پتنت جدید سونی می‌تواند قدرت باس‌فایت‌ها را با هوش مصنوعی تغییر دهد

یک پتنت تازه منتشرشده از سونی ایده سیستمی را مطرح می‌کند که می‌تواند در بازی‌های آینده، رفتار شخصیت‌های غیرقابل‌بازی و حتی باس‌ها را بر اساس نحوه بازی بازیکن تغییر دهد. این فناوری با جمع‌آوری اطلاعاتی مانند واکنش‌های بازیکن، زمان‌بندی حملات و دفاع، موفقیت در Dodge، Block و Parry و نحوه مقابله با الگوهای حمله باس، می‌تواند رفتار دشمنان را با استفاده از یادگیری ماشین تنظیم کند.

در این پتنت که با عنوان «AI-adapted non-player character for video game system» ثبت شده، سونی توضیح می‌دهد که داده‌های مربوط به عملکرد بازیکن می‌توانند برای آموزش یک مدل Machine Learning مورد استفاده قرار بگیرند. این مدل قادر خواهد بود محتوای جدیدی برای NPCها تولید کند یا رفتار آن‌ها را پیش از اجرای بازی، هنگام تجربه بازی و حتی پس از پایان آن تغییر دهد. برای نمونه، سیستم می‌تواند اطلاعاتی درباره واکنش بازیکن به حملات و خطرات محیطی، زمان انجام حملات و حرکات دفاعی و تعداد دفعات موفقیت یا شکست در دفع حملات را بررسی کند.

بخش جالب‌تر این فناوری به باس‌فایت‌ها مربوط می‌شود. سونی در پتنت خود به جمع‌آوری «Boss Interaction Data» اشاره کرده؛ اطلاعاتی شامل الگوهای حمله باس، تعداد دفعاتی که بازیکن حملات را جاخالی داده یا Counter کرده، تغییرات نوار سلامتی باس و حتی نحوه استفاده بازیکن و باس از عناصر محیطی. چنین داده‌هایی در تئوری می‌توانند به سیستم اجازه دهند رفتار باس را متناسب با سبک بازی هر فرد تغییر دهد.

این فناوری تنها به مبارزه محدود نمی‌شود و سونی برای NPCها نیز کاربردهای مختلفی در نظر گرفته است. برای مثال، هوش مصنوعی می‌تواند ویژگی‌های احساسی شخصیت‌ها را در نظر بگیرد و نحوه صحبت کردن آن‌ها را بر اساس شرایط تغییر دهد؛ از جمله تغییر در زیر و بم صدا، شدت، ریتم و لحن برای انتقال احساساتی مانند ترس، خشم، آرامش، اضطراب یا صمیمیت.

با این حال، ثبت پتنت به معنی قطعی بودن استفاده از این فناوری در بازی‌های آینده پلی‌استیشن نیست. سونی صرفا ایده و روش فنی آن را ثبت کرده و هنوز هیچ بازی مشخصی برای استفاده از چنین سیستمی معرفی نشده است.

اجرای چنین سیستمی در بازی‌های سولزلایک می‌تواند جذاب و در عین حال بحث‌برانگیز باشد. یکی از بخش‌های اصلی این سبک، یادگیری الگوهای حمله دشمنان و باس‌هاست؛ بازیکن پس از هر شکست رفتار باس را بهتر می‌شناسد و با تمرین، زمان مناسب برای Dodge، Parry یا Counter را یاد می‌گیرد. اگر باس‌ها بتوانند دائما خودشان را با عادت‌های بازیکن تطبیق دهند، ممکن است تجربه از یک مبارزه سخت اما قابل یادگیری به نبردی کاملاً غیرقابل پیش‌بینی تبدیل شود.

برای مثال، تصور کنید یک باس پس از چند بار مشاهده یک حرکت خاص از سوی بازیکن، متوجه شود که او همیشه از یک روش برای Stagger کردن استفاده می‌کند و سپس الگوی حملاتش را تغییر دهد. چنین سیستمی می‌تواند مبارزات را بسیار پویاتر کند، اما در مقابل ممکن است بخشی از حس پیشرفت و یادگیری که هسته اصلی بسیاری از بازی‌های سخت محسوب می‌شود را از بین ببرد.