{"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\/es\/2024\/09\/is-the-video-game-industry-facing-an-ai-renaissance-what-are-the-impacts\/","title":{"rendered":"\u00bfSe enfrenta la industria del videojuego a un renacimiento de la IA? \u00bfQu\u00e9 repercusiones tendr\u00e1?"},"content":{"rendered":"

Imag\u00ednese jugar al cl\u00e1sico shooter en primera persona DOOM, pero con un giro: el juego no se ejecuta sobre c\u00f3digo escrito por programadores, sino que es generado en tiempo real por un sistema de IA. <\/strong><\/p>\n

As\u00ed se describe GameNGen, un innovador modelo de IA presentado recientemente por investigadores de Google y la Universidad de Tel Aviv.<\/span><\/p>\n

GameNGen<\/a> puede simular DOOM a m\u00e1s de 20 im\u00e1genes por segundo utilizando una sola unidad de procesamiento de sensores (TPU). <\/span><\/p>\n

Dentro de esa unidad de procesamiento, estamos asistiendo al nacimiento de juegos que, en esencia, pueden pensar y crearse a s\u00ed mismos. <\/span><\/p>\n

En lugar de que los programadores humanos definan cada aspecto del comportamiento de un juego, un sistema de IA aprende a generar toda la experiencia de juego sobre la marcha.<\/span><\/p>\n

En esencia, GameNGen utiliza un tipo de IA llamado modelo de difusi\u00f3n, similar a los empleados en herramientas de generaci\u00f3n de im\u00e1genes como DALL-E o Stable Diffusion. Sin embargo, los investigadores han adaptado esta tecnolog\u00eda a la simulaci\u00f3n de juegos en tiempo real.<\/span><\/p>\n

El sistema se entrena en dos fases. En primer lugar, se ense\u00f1a a un agente de aprendizaje por refuerzo (RL) -otro tipo de IA- a jugar a DOOM. A medida que este agente de IA juega, se graban sus sesiones de juego, creando un gran conjunto de datos de estados, acciones y resultados del juego.<\/span><\/p>\n

En la segunda fase, este conjunto de datos se utiliza para entrenar al propio GameNGen. El modelo aprende a predecir el siguiente fotograma del juego bas\u00e1ndose en los fotogramas anteriores y en las acciones del jugador.\u00a0<\/span><\/p>\n

Pi\u00e9nsalo como ense\u00f1ar a la IA a imaginar c\u00f3mo responder\u00eda el mundo del juego al movimiento de cada jugador.<\/span><\/p>\n