診 Trips はこのミッションの役割を 受けられる状態にあるか？ Graceはこのミッションの役割を 受けられる状態にあるか？ サブゴール サブゴール 両方が Yes なら Michael Mateas and Andrew Stern A Behavior Language: Joint Action and Behavioral Idioms
- 120. ドラマ・ジェネレーター 「Facade」 Interactive Story 協調の仕方 joint sequential behavior OfferDrink() { team Grace, Trip; // The steps of Grace’s and Trip’s OfferDrink() // behaviors differ. } joint sequential behavior OfferDrink() { team Trip, Grace; // wait for Trip to say first line with (success_test { OfferDrinkMemory (CompletedGoalWME name == iInitialDrinkOffer status == SUCCEEDED)}) wait; subgoal iLookAtPlayerAndWait(0.5); // react to Martini suggestion with (synchronize) subgoal jSuggestMartini(); with (synchronize) subgoal jFancyCocktailShakers(); } joint sequential behavior OfferDrink() { team Trip, Grace; with (post-to OfferDrinkMemory) // Individual behavior for initial offer subgoal iInitialDrinkOffer(); subgoal iLookAtPlayerAndWait(0.5); with (synchronize) subgoal jSuggestMartini(); // react to Grace’s line about fancy shakers with (synchronize) subgoal jFancyCocktailShakers(); GraceTrip (At the beginning of the behavior, Trip starts walking to the bar. If he gets to the bar before the end of the behavior, he stands behind it while delivering lines.) Trip: A beer? Glass of wine? (Grace smiles at player. Short pause) Trip: You know I make a mean martini. (Grace glances at Trip with slight frown partway into line. At the end of line, rolls her eyes at the ceiling.) Grace: (shaking her head, smiling) Tch, Trip just bought these fancy new cocktail shakers. He’s always looking for a chance to show them off. (If Trip is still walking to the bar, he stops at “shakers”. At “shakers” Trip looks at Grace and frowns slightly. At the end of the line he looks back at player and smiles. If he was still on the way to the bar, he resumes walking to the bar). ドラマ生成 " Michael Mateas and Andrew Stern A Behavior Language for Story-based Believable Agents", appeared in Artificial Intelligence and Interactive Entertainment, AAAI symposium, March 2002
- 121. プランニングによる物語生成
- 127. プランニングによる物語生成技術
- 130. プランニングによる物語生成技術
- 132. 「トロと流れ星」におけるキーワード・カテゴライズ （技術が公開されているわけではなく、これは三宅ならこう実装するというものです） ＴＲ 「みやけが好きなものは何かにゃ ～」 Ｍ 「じてんしゃ」 ＴＲ 「それは食べれるものかにゃ？」 Ｍ 「Ｎ」 (Yes or No) ＴＲ 「それは大切なものかにゃ？」 Ｍ 「Y」 (Yes or No) ＴＲ 「どれぐらい大切かにゃ？」 Ｍ 「とっても」 （例） (上記はゲーム内のセリフのままではなく、解説のために三宅が構成したものです。) タグ：じてんしゃ 属性：もの 性質：好き ランク：１ ＴＲ 「この木は何ていうのかにゃ？」 Ｍ 「さくら」 ＴＲ 「みやけはさくらじてんしゃどっちが好き」 Ｍ 「さくら」 (Yes or No) ＴＲ 「トロもさくらと同じぐらい、みやけに大切に してもらいたいにゃ～。 せめて、じてんしゃぐらいに．．．」 Ｍ 「N」 タグ：さくら 属性：木 性質：好き ランク：１⇒２ ①ユーザーに言語データベースを作成させる。 ②それを用いてセリフを生成する。 SCE SCEI どこでもいっしょ http://www.dokodemoissyo.com/index1.html
- 135. メタＡＩによる物語生成
- 137. 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://www.valvesoftware.com/publications.html 今回は Left 4 Dead の事例を見てみる。
- 138. 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
- 139. 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
- 140. 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, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 141. メタAIが作用を行う領域 Michael Booth, "The AI 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。
- 142. メタAIが作用を行う領域 (AAS=Active Area Set) Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 143. メタAIが作用を行う領域 (AAS=Active Area Set) Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 144. 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
- 145. AAS に対して行うこと。 メタＡＩはプレイヤー群の移動に伴い、 その周囲（ＡＡＳ）に敵の群れを 生成・消滅させたりする。 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 146. 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
- 147. 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。
- 148. モンスター・アイテム出現頻度 敵の種類、アイテムの種類ごとに出現頻度が違うが、頻度に応じて発生させる。 高頻度 低頻度 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html Wandereｒs (高頻度) Mobs(中頻度) Special Infected (中頻度) Bosses (低頻度) Weapon Caches (低頻度) Scavenge Items (中頻度)
- 149. ボス出現アルゴリズム (1) Ｎ体を予想される逃走経路上に配置 (2) ３つの出現イベントパターン （何もいない、を含む） （例） Tank, Witch, 何もいない (3) 同じパターンのくり返しは禁止 (例) Witch, 何もいない、Witch はＯＫ。 Witch, Witch はだめ。 何もいない Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html Tank Witch Witch Tank Witch Tank
- 150. 具体的なアルゴリズム (1) 各エリアに、出現数 N を決定する (2) 出現数Nは予想される逃走経路の長さと 要求される密度によって計算される。 (3) あるエリアがAAS の中に入るとクリー チャーがN体生成される。 (4) そのエリアがAAS の外に出ると生成が中 止され、クリーチャーは消滅される。 (5) Ｎはそのエリアがプレイヤーから見えてい る場合、或いは、プレイヤーがリラックス モードの場合には、強制的に０になる。 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html