Recommended
More Related Content
What's hot
What's hot (20)
Similar to 人工知能とDX
Similar to 人工知能とDX (20)
More from Youichiro Miyake
More from Youichiro Miyake (20)
人工知能とDX
- 3. My Works (2004-2019) AI for Game Titles Books Books
- 7. 近著
- 8. 本講演のコンテンツ 第０章 DXとは 第１章 DX/AI 導入事例 第２章 人工知能とは 第３章 背景と課題 第４章 AI連携モデル 第５章 メタAI 第６章 ゲーム開発のDX化プロシージャル技術 第７章 キャラクターAI 第８章 スマートシティ 第９章 シンギュラリティ 第１０章 フレーム 第１１章 これからの発展
- 9. DXとは？ DX : Digital Transformation デジタルトランスフォーメーション
- 18. デジタル世界のエコシステム（AI, IA, A） 自律型人工知能 （汎用型人工知能） ＝自分で感じて、判断して、自分で行動する エージェント（小型人工知能） ＝自分で感じて、判断して、自分で行動する（ただし単機能） 機能特化型人工知能（専門型人工知能） ＝ある問題のために作られた人工知能 知的アプリケーション（IA） ＝知的機能を実現したアプリケーション アプリケーション（A） ほぼ同義 自律性 全体 埋め込み 性
- 19. デジタル世界のエコシステム（AI, IA, A） 自律型人工知能 （汎用型人工知能） ＝自分で感じて、判断して、自分で行動する エージェント（小型人工知能） ＝自分で感じて、判断して、自分で行動する（ただし単機能） 機能特化型人工知能（専門型人工知能） ＝ある問題のために作られた人工知能 知的アプリケーション（IA） ＝知的機能を実現したアプリケーション アプリケーション（A） ほぼ同義 自律性 全体 埋め込み 性 人間
- 20. デジタル世界のエコシステム（AI, IA, A） 人間 知的アプリケーション（IA） IA IA アプリケーション（A） アプリケーション（A） アプリケーション（A） 自律型人工知能 自律型人工知能 IA エージェントエージェント エージェント
- 22. デジタル世界のエコシステム（AI, IA, A） 人間 知的アプリケーション（IA） IA IA アプリケーション（A） アプリケーション（A） アプリケーション（A 自律型人工知能 自律型人工知能 IA エージェントエージェント エージェント DXの 階層
- 23. デジタル世界のエコシステム（AI, IA, A） 人間 知的アプリケーション（IA） IA IA アプリケーション（A） アプリケーション（A） アプリケーション（A 自律型人工知能 自律型人工知能 IA エージェントエージェント エージェント DXの 階層 知能化（インテリジェント化） デジタル化 IT化
- 28. 人工知能は人間には見えないものを見て、人間に はできないことをする • 人の流れ • 犯罪の早期発見 • 事故現場の発見 • 店内の人の流れ • その人が注目した商品の共通項 • 紛れ込んだ犯罪者の場所特定 ・・・そしてこれらの予測。
- 40. DXの要点⑤ ディープラーニング 現在のところ、ディープラーニングのスト ライクゾーンは狭い。コースによっては ホームランを打てるが、ほとんどが空振り になってしまう。使いどころを間違わない こと。
- 41. 本講演のコンテンツ 第０章 DXとは 第１章 DX/AI 導入事例 第２章 人工知能とは 第３章 背景と課題 第４章 AI連携モデル 第５章 メタAI 第６章 ゲーム開発のDX化プロシージャル技術 第７章 キャラクターAI 第８章 スマートシティ 第９章 シンギュラリティ 第１０章 フレーム 第１１章 これからの発展
- 42. DX/AI 導入事例 第二章
- 43. DX/AI の導入事例 • 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
- 45. 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
- 46. 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。
- 47. 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
- 50. 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
- 51. 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
- 53. 学習過程解析 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
- 54. • 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/
- 55. 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/
- 56. 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 Successful Failure） http://blog.livedoor.jp/lunarmodule7/archives/1121781.html
- 57. • 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。 学習する人工知能 から学ぶこと • 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）
- 60. 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。
- 61. 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
- 67. 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。
- 78. 情報空間の拡大 ～人工知能の舞台が広がる • やがて街全体を制御する人工知能が出現する。 ＝ スマートシティ ｘ メタAI ＝ 将来のゲーム機は街そのもの http://www.s-hoshino.com
- 79. 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
- 80. 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
- 88. 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。
- 89. 人工知能とは 第２章
- 98. 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 1960 1990 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
- 100. 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 1960 1990 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
- 101. 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
- 103. 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
- 106. 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
- 107. 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。
- 108. 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。
- 110. 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 1960 1990 Now… 現代は「知能化」の時代に 入りつつある。
- 111. 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 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
- 112. 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
- 114. 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
- 115. 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
- 116. 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。
- 117. 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
- 118. 3 第二次ＡＩブーム（1980年代） 1 0 0 このように学習させたい
- 119. 3 第二次ＡＩブーム（1980年代） 0 1 0 このように学習させたい
- 120. 3 第二次ＡＩブーム（1980年代） 0 0 1 このように学習させたい
- 121. 3 第二次ＡＩブーム（1980年代） 0 0 0 【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。
- 122. 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
- 124. 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
- 126. 本講演のコンテンツ 第０章 DXとは 第１章 DX/AI 導入事例 第２章 人工知能とは 第３章 背景と課題 第４章 AI連携モデル 第５章 メタAI 第６章 ゲーム開発のDX化プロシージャル技術 第７章 キャラクターAI 第８章 スマートシティ 第９章 シンギュラリティ 第１０章 フレーム 第１１章 これからの発展
- 127. 第３章 背景
- 129. ゲーム全体の知能化 ゲーム・ソフトウェア 知能化された ゲーム・ソフトウェア ゲームも知能化の時代を迎えようとしている。 では「ゲームの知能化」とはどういうことだろうか？ それを見ていこう。
- 130. 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 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。
- 132. 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
- 137. 本講演のコンテンツ 第０章 DXとは 第１章 DX/AI 導入事例 第２章 人工知能とは 第３章 背景と課題 第４章 AI連携モデル 第５章 メタAI 第６章 ゲーム開発のDX化プロシージャル技術 第７章 キャラクターAI 第８章 スマートシティ 第９章 シンギュラリティ 第１０章 フレーム 第１１章 これからの発展
- 138. 第４章 AI連携モデル
- 139. 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 ※「スパーシャルAI」は三宅の造語です。
- 142. Navigation AI が作る世界 メタAI が作る世界 キャラクターAI が作る世界 ユーザー アニメーションが作る世界
- 143. 本講演のコンテンツ 第０章 DXとは 第１章 DX/AI 導入事例 第２章 人工知能とは 第３章 背景と課題 第４章 AI連携モデル 第５章 メタAI 第６章 ゲーム開発のDX化プロシージャル技術 第７章 キャラクターAI 第８章 スマートシティ 第９章 シンギュラリティ 第１０章 フレーム 第１１章 これからの発展
- 145. 第５章 メタＡＩ
- 146. Dota2 eSportsで大人気 OpenAI Five: Dota Gameplay https://www.youtube.com/watch?v=UZHTNBMAfAA 解説：『Dota 2』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
- 149. （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 －
- 151. 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
- 152. プロシージャル技術 ゲームAI技術 AI技術 プロシージャル 技術 コンテンツ自動生成技術 （PCG, Procedural Contents Generation ）
- 154. 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
- 155. 本講演のコンテンツ 第０章 DXとは 第１章 DX/AI 導入事例 第２章 人工知能とは 第３章 背景と課題 第４章 AI連携モデル 第５章 メタAI 第６章 ゲーム開発のDX化プロシージャル技術 第７章 キャラクターAI 第８章 スマートシティ 第９章 シンギュラリティ 第１０章 フレーム 第１１章 これからの発展
- 156. プロシージャル技術 ゲームAI技術 AI技術 プロシージャル 技術 コンテンツ自動生成技術 （PCG, Procedural Contents Generation ）
- 157. ゲーム開発のDX化 プロシージャル技術
- 163. 地形自動生成 Jacob Olsen, Realtime Procedural Terrain Generation http://oddlabs.com/download/terrain_generation.pdf 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） ＋ ＝
- 166. 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
- 167. L-system による街の自動生成 City Engine(central pictures) Yoav I H Parish, Pascal Müller http://www.centralpictures.com/ce/tp/paper.pdf http://www.centralpictures.com/ce/ George Kelly, Hugh McCabe, A Survey of Procedural Techniques for City Generation http://www.gamesitb.com/SurveyProcedural.pdf
- 169. 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
- 170. 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。
- 171. 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/
- 172. 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/
- 177. 本講演のコンテンツ 第０章 DXとは 第１章 DX/AI 導入事例 第２章 人工知能とは 第３章 背景と課題 第４章 AI連携モデル 第５章 メタAI 第６章 ゲーム開発のDX化プロシージャル技術 第７章 キャラクターAI 第８章 スマートシティ 第９章 シンギュラリティ 第１０章 フレーム 第１１章 これからの発展
- 179. 第７章 キャラクターＡＩ
- 181. 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
- 182. 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）
- 186. 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
- 189. 意思決定モデル ステート（状態）ベースAI ゴール（目標）ベースAI ルール（規則）ベースAI ビヘイビア（振る舞い）ベースAI 意思決定というものは非常に高度で複雑なプロセスです。 でも、ゲームで用いるいくつかの簡易モデルが存在します。 シミュレーションベース AI ユーティリティ（効用）ベース AI Rule-based AI State-based AI Behavior-based AI Goal-based AI Utility-based AI 「○○-based AI」とは、○○をAIを構築する基本単位として採用したＡＩということ。 タスク（仕事）ベース AI Task-based AI 意思決定 Simulation-based AI
- 191. 本講演のコンテンツ 第０章 DXとは 第１章 DX/AI 導入事例 第２章 人工知能とは 第３章 背景と課題 第４章 AI連携モデル 第５章 メタAI 第６章 ゲーム開発のDX化プロシージャル技術 第７章 キャラクターAI 第８章 スマートシティ 第９章 シンギュラリティ 第１０章 フレーム 第１１章 これからの発展
- 193. 都市全体を監視・制御するAI 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 抑止・委任 報告 都市 監視 制御 監視 制御 人 ドローン ロボット デジタル アバター 抑止・委任 報告
- 196. 人工知能は環境となる。
- 197. 都市全体を監視・制御するAI 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 抑止・委任 報告 都市 監視 制御 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
- 200. 情報空間の拡大 ～人工知能の舞台が広がる http://www.s-hoshino.com • 街そのものが人工知能になる ＝ スマートシティ → 街そのものがゲーム機 → ゲームはスクリーンから街全体へ → ゲームＡＩは、ゲーム世界から現実世界へ
- 203. 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
- 204. 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
- 210. AIアバター 北海道産 です
- 212. スマートシティ X 5G世代のゲーム
- 224. 時間（イメージ） 空間（論理） 殆どの人工知能は与えられたフレーム（問題設定）の 外に出ることはできない。 人間は柔軟にフレーム（問題設定）を創造し 変化させることができる。 人間と人工知能の違い
- 227. 本講演のコンテンツ 第０章 DXとは 第１章 DX/AI 導入事例 第２章 人工知能とは 第３章 背景と課題 第４章 AI連携モデル 第５章 メタAI 第６章 ゲーム開発のDX化プロシージャル技術 第７章 キャラクターAI 第８章 スマートシティ 第９章 シンギュラリティ 第１０章 フレーム 第１１章 これからの発展
- 228. 第八章 シンギュラリティ
- 238. 閉じている 開いている 総合型専門型 直観 精密 総合型人工知能 （汎用人工知能） 問題特化型 人工知能 最終的に人工知能がカバーする 問題群 人間が得意と する問題群 完全なシンギュラリティ
- 251. デジタルの海 要素を集めて積み重ね、構築的に 人工知能を作る ＝ 西欧的人工知能 デジタルの海 人工知能 電子の海から人工知能を見つけ掘り出す ＝ 東洋的人工知能 積み重 ねる 掘り 出す 掘り 出す 積み重 ねる 人工知能
- 252. 本講演のコンテンツ 第０章 DXとは 第１章 DX/AI 導入事例 第２章 人工知能とは 第３章 背景と課題 第４章 AI連携モデル 第５章 メタAI 第６章 ゲーム開発のDX化プロシージャル技術 第７章 キャラクターAI 第８章 スマートシティ 第９章 シンギュラリティ 第１０章 フレーム 第１１章 これからの発展
- 253. 人間とフレームとＡＩ 第七章
- 254. 時間（イメージ） 空間（論理） 殆どの人工知能は与えられたフレーム（問題設定）の 外に出ることはできない。 人間は柔軟にフレーム（問題設定）を創造し 変化させることができる。 人間と人工知能の違い
- 264. 本講演のコンテンツ 第０章 DXとは 第１章 DX/AI 導入事例 第２章 人工知能とは 第３章 背景と課題 第４章 AI連携モデル 第５章 メタAI 第６章 ゲーム開発のDX化プロシージャル技術 第７章 キャラクターAI 第８章 スマートシティ 第９章 シンギュラリティ 第１０章 フレーム 第１１章 これからの発展
- 265. 人工知能は３つの領域へ向かって 収束する
- 266. 技術の進歩 時間軸 ※横軸の数字はおおよそのものです 非技術的世界 機械化 コンピュータ化 電動化 人工知能(AI)化 人間拡張化 （Human Augmentation） インターネット化 1760 19501870 1980 2010 2035
- 268. 人工知能が導入される場所 ① 人間 ② 人工知能 ③ 社会 ① 拡張人間 ② 自律的人工知能 ③ 自律社会
- 269. 技術の進歩 時間軸 ※横軸の数字はおおよそのものです 非技術的世界 機械化 コンピュータ化 電動化 人工知能(AI)化 人間拡張化 （Human Augmentation） インターネット化 1760 19501870 1980 2010 2035
- 274. シンギュラリティ・ライン 人工知能の技術の蓄積 人間を中心として外部へ向かって 環境・空間・身体に宿るインテリジェンス 一つの存在へとインタグレ―ションし、 新たなる知能を生み出す 拡張人間 （Human Augmentation による Augmented-Human ＝人工知能と融合した人間） 自律側AI （Autonomous AI ＝人工知能の純粋な結晶） 人工知能進化の方向 人間側にAI 技術を集約 非人間側にAI 技術を集約 人間 側 人工 知能
- 276. シンギュラリティ・ライン 拡張人間 （Augmented Human） 自律側AI （Autonomous AI） 人工知能進化の方向 発 展 進 化 より高次の新しい関係性 さらに発展する関係性
- 280. 人工知能が導入される場所 ① 人間 ② 人工知能 ③ 場 ① 拡張人間 ② 自律的人工知能 ③インテリジェントな場 DX
- 281. 人工知能の描く未来像
- 290. 人工知能によって構造化される社会