Le origini della ricerca IA nei videogiochi

Fin dalla fondazione di DeepMind nel 2010, i mondi limitati ma ricchi dei videogiochi hanno rappresentato il banco di prova ideale per comprendere l’intelligenza. Giocare è stato il primo test di laboratorio: un piccolo team ha addestrato una rete neurale profonda a controllare i giochi Atari 2600 direttamente dai pixel grezzi.

Il Deep Q‑Network (DQN) ha imparato a giocare a 49 titoli diversi – da Pong a Breakout, fino a Space Invaders – senza alcuna ingegneria specifica per ciascun gioco. Il paper pubblicato su Nature nel 2015 ha scatenato l’era moderna del deep reinforcement learning.

Traguardi chiave: da Atari a StarCraft II

Il successo del DQN ha spinto DeepMind a sfidare giochi sempre più complessi, producendo sistemi più capaci e generali:

    • 2016 – AlphaGo: sconfigge il campione mondiale di Go, Lee Sedol, un risultato che molti ritenevano a decenni di distanza.
    • AlphaGo Zero: supera tutte le versioni precedenti imparando esclusivamente dal self‑play, senza dati umani.
    • AlphaZero: generalizza l’approccio a scacchi, shogi e Go con un unico algoritmo.
    • MuZero: impara a giocare senza nemmeno conoscere le regole del gioco.
    • 2019 – AlphaStar: raggiunge il livello Grandmaster in StarCraft II, gestendo complessità in tempo reale e informazione imperfetta.

Ogni conquista ha arricchito l’esperienza di gioco. La celebre mossa 37 di AlphaGo ha stupito i commentatori, rovesciando secoli di saggezza strategica e spingendo gli esperti a esplorare nuove linee di gioco. AlphaZero ha avuto un effetto analogo negli scacchi. Queste scoperte hanno poi alimentato altri campi: AlphaFold ha utilizzato le stesse fondamenta per risolvere la sfida di cinquant’anni della previsione della struttura proteica, premiata con il Nobel per la Chimica nel 2024.

Il salto verso agenti generali: SIMA

Il lavoro precedente dimostrava che l’IA poteva dominare qualsiasi gioco con un obiettivo chiaro e dati di addestramento sufficienti. Tuttavia il mondo reale non offre punteggi né manuali di regole, così DeepMind si è posta una nuova domanda: “Può un’IA capire e interagire con qualsiasi mondo di gioco come un essere umano?”

Da questa sfida è nato SIMA – Scalable Instructable Multiworld Agent. Diversamente dagli approcci basati sulla massimizzazione del punteggio, SIMA è un agente generalista che “vede” ciò che il giocatore vede sullo schermo, comprende istruzioni in linguaggio naturale e agisce tramite tastiera e mouse, senza bisogno di API o accesso al codice sorgente.

Alimentato da Gemini, il modello di IA di frontiera, SIMA 2 funge da compagno interattivo capace di ragionamento in tempo reale e conversazione. È in grado di giocare in maniera umana in ambienti di ricerca 3D complessi e in videogiochi come No Man’s Sky, Valheim, Hydroneer e molti altri.

Capacità richieste per un agente di gioco generico

    • Percezione visiva da pixel grezzi
    • Comprensione del linguaggio naturale
    • Controllo tramite dispositivi di input standard (tastiera, mouse)
    • Apprendimento continuo senza ri‑addestramento
    • Generalizzazione a regole di gioco sconosciute

Implicazioni per lo sviluppo dei giochi

Per i developer, un agente di gioco veramente generale apre scenari di IA che funzionano con i giochi esistenti senza modificare il codice. Possibili applicazioni includono:

    • Compagni di gioco che comprendono davvero il contesto e le dinamiche del mondo virtuale.
    • NPC in grado di adattarsi e rispondere in modi impossibili da programmare manualmente.
    • Test di qualità (QA) estremamente robusti durante lo sviluppo, capaci di gestire ogni commit del codice.
    • Adattamento post‑lancio a contenuti nuovi o comportamenti inattesi dei giocatori, senza necessità di riscrivere script.

Queste capacità trasformerebbero non solo il gameplay, ma anche il processo creativo, permettendo ai designer di sperimentare meccaniche che prima erano impraticabili.

Collaborazione con Fenris Creations e l’universo EVE

L’ultima partnership di ricerca, annunciata all’inizio dell’anno, vede DeepMind unire le forze con Fenris Creations, lo studio indipendente dietro EVE Online. Il gioco, lanciato nel 2003, è una simulazione spaziale massivamente multiplayer in cui migliaia di giocatori condividono un unico universo persistente, evolutosi per più di due decenni.

L’economia guidata dai giocatori, le dinamiche di domanda‑offerta reale e le reti commerciali che si estendono per migliaia di sistemi stellari rappresentano un terreno di prova unico. Per la ricerca AI, EVE offre:

    • Un mondo vivente ed evolutivo, dove le regole cambiano in risposta alle azioni umane.
    • Richieste di apprendimento a lungo termine, su scale temporali che nessun altro gioco impone.
    • Livelli di astrazione multipli: dalla tattica di “twitch” in EVE Vanguard alla strategia galattica di EVE Online, fino alla programmazione di “Smart Assemblies” in EVE Frontier.

Queste caratteristiche si allineano con l’iniziativa di ricerca più ampia di DeepMind: creare sistemi che apprendono continuamente dall’esperienza, accelerando il tasso di apprendimento nel tempo.

Durante un workshop congiunto, i team hanno mostrato prototipi giocabili, scambiato feedback e discusso idee per nuovi esperienze di gioco. Un risultato concreto è stato il “Aura Guidance System”, che utilizza Gemini per fornire suggerimenti contestuali ai giocatori, migliorando l’orientamento in un universo complesso.

Prospettive future

La combinazione di esperienza di sviluppo videoludico e ricerca all’avanguardia permette a DeepMind e ai partner di esplorare esperienze di gioco mai viste prima. L’obiettivo non è solo