ウェイハオ・チェン (Weihao Cheng) 氏は11月19日(現地時間)、AIエージェントのプレイ経験を基に、プレイヤーを惹きつけるゲームを自動で設計するフレームワーク「プレイクラフト (PlayCraft)」を提案しました。この研究は、AIが生成するゲームがしばしばプレイヤーのエンゲージメントを欠くという課題に対し、プレイヤーの習熟度をエンゲージメントの鍵と捉え、その自動実現を目指すものです。
プレイクラフト (PlayCraft) は、初期ゲームを基盤とし、「プレイ」と「クラフト」という二つの段階を交互に繰り返すことで、ゲーム設計を自動的に改訂するプロセスを採用しています。
「プレイ」段階では、プレイヤーエージェントがゲーム環境と能動的に相互作用します。具体的には、エージェントはゲーム画面を視覚的に認識し、その情報に基づいて操作を実行します。ゲーム目標を達成するため、連続するエピソードを通じてプレイを繰り返し、その過程で得られた経験や戦略を記憶として保持します。各エピソードの終了時、エージェントは自身の進捗状況、達成結果、行った決定、反省点や課題に関する詳細な報告書を作成します。
続く「クラフト」段階では、クラフターエージェントがこれらのプレイ報告書を分析・活用します。このエージェントは、プレイヤーエージェントの能力を詳細に推定し、異なる熟練度レベルにおけるパフォーマンスを予測します。その予測結果を理想とする学習の進行度合いと比較し、ゲーム設計における潜在的なギャップや改善点を特定します。これにより、クラフターエージェントは、プレイヤーがより効果的な意思決定と実行を通じてスキルを向上させ、上達を実感できる有意義な機会を提供することで、ゲーム設計上の問題点に対処し、ゲームを改訂します。
ウェイハオ・チェン氏は、この「プレイクラフト」フレームワークの有効性を検証するため、3種類の異なるインテリジェンス設定を持つプレイヤーエージェントを用いた評価を実施しました。この評価では、学習ゲインと学習スロープという二つの主要な指標が測定されました。その結果、「プレイクラフト」は、ほとんどのゲームにおいて初期バージョンと比較して、より大きな学習ゲインと、より急峻な学習スロープをもたらすことが確認されました。これは、フレームワークがプレイヤーの学習と上達を効果的に促進していることを示唆しています。さらに、あらゆるインテリジェンス設定のプレイヤーエージェントにおいて、各評価メトリックのマクロ平均で既存のベースライン手法を上回る性能を示しました。この研究成果は、arXiv cs.AI よりPlayCraft: Designing Engaging Games from Agent Play Experienceとして11月19日(現地時間)に公開されました。
参考: arXiv cs.AI — 2026年11月20日 03:59 (JST)
原文ハイライト"PlayCraft: Designing Engaging Games from Agent Play Experience"