{"id":14127,"date":"2024-09-08T18:27:40","date_gmt":"2024-09-08T18:27:40","guid":{"rendered":"https:\/\/dailyai.com\/?p=14127"},"modified":"2024-09-10T11:42:49","modified_gmt":"2024-09-10T11:42:49","slug":"is-the-video-game-industry-facing-an-ai-renaissance-what-are-the-impacts","status":"publish","type":"post","link":"https:\/\/dailyai.com\/de\/2024\/09\/is-the-video-game-industry-facing-an-ai-renaissance-what-are-the-impacts\/","title":{"rendered":"Steht die Videospielbranche vor einer KI-Renaissance? Was sind die Auswirkungen?"},"content":{"rendered":"

Stellen Sie sich vor, Sie spielen den klassischen Ego-Shooter DOOM, aber mit einem Unterschied: Das Spiel l\u00e4uft nicht auf einem von Programmierern geschriebenen Code, sondern wird in Echtzeit von einem KI-System generiert. <\/strong><\/p>\n

So l\u00e4sst sich GameNGen beschreiben, ein bahnbrechendes KI-Modell, das k\u00fcrzlich von Forschern von Google und der Universit\u00e4t Tel Aviv vorgestellt wurde.<\/span><\/p>\n

GameNGen<\/a> kann mit einer einzigen Tensor Processing Unit (TPU) DOOM mit \u00fcber 20 Bildern pro Sekunde simulieren. <\/span><\/p>\n

Innerhalb dieser Verarbeitungseinheit erleben wir die Geburt von Spielen, die im Wesentlichen selbst denken und erschaffen k\u00f6nnen. <\/span><\/p>\n

Anstatt dass menschliche Programmierer jeden Aspekt des Spielverhaltens festlegen, lernt ein KI-System, das gesamte Spielerlebnis im Handumdrehen zu generieren.<\/span><\/p>\n

Im Kern verwendet GameNGen eine Art von KI, die als Diffusionsmodell bezeichnet wird, \u00e4hnlich wie die in Bildgenerierungsprogrammen wie DALL-E oder Stable Diffusion verwendeten Modelle. Die Forscher haben diese Technologie jedoch f\u00fcr die Simulation von Spielen in Echtzeit angepasst.<\/span><\/p>\n

Das System wird in zwei Phasen trainiert. Zun\u00e4chst wird einem Agenten mit verst\u00e4rktem Lernen (Reinforcement Learning, RL) - einer anderen Art von KI - beigebracht, DOOM zu spielen. W\u00e4hrend dieser KI-Agent spielt, werden seine Spielsitzungen aufgezeichnet, wodurch ein gro\u00dfer Datensatz von Spielzust\u00e4nden, Aktionen und Ergebnissen entsteht.<\/span><\/p>\n

In der zweiten Phase wird dieser Datensatz verwendet, um GameNGen selbst zu trainieren. Das Modell lernt, den n\u00e4chsten Frame des Spiels auf der Grundlage der vorherigen Frames und der Aktionen des Spielers vorherzusagen.\u00a0<\/span><\/p>\n

Stellen Sie sich vor, Sie bringen der KI bei, sich vorzustellen, wie die Spielwelt auf die Z\u00fcge der einzelnen Spieler reagieren w\u00fcrde.<\/span><\/p>\n