Stellen Sie sich vor, Sie spielen DOOM, ja, den legendären Ego-Shooter von 1993, und im Hintergrund läuft keine klassische Game Engine, sondern ein neuronales Netz. Forschende von Google Research, Google DeepMind und der Universität Tel Aviv haben dafür ein bahnbrechendes neues KI-System namens GameNGen entwickelt. Damit ist aus der Zukunftsmusik Realität geworden.
Die Magie hinter GameNGen: Neuronale Netze als Game Engines
GameNGen ist anders als jede Game Engine, die wir bisher gesehen haben. Klassische Engines, etwa die von DOOM oder von modernen Spielen, beruhen auf sorgfältig programmierten Schleifen: Sie nehmen die Eingaben des Spielers entgegen, aktualisieren den Spielzustand und rendern die Grafik. Das sind komplexe Systeme, an denen ganze Entwicklerteams jedes Detail ausarbeiten. GameNGen stellt dieses Modell auf den Kopf: Ein Diffusionsmodell, also eine Art neuronales Netz, erzeugt das Spiel in Echtzeit.
GameNGen lässt DOOM mit über 20 Bildern pro Sekunde auf einem einzigen TPU-Chip (Tensor Processing Unit) laufen. Das ist beeindruckend, noch bemerkenswerter ist aber die Qualität der Simulation. Sie erreicht ein Spitzen-Signal-Rausch-Verhältnis (Peak Signal-to-Noise Ratio, PSNR) von 29,4, ein Wert, der mit verlustbehafteter JPEG-Kompression vergleichbar ist. Auf gut Deutsch: Das simulierte Spiel sieht dem Original verblüffend ähnlich, und menschliche Testpersonen unterscheiden es nur knapp besser als zufällig von echten Gameplay-Clips.
So funktioniert GameNGen: Eine KI lernt spielen und simulieren
Die Entwicklung von GameNGen lief in zwei großen Phasen ab:
1. Die KI lernt, DOOM zu spielen: Im ersten Schritt brachten die Forschenden einem KI-Agenten bei, DOOM zu spielen. Während er lernte, zeichneten sie seine Spielsitzungen auf und erhielten so einen riesigen Datensatz aus Aktionen im Spiel und einzelnen Bildern.
2. Die Spielsimulation entsteht: Danach flossen diese Daten in ein Diffusionsmodell, eine Art von KI, die für das Erzeugen von Bildern und Videos bekannt ist. Das Modell lernte, aus einer Folge vorheriger Bilder und den Aktionen des Spielers das nächste Bild vorherzusagen. Im Grunde lernt es, das Spiel zu „spielen“, indem es erzeugt, was als Nächstes passiert, visuell wie spielmechanisch.
Das ist mehr als ein simpler optischer Trick. Die KI bewältigt komplexe Spielmechanik: Sie verfolgt Gesundheit und Munition, steuert das Verhalten der Gegner und aktualisiert den Spielzustand in Echtzeit. Das Ergebnis ist eine Spielsimulation, die zwar nicht perfekt ist, dem echten Spiel aber unheimlich nahekommt.
Hürden überwinden: Begrenztes Gedächtnis und autoregressiver Drift
So beeindruckend GameNGen ist, es hat Grenzen. Die größte ist sein „Gedächtnis“: Das Modell behält nur etwa 3 Sekunden der Spielhistorie. Deshalb kann die KI wichtige Ereignisse vergessen, die erst Augenblicke zurückliegen, und es kommt zu Ungereimtheiten. Heben Sie etwa ein Medikit auf, kann das System es nach ein paar Sekunden wieder vergessen haben, was sich auf das Spielgeschehen auswirkt.
Dagegen setzten die Forschenden beim Training eine Technik namens Noise Augmentation ein: Sie fügen den Bildern, die das Modell während des Trainings sieht, unterschiedlich starkes Rauschen hinzu. So lernt es, kleine Fehler zu korrigieren, während es das nächste Bild vorhersagt. Das ist entscheidend, damit Grafik und Spielmechanik auch über längere Spielsitzungen konsistent bleiben.
Ein Blick in die Zukunft: Neuronale Netze als neue Game Engines
GameNGen ist mehr als eine technische Leistung. Es ist ein Proof of Concept für eine neue Art von Game Engine, bei der Spiele nicht aus Codezeilen bestehen, sondern aus den Gewichten eines neuronalen Netzes. Das könnte die Spieleentwicklung revolutionieren und sie zugänglicher und weniger zeitaufwendig machen.
Stellen Sie sich zum Beispiel vor, Sie schreiben für ein Spiel keinen Code, sondern beschreiben es in Alltagssprache, und das neuronale Netz erledigt den Rest. Das könnte die Spieleentwicklung demokratisieren: Jede und jeder mit einer kreativen Vision könnte eigene Ideen umsetzen, ohne programmieren zu können.
Wie geht es weiter?
Noch beschränkt sich GameNGen auf die Simulation von DOOM, doch die Forschenden blicken optimistisch auf breitere Anwendungen. Künftige Arbeiten könnten das Modell an andere Spiele anpassen oder sogar an andere Arten interaktiver Software. Außerdem will das Team die aktuellen Grenzen angehen, etwa das Gedächtnis des Modells verbessern und die Genauigkeit der Spielsimulation über längere Sitzungen verfeinern.
Kurz gesagt: GameNGen ist ein wegweisender Schritt in Richtung einer Zukunft, in der neuronale Netze neu definieren könnten, wie wir über Spiele denken und wie wir sie erschaffen. Traditionelle Game Engines kann es noch nicht ersetzen, aber es eröffnet neue Möglichkeiten für KI-gestützte Content-Erstellung. Der Tag, an dem wir ganze Spiele erstellen, indem wir sie einer KI einfach beschreiben, ist vielleicht näher, als wir denken.
Aus dem Englischen übersetzt: zum Originalbeitrag