ゲームAI活用の最新事例を総括。スクウェア・エニックスの三宅 陽一郎氏による講演をレポート【GFS2025】

登壇したのは、ゲームAI開発・研究の第一人者であるスクウェア・エニックスの三宅 陽一郎氏です。同氏は『ファイナルファンタジーXIV』などの大型ゲームに携わってきた経歴を持ち、AIに関する書籍を多数執筆しています。

三宅 陽一郎氏

三宅氏はデジタルゲームにおけるAIを専門としており、ゲーム内のキャラクターを実際の生物のように生き生きと動かすことを研究・開発してきたといいます。

本講演ではゲーム産業においてAIが果たす役割と、その発展によって実現する未来について語ります。

AIとひとことで言っても性質によっていくつか分類できます。たとえば、身体を持っているか否か、リアルタイムか否かです。

ゲームやロボットなどのAIは身体を持っており、リアルタイム性を備えているのが特徴です。

リアルタイムに空間を運動するのはゲームやロボットのAIの特徴。一方、データ解析に使われるAIは身体を持たず、ノンリアルタイム

ゲームAIの使用用途。ゲームエンジンの波及によって、自然とゲームAI自体の活用も広まりつつある

さらに、ゲームAIは「メタAI」「キャラクターAI」「スパーシャルAI（空間AI）」の3つの領域に大別されます。

「メタAI」はゲーム全体を制御し、「キャラクターAI」は各キャラクターの頭脳を司り、「スパーシャルAI」は空間情報を解析して地形などを把握します。3つのAIが協調し連携し合うことで、豊かなゲーム体験を生み出すことができるといいます。

ゲームAIの3つの領域。「メタAI」「スパーシャルAI」「キャラクターAI」はそれぞれ異なる役割を担っている

三宅氏によると、2025年はAIによる生成からゲームエンジン内での取り扱いまで一気通貫で行えるような、「垂直統合モデル」の採用が見られたといいます。

従来は、ゲームエンジンとは別に生成AIのシステムが存在し、外部で生成した内容をゲーム側にインポートするような形が主流でした。また、AI自体の利用場面も、開発工程などの一部に限定されることが多かったといいます。

それに対して、2025年は生成AIからゲームエンジンまでのギャップを埋める活動が多く見られ、ゲームエンジンそのものに機械学習を上乗せして導入するケースもあったとのこと。「GDC 2025」の発表の中から、そういった事例のいくつかが紹介されました。

Ubisoftではさまざまなゲームの開発に機械学習のパイプラインを組み込んでいます。一例として『スター・ウォーズ 無法者たち』に登場するNPCの乗り物を挙げました。

これは、移動制御に強化学習を導入しています。他社の仕組みを借りてくるのではなく、ゲーム開発会社の中でゲームエンジン上にAIを載せていく「垂直統合モデル」にすることで、いろいろなアルゴリズムを試したデータが自社内に蓄積できるとのこと。外部のAIモデルを使いつつ、推論部分のみ社内AIで担うといった活用も可能です。

『スター・ウォーズ 無法者たち』の例。強化学習のワークフローは3年という時間をかけて構築された

また、『レインボーシックス シージ』ではデータ学習を取り入れており、収集したユーザーのデータを教師データとしてAIに学習させることで、人間そっくりの動きをするキャラクターAIを作っているといいます。

『レインボーシックス シージ』の例。プレイヤーのさまざまなデータを収集している

キャラクターAI以外への活用例としては、ツールに学習を組み込んだ例も紹介されました。Activisionの『Call of Duty』はアセットの形状を学習させてアセットライブラリ上で検索をかけられるようにしており、社内のアセット活用に役立っているとのこと。

たとえば「細長くて先が曲がっている」といったような感覚的な特徴で検索すると、該当するアセットが絞り込める

また、ストーリーテリングにLLM（大規模言語モデル）を使用している例として挙げられたのは、Ada Edenの『1001 Nights』。プロンプトによってキャラクターのセリフや武器の説明が生成され、生成内容に応じて物語が変化していき、最終的にはユーザー固有の物語を本のような形にまとめてくれるといった様子が紹介されています。この事例のように、生成AIはユーザーごとに内容を変えたい場面において特に注目されています。

『1001 Nights』の例。最終的には生成された内容がすべて絵本のような形にまとめられ、ユーザーごとの固有の物語がまとめられる

そのほかにもゲーム上のデータを収集してユーザーへのアドバイスを生成する例、ゲームの状況を把握しNPCの応答セリフを生成する例などが紹介され、生成AIの活用が進んでいる現状をうかがわせました。

それでは、ゲームのAIはディープニューラルネットワーク（以下、DNN）を利用したものに完全に置き換わってしまうのでしょうか。

これまでのAIの実現方法には、「記号主義的なアプローチ」と「コネクショニズムによるアプローチ」の2種類があります。前者は従来のゲームAIが実装してきたステートマシンに代表されるように、人間の論理的な思考を数学的に記述するアプローチです。後者はニューラルネットワークを利用したもので、生物のニューラルネットワークを機械的に作って知能を再現するアプローチです。

記号主義のAIとコネクショニズムのAIはいずれも古い歴史を持っており、両者は並行して発展してきました。

ゲームAIが備えるべき3要素とは？

三宅氏は、ゲーム開発におけるAIのポジションについて、すべてをDNNで解決するのは難しいと考えているとのこと。それぞれに利点があるので、ゲームAIは両者のハイブリッド型を目指すべきだと語りました。

記号主義とコネクショニズムはそれぞれに得意不得意があるので、組み合わせて利用したい

なお、いずれの型を目指すにしても、ゲーム開発にあたっては使用技術に拡張性・多様性・カスタマイズ性が担保されていることが重要であり、人間のデザイナーがカスタマイズしやすい仕組みを整える必要があるとのことです。

ゲームプランナーの要望

要望に対して、ゲーム技術が備えているべき要素

ハイブリッド型のゲームAI：領域ごとの事例

ハイブリッド型を目指すと、ゲームAIの3つの領域「メタAI」「スパーシャルAI」「キャラクターAI」はどのようなものになるのかも三宅氏は例示しました。

ハイブリッド型のメタAIの例

アルゴリズムで地形などを生成するPCG（Procedural Contents Generation）の考え方にディープラーニングを組み合わせ、地形などを生成する開発者そのものをAIとして作り出す試みが挙げられます。昔からゲーム産業にはダンジョンや地形、植物を生成するアルゴリズムを作る発想はありましたが、オブジェクトの配置方法をAIに学習させ、コンテンツの開発者そのものをAIで作ろうという発想へと発展してきています。

PCGとは、従来の記号主義的な考え方によって、数学的に地形などのコンテンツを生成する考え方

従来のPCGにディープラーニングを加えたものを、PCGRL(Procedural Content Generation via Reinforcement Learning)と呼ぶ。図はダンジョンを作るのが上達していくAIの例

生成AIはコンテンツの延長や拡大を行ってユーザーごとにコンテンツに変化を与えるのが得意であり、ダンジョンが苦手なユーザーには少し小さめのダンジョンを、ゲームが得意なユーザーには強い敵と複雑なダンジョンを、ロールプレイが得意なユーザーには長めのストーリーをといった「ユーザーごとの揺らぎ」を生み出すことができるといいます。

生成AIは、ユーザーごとに少しずつ内容の異なるコンテンツを提供できる

また、ゲーム全体の制御を行うメタAIが主体となってコンテンツを生成することにより、従来よりもより柔軟なゲームバランス調整が可能になります。

Valveの『Left 4 Dead』の例では、ユーザーの緊張度を心拍数や血圧から判断して敵を出すタイミングを調整したり（実際のゲーム中では緊張度をゲーム状況やユーザーの行動ログから推定する）、ユーザーの逃走経路を予測して逃走経路上に敵を置くなど、ユーザーやゲームの状況に応じてコンテンツが変化しています。

ユーザーの緊張度を把握して、敵を出現させるアルゴリズムを決定する

プレイヤーの逃走経路を予測する

ハイブリッド型のキャラクターAIの例

複数のエージェントを学習させるシミュレーターを用いると、データがなくても強化学習を行って強いAIを作ることができます。たとえば、DeepMindが行ったFPSゲームにおけるAIエージェントの研究「Capture the Flag」、Googleのサッカーシミュレーション、OpenAIの鬼ごっこをするAIなどの事例が挙げられます。

DeepMindの「Capture the Flag」の例。人間の時間で100年分くらい学習させると、旗取りゲームが人間よりはるかに上手いエージェントができあがる

Googleのサッカーシミュレーターの例。22人のエージェントをシミュレーターの中で強化学習させると、どんどん上達していくという。あらかじめ教師データを準備する必要はない

OpenAIの鬼ごっこをするAIの例。箱でドア部分をふさいで邪魔する行動に対して、負け続けた側が三角形のオブジェクトを足場に障害物を超えるようになるなど、カリキュラム学習によって徐々に学習が進んでいく

また、Electronic Artsの研究として、メタAIの生成したマップをエージェントにテストさせる「敵対的強化学習」を行うことで、メタAIもエージェントも両方進化させる例が紹介されました。より複雑なマップ生成とそれに応じた複雑なテストの実施が可能になるため、デバッグ工程まで含めたAIの導入が可能となります。

メタAIにマップを生成させ、エージェントにテストをさせる「敵対的強化学習」

ハイブリッド型のスパーシャルAIの例

スパーシャルAIの例として、DNNを用いた位置検索が挙げられます。スパーシャルAIはステージなどの空間を解析して地形やオブジェクトを把握する役割を持っており、キャラクターAIが移動する際の経路検索において、パス検索、位置検索などに使われます。

位置検索はNPCが次に立つべき場所を地形から検索するといったことに使われ、たとえば「ユーザーからぎりぎり見えるポイント」のような、条件に合ったポイントの絞り込みに使われるといいます。こういった地形解析の技術は、Unityやアンリアルエンジンでも使われています。

空間の特徴をデータとして抽出し、メタAIやキャラクターAIにデータを伝達する

位置検索の例。プレイヤーの位置に応じて条件に合ったポイントを見つけることができる

以上のようにゲーム産業での活用例が紹介されたAI技術ですが、ゲーム産業以外の分野へのさらなる展開も期待されています。

スマートシティのように都市全体を制御するシステムを考えた場合は、スパーシャルAIが都市の空間情報を蓄積し、メタAIが都市全体の状況を把握し、キャラクターAIに行動させるなどの仕組みが考えられます。

スマートシティ上で連携するメタAI、スパーシャルAI、キャラクターAIのイメージ

ドローンやロボットなどへの展開例としては、スパーシャルAIが情報を追加で補ってあげることで、さらにエージェントが活躍できるケースが考えられます。

スパーシャルAIがもつ膨大なデータを共有することで、エージェントは複雑な環境においても上手く空間を使えるようになる

また、人間同士のコミュニケーションにもエージェントが浸透すれば、仕事をエージェントに渡して管理したり、エージェント経由で伝言を依頼したりなど、エージェントを介したコミュニケーションが主流になるかもしれません。

エージェントを介したコミュニケーションが主流になれば、メールは不要となるかもしれないと三宅氏

このように、デジタル空間で育まれたAI技術は現実空間へと拡張されつつあり、ゲームのさまざまな技術は現実のサービスへさらに展開されていくことが期待されています。ゲーム産業はAI活用の最先端に立っていると三宅氏は語り、講演を締めくくりました。

HiMiKo

40歳からCGの勉強を始めた元SE。BlenderとUEの勉強をスローペースで続けています。旅行先ではよく食い倒れています。