AI技術の活用（AIとゲーム）_20260109久留米工業大学

AI技術の活⽤（ゲームとAI）2026 合同会社パプカイヤ エンジニア 増渕⼤輔

X

X

⾃⼰紹介 オンラインゲーム技術者およびDXコンサルタント デジタルハリウッド大学院ジーズアカデミー・メンター AIロボット駆動科学イニシアティブ（事務局を担当） ザルツブルグ・グローバルセミナー・フェロー 株式会社リンクトブレインの技術戦略顧問（ 〜2025 ） 合同会社パプカイヤ はじめまして、増渕⼤輔です。東北⼤学の情報科学卒で、IBMやMicrosoftに以前勤め ていました。IBM時代は、オンラインチケットシステム、Microsoft 時代はXboxチー ム配属で3rdパーティーのオンラインゲームサーバーをサポートしてましたのでサー バーよりの仕事をしてきました。 現在はITコンサルや技術顧問、ゲーム、AIロボット駆動科学、看護師業務改善SaaS開 発、などをしてます。 趣味は料理やダイビング、歴史めぐり。新しい技術や⼈との出会いが⼤好きです。 ⽂⿃を飼ってます 講演実績 CEDEC（Computer Entertainment Developers Conference） IDGAJ（ International Game Developers Association Japan） Microsoft de:code Xbox, Xfest その他、各種勉強会、草の根座談会 最近の実績 → 「Google ADKを活用した エンタメ翻訳」 CEDEC 九州 2025

AI ロボット駆動科学イニシアティブ • LLMが浸透：個⼈→チーム→産業レベルへ • 2026：AI（LLM）は「便利ツール」から制作の"環境"へ • Cursor、Claude、Gemini CLI、など。AI開発スタイルが普及 • 「⾃然⾔語で指⽰すればAIがコードを書く」時代に突⼊ • 同時に「それっぽい破綻」を量産する⼈も増加

趣味

ヒッポファミリークラブ 40年以上の歴史 ⾃然習得理論に基づく多⾔語環境 家族ぐるみ・異年齢での活動 Xin chào 안녕하세요 สวัสดี Bonjour Olá ホームステイ・交換プログラム 数千の会員数・数百の拠点 你好

気になったこと

IT + ゲーム+⾔語 の お仕事をしてみたい

IT業界では翻訳が急速進化 従来型機械翻訳 （Rule-based / Statistical Machine Translation） •ルールベース（Rule-based）: •統計的機械翻訳（Statistical Machine Translation） ⬇ ニューラル機械翻訳 （Neural Machine Translation: NMT） •エンコーダー-デコーダー構造と自己注意機構 •RNNベース（2014年以前） •Transformerモデル（2017年ー） ⬇ LLMベースの翻訳 （LLM Based Machine Translation） •GPT-3、T5、Llama、ChatGLM、など。 •T5 → 100言語対応

ゲームの翻訳 プレイヤー選択肢・分岐・ループを含む全シナリオでキャラクターの⼝調を100 %⼀貫させる メニュー・アイテム名・UIボタンなど固定幅スペースに収まる⻑さで翻訳する 同⼀セリフが吹き替え⾳声と字幕の両⽅で使われる場合、両⽅の制約を同時に満たす プレイヤー名挿⼊・性別変化・敬称変化にリアルタイムで対応できる⽂法構造にする ⽂化的・宗教的タブーや年齢レーティングに応じて表現を削除・置換を⾏うローカライズ判断 ゲームのジャンルにより、仕事の仕⽅、癖がかなり違う

過去40年間のローカライズ手法を研究した論文 論⽂要約: The Localization of Software and Video Games: Current State and Future Perspectives https://www.mdpi.com/2078-2489/15/10/648 ローカライズは国際化（言語対応可能化）を前提とし、 CAT/AIが文脈認識・専門用語適応を向上。課題として 文字サポート、文化保存、ネオロジズム干渉を指摘。 翻訳者 -> プログラマー協力と文化的UI/ストーリーテ リングが鍵。(GDCトレンド) 翻訳者のスキル不足（プログラミング基礎） プログラマのスキル不足（翻訳業務がわからない）

• https://www.mdpi.com/2078-2489/15/10/648

関連分野 データ J-GameLoc Corpus (2023)： 約5万文ペア（日本語-英語）。対話・UI・敬語タグ付き。Hugging Face公開。変数制約対応。 Japanese Visual Novel Parallel Corpus (2024)： ビジュアルノベル（例：『STEINS;GATE』風）から抽出。分岐ナラティブ特化。arXiv付録。 JP-GameSubtitle Dataset (OPUS拡張, 2025)： アニメ/ゲーム字幕。音声-テキストアライメント。 ツール： Textractor + DeepL/GPT Integration： リアルタイム日本語抽出・翻訳。敬語プロンプトで改善。 Ren'Py Localization AI Plugin (GitHub, 2025)： ビジュアルノベルエンジン向け。長さ制約自動調整。 MemoQ with Japanese Domain Model： 商用ツール。NMTファインチューニングで敬語精度向上。

RealLives Life Sim RealLives は、192 か国にわたる⼈⽣をシミュレーション 統計や個⼈の選択から⽣まれたキャラクターの役割をプレイする 誕⽣から死まで⼈⽣の広⼤な⾵景、物語を体験、共感を学ぶ

AI技術の活⽤（ゲームとAI）2026

このスライドは、最近のわたしのメモ（Markdown＋Obsidian Web Clipper）をもとに、 Gemini と Claude Code がJSONに変換しPython のpython-pptx でファイルを作成し、 多少、⼿を加えたものです。たまに、Gemini + まじん式、のスライドも混じっています。 フォントはキウイ丸です。 ⾔葉の表現や図表に 違和感があれば教えていただけるとありがたいです。

2025→2026：この1年で何が変わったか • LLMが浸透：個⼈→チーム→産業レベルへ • 2026：AI（LLM）は「便利ツール」から制作の"環境"へ • GitHub Copilot、ChatGPT、Claudeが当たり前の開発⾵景に • 「⾃然⾔語で指⽰すればAIがコードを書く」時代に突⼊ • でも同時に「それっぽい破綻」を量産する⼈も増加

「コーディングの終焉」という言説 プログラミングは誰もが習得すべきスキルではなくな るかもしれない。AIが言語の壁を取り払うからだ。 — Jensen Huang (NVIDIA CEO) / 2024 © Papukaija LLC. 4

• AI Game Development in 2026 （ Vibeforge のブログ） • AIコーディングツールは2025年に爆発的に増加しました。 • GitHub Copilot — 毎日何百万人もの開発者が使用 • 急速に普及しているAIネイティブエディター「Cursor」 • Claudeと ChatGPT — 完全なアプリケーションを定期的に生成 • YCスタートアップの 25% — 主にAI生成のコードベース • 注：Vibeforge は、AIによるGame開発支援ツールと、ゲームホスティング企業

バイブコーディング（Vibe Coding） • Andrej Karpathy⽒らが提唱した新しい開発スタイル • ⾃然⾔語で「雰囲気（Vibe）」を伝えてAIにコードを書かせる • コードの細部（構⽂やメモリ管理）を⼈間が記述しない • プログラミングの敷居を劇的に下げた • しかし、確率的トークン予測という本質を忘れてはいけない

AI（LLM）の落とし⽳：理解なき進⾏ • AIの出⼒は「それっぽい」が混ざる • 動くことと正しいことは別 • 「なぜ動くか」を説明できないまま先に進む • エラーが出てもAIに丸投げ→同じ質問を繰り返す無限ループ • たまに、作業が破綻し、原因が追えない状態へ

教育現場、における、能⼒獲得の錯覚 （Illusion of Competence） • 学習者がAIの助けで課題を達成し、それを⾃分の能⼒と誤認する現象 • 実際の理解度と⾃⼰評価の間に⼤きな乖離が⽣じる • AIの流暢な応答が学習者の⾃信を不当に⾼める • 結果：コードは書けるが、なぜ動くか説明できない • 研究エビデンス：Prather et al. (2024) の視線追跡実験 「流暢性バイアス」 がさらに、 この状況を悪化させているような 気がしています（増渕個人意見）

理解とパフォーマンスのギャップ • Comprehension-Performance Gap：理解度と成果の乖離 • タスク完了速度は向上 するが、コード全体の理解度は向上しない • 熟練者：知識基盤とAIの提案を照合する「検証モード」 • 初学者：判断基準がなく、AI出⼒を解読しようとするか全依存 • 将来的にコードをメンテナンスできないエンジニアが量産されるリスク

AIは能⼒？ 増幅器？ 友達？ • 同じAIでも、使う⼈の思考の質で結果が⼤きく変わる • 思考が粗い → 粗さが加速する（破綻を量産） • 思考が精密 → 精密さが加速する（検証が⾼速化） • AIは⼈の思考の質を増幅する装置 2025年は、「Keep 4o」運動なども！！ 多くの⼈は、AIの思考の質を必要としていなかった

教育現場におけるAI利用の影響 初学者の学習プロセスに与えるインパクト 成績下位層 チートリスク 基礎理解度 開発速度 停滞傾向 増大 二極化 向上 思考停止 © Papukaija LLC. 検知困難 格差拡大 短期成果 8

差がつく3つ 因数分解 • 何を「部品」に切るか（コード/画像/レベルデザイン/データ/QA） • 何が不確実で、何が確実か • AIは"全体設計"が苦⼿（ 逆に分解できない⼈は丸投げして失敗する） AIに考えさせすぎない （明確化な指⽰） • ⽬的：何を良くしたい？ • 仮説：なぜそれが効く？ • 制約：何を守る？（60fps、コスト、世界観、倫理） レビュー（最終責任） • 何を採⽤するか、何を捨てるか、何を守るか • AIは提案できても責任は負えない • 判断を放棄した瞬間、⼈はAIに使われる側になる

AIに使われる⼈ vs 使いこなす⼈ ？？ どちらの⼈も、実はAIを毎⽇のように使っているそうです。 説明 AIの確率論的（確率的） 振る舞いの理解 理由と実践的意義 この特性を認識することで、出力の変動を AIの出力は決定論的ではなく、確率的に次に 予測し、曖昧さを減らす工夫（例: 制約の追 来るトークンを予測して生成されるため、 加や複数回の試行）を自然に行える。ハル 同じプロンプトでも微妙に異なる結果が出る シネーション（誤情報生成）のリスクも低減 可能性がある。 可能。 明確で強固な目的 タスクの最終目標を最初に明確に述べ、 AIに「何を達成したいか」を伝える。 AIは文脈を基に推論するため、目的が曖昧 だと不要な拡散が生じる。目的を優先的に 指定することで、出力の関連性と有用性が 向上する。 テーマ・アジェンダの 絞り込みと制約の活用 広範なタスクを避け、焦点を絞るために 明確な指示や制約 （例: 文字数、形式、禁止事項）を付与する。 AIに「考えさせすぎない」よう制御する。 AIは自由度が高いほど確率的変動が増大 する。制約により思考の範囲を狭め、精度 の高い一貫した出力を引き出しやすい。 プロンプトエンジニア 直感的・体系的理解 役割付与（Role-playing）、 思考連鎖（Chain-of-Thought）、 例示（Few-shot）、出力形式指定など これらの技法は、AIの潜在能力を最大限引 き出し、再現性の高い結果を得るための実 証されたアプローチ。直感的に「AIがどう解 釈するか」を考慮できる人が優位。

昨今の、プロンプトエンジニアリング不要論 プロンプトエンジニアリングの基本は、役割指定（例: "あなたは専門家として"）、詳細記述、例示、ステップ分解 などの手法です。これによりAIの応答品質が向上し、ゲーム業界のようなクリエイティブ業務でアセット生成やス トーリー作成に活用されます。 ＜最近の不要論＞ AIモデルの進化（GPT-4以降）で自然言語理解が向上し、曖昧な指示でも高精度な出力が可能になったため、複 雑なプロンプト作成が不要との声が強いです。 また、AI自身がプロンプトを最適化する機能（内部にChain of Thoughtを実装するなど） が登場 手間自体が非効率、または、逆効果、と見なされる研究があります。 ＜不要論に対する反対意見＞ 実務では業務プロセス理解に基づく、より精密なプロンプトが望ましい。 ＜増渕意見＞ 制作現場では、知らないより知っている人の方が断然よい。 キャラクター設計やストーリー生成でプロンプトを工夫しないと、時間を浪費する。

そろそろ AI×ゲーム開発 のお話をします AI の使い⽅、指⽰の仕⽅、を学ぶにはゲーム開発は最適です ゲームには最初からいろいろ揃っている • ⽬的（勝利条件） • 制約（ルール、⼊⼒、fps、デバイス） • 連続判断（毎フレーム、毎試⾏） • 即時フィードバック（⾯⽩い/つまらないが即出る） • だからゲームはAI時代の⼈間⼒（分解・記述・判断）を鍛える"実験場"

ゲームはAI時代の最良の教材である • ゲームには最初から揃っている： • ⽬的（勝利条件） • 制約（ルール、⼊⼒、fps、デバイス） • 連続判断（毎フレーム、毎試⾏） • 即時フィードバック（⾯⽩い/つまらないが即出る） • だからゲームはAI時代の⼈間⼒（分解・記述・判断）を鍛える"実験場"

脱線：GPUは、ゲーム業界から⽣まれた？ DirectX: Windows 95 の発売の直前、マイクロソフトは Windows 95におけるプログラムの自由度を上げる仕組 みを作り上げたのが 「DirectX 」 ＝ ハードウェア制御に近いローレベルな制御を行うことができる 最新の Direct X 12 Ultimate は、ゲームなどのマルティメディアアプリ ケーションを作成するためのAPI群

AIが⽣成したイメージ画像です（本物のレイトレーシングではありません）

ゲームとGPUとAIの発展の関係性 ゲームの3D表現には大量の行列計算が必要 • 三角形の位置、角度、色、テクスチャの計算 • 1秒間に数百万回の並列計算が必要 • CPUでは処理が間に合わない（1フレームに1-2秒） GPUが機械学習を加速 GPUの特徴を確立 • 単純な計算を大量に並列処理 • 高速なメモリアクセス • プログラム可能な演算機能 - ニューラルネットワークは単純な行列計算 - 画像認識は数値の行列処理 - 学習には大量の行列乗算が必要 - GPUの特徴が完全にマッチ - 並列処理による高速化（数ヶ月→数時間） - 大容量メモリによる効率的な処理 - プログラム可能な柔軟性 ゲーム産業がGPUを発展させ、そのGPUが機械学習を加速させる、相乗効果が生まれました。 ビデオゲーム技術がニューラルネットワークを可能にする仕組み 35 h<ps://techcrunch.com/2017/10/27/how-video-game-tech-makes-neural-networks-possible/

• https://techcrunch.com/2017/10/27/how-video-game-tech-makes-neural-networks-possible/

導⼊編：ゲームの基礎的な仕組みを体験する 2025年1⽉に作成したミニゲームです。 → https://tinyurl.com/kurumeit2025 ゲームの裏側の仕組みを学ぶためのチュートリアルです ループと、キー操作の割り込み、コリジョンを体験できます ソース： https://github.com/dmasubuchi/KITGames/tree/main デモURL： https://black-ocean-0fc6c5310.4.azurestaticapps.net/

• https://github.com/dmasubuchi/KITGames/tree/main
• https://black-ocean-0fc6c5310.4.azurestaticapps.net/

開発編： AI×Game で使える裏側の仕組みを考える 昨⽇作成した、テキストゲームです。裏側の仕組みを体験するために作成しました （たいにーゆーあーるえる、こむ、くるめあいてぃー）← 数字の2025 がありません → https://tinyurl.com/kurumeit WEBではないので、やや⼿間がかかります Download → Python で実⾏ 元のステップでは、簡単なゲームシステム（Loopなど） 途中のステップからは、ユーザーの⼊⼒を、 WASD (キー操作)ではなく⾔語⼊⼒になります

Step 主な操作（ユーザーが実際にすること） 何を学べるか（ゲーム開発テクニック・設計） 00 Hello World ・アプリを起動する・OutGameメニューを見る ・開発環境の確認・この教材が「Step制」で進むことを理解する 01 Game Loop ・up / down などでカウンターを増減・1操作ごとに画面更新 ・ゲームは「入力→更新→描画」のループで動く 02 State Management ・プレイヤーを移動させる・ログや位置がStateとして更新 ・世界は State（状態）として表現される 03 I/O Separation ・実際に操作して動かす・モック入力（自動入力）で動かす ・ロジックと入出力の分離・テスト可能なゲーム設計・検証 04 TextGrid Renderer ・TextGrid画面を見る・移動結果が文字で描画されるのを観察 ・描画は「結果の表示」にすぎない・render(state) 05 DSL Lexer ・move player 1 0 などDSL文字列を入力・トークン列を確認 ・字句解析（Lexer）・文字列を意味のある部品（トークン）に分解 06 DSL Parser ・同じDSLを入力・AST（構文木）表示を見る ・構文解析（Parser）・トークンが「構造」になる過程・実行前の検証 07 Interpreter ・DSLを入力して実行・プレイヤーやStateが変わるのを見る ・インタプリタ設計・ASTを実行して状態変更・責任境界の固定 08 A* Pathfinding ・path x y で経路を見る・goto x y で自動移動させる ・探索アルゴリズム（A*）・アルゴリズム＝MOVE命令列生成器 09 Enemy AI (FSM) ・wait で敵AIを観察・ai でFSM状態を見る ・有限状態機械（FSM）・状態と遷移による行動決定・状態爆発 10 Enemy AI (BT) ・bt でBehavior Tree構造を見る・敵の行動ログを確認 ・Behavior Tree・構造で複雑さを管理する設計・FSMとの違い 11 Enemy AI (GOAP) ・goal escape などで目標を指定・plan で行動計画を見る ・GOAP（目標指向行動計画）・「目的→行動列」を生成する考え方 12 System AI (Director) ・director で状態確認・toggle_director でON/OFF ・System AI / Director・キャラではなくゲーム全体を制御するAI 13 Human × AI × Rules ・dsl <command> を直接実行・AI ON/OFF を切替 ・人間・AI・ルールの役割分担・AIは提案者、実行はルール

Game_AI_Evolution_Control_to_Emergence NotebookLMで整理したゲームAIの進化 https://www.docswell.com/s/3906110/ZLVMW7-2026-01-09-Papukaija-2 資料を 切り替えます

• https://www.docswell.com/s/3906110/ZLVMW7-2026-01-09-Papukaija-2

なぜエンジンを自作するのか > 仕組みの理解 UnityやUnrealは便利ですが、内部の仕組みを隠蔽してし まいます。自作することで「ブラックボックス」の中身を 知ります。 > 本質的な挙動 ゲームを動かす「ループ」や「状態」がどう相互作用す るのか、その原理原則を体感します。 > エンジニアリングの意図 単なるコードの書き方ではなく、「なぜそう設計するの か」というエンジニアリング的な意図を学びます。

ゲームは、AIにとっての極限試験場、でもあります • ゲーム開発はAIにとって最も困難なタスクの⼀つ • 状態（State）の連続的な変化を管理する必要 • リアルタイム処理：16ms/フレーム（60fps） • 物理法則のシミュレーションとの整合性 • 複雑なユーザーインタラクション • だからこそ、AIの限界が最も⾒えやすい

ゲーム AI の進化と歴史 コンピュータサイエンティストは、AIのアルゴリズムと問題解決能力を向上させるためにゲームAIに 注目してきました（チェスや囲碁など、シンプルで明確なルールがあるゲームがAI研究対象として優 れていた） 参考：Microsoft 「ゲーム AI の進化と歴史」 • https://news.microsoft.com/ja-jp/2019/08/19/190819-evolution-and-history-of-game-ai/ ü 1974 Kaissa がス トックホルムで最 初の世界コン ピュータチェスチャ ンピオンとなる チェス ü 1994 年、ジョナサン シェー ファーがChinook を開発し世 界チャンピオン ü 1997 年、ディープ ブルーは、 チェス世界チャンピオンのガル リ カスパロフ との対戦で 勝利 ポーカー ü 1984 年、プロ のポーカープレ イヤー マイク カ ロ（Mike Caro） が Orac を開発 囲碁 ü 2015 年、DeepMind が 「AlphaGo」を開発 ハンデなしで 19 路盤 でプロ棋士に勝った初 の囲碁AI 2015 ü 1956 、強化学習アルゴリズム がチェッカーに採用 1956 1974 1984 1 97 9 9 2 -1 9 バックギャモン ü 1992 ジェラルド テサウロが 「 TD-Gammon 」を開発 麻雀 ü 2015 年に東大の水上直紀氏が「爆打」を開発 ü 2018 年にドワンゴが麻雀AI 「NAGA」を開発 ü 2020 年に、Microsoft 「Suphx」を開発 世界最強麻雀AIとして名乗りを上げる 2016 2017 2018 2019 2020 ポーカー ü 2017 年、カーネギーメロン大学が Libratus を開発 ü 2019 年、カーネギーメロン大学とFacebook AI が Libratus の進化 版として Pluribus を開発し、6 人でのノーリミット・テキサス ホールデムでプロのポーカープレイヤーに勝利 48

• https://news.microsoft.com/ja-jp/2019/08/19/190819-evolution-and-history-of-game-ai/

AIにとって複雑なゲーム ≠ ゲームの難易度 • • • • 三目並べの碁盤には 9 (3 x 3) の格子がある 各格子には X、O、空白という 3 つの状態がある 局面数は 3 の 9 乗である、19863 となる 状態空間複雑性は約 104 (19863 ≈ 104) 完全情報ゲーム: 状態空間複雑性とゲーム木複雑性 ゲーム 参考 状態空間 複雑性 4 10 21 10 46 10 48 10 105 10 172 10 三目並べ 10 チェッカー 10 チェス 10 中国象棋 10 五目並べ 10 囲碁 10 ゲーム AI の難易度とは? - News Center Japan (microsoft.com) ゲーム木 複雑性 5 31 123 150 70 360

• https://news.microsoft.com/ja-jp/2019/08/22/190822-difficulty-of-game-ai/

完全情報ゲーム？ 不完全情報ゲーム？ • 不完全情報ゲーム： 参加者はゲームの実際の状態を分別することができない – – • 難易度を測りかた – – • 分別できないゲームの状態の集合を情報集合といいます。 合理的なゲーム戦略は、ゲームの状態ではなく、情報集合に基づいて考える 状態空間の大きさではなく、情報集合の数を尺度にする 「完全情報ゲーム」の情報集合数は状態空間数と同じ 情報集合の平均的な大きさ – – 情報集合の中で区別できないゲームの状態の平均数 ゲームの各局面の裏に隠されている情報の数 不完全情報ゲーム: 情報集合数と平均的な大きさ ゲーム 情報集合数 情報集合 の平均的な大きさ 14 10 162 10 67 10 121 10 1 対 1 テキサスホールデム （制限付き） 10 1 対 1 テキサスホールデム （無制限） 10 ブリッジ 10 麻雀 10 3 3 15 48 参考 ゲーム AI の難易度とは? - News Center Japan (microso;.com) 50

• https://news.microsoft.com/ja-jp/2019/08/22/190822-difficulty-of-game-ai/

麻雀AI: Microsoft Suphx オンライン麻雀プラットフォームの「天鳳」で10段獲得 – 「安定段位」（平均した強さ指標）において スコア8.7 を達成 – 「特上卓」に参加するトッププレイヤーとの5,000回以上の対局における平均の成績 – 人間のトッププレイヤーの平均を上回る成績 天鳳 安定段位における⽐較 爆打 （AI：東京⼤学 /HEROZ） NAGA25 （AI：DWANGO） トッププレイヤー （⼈間:10段以上） Suphx （AI：Microsoft） 51

有段者からの評価・評判 「ASAPIN」のプレイヤー名で知られる朝倉康⼼⽒ https://twitter.com/asakurapinpin 「太くないお」⽒ https://twitter.com/Futokunaio_Sota ⽇本の⿇雀プレイヤーの中では神格的存在、世界で初めて天鳳の最⾼ 位である「天鳳位」を獲得 3⼈打ちおよび4⼈打ち⿇雀の両⽅の「天鳳位」を獲得 （＝私より強いかもしれないと感じている） https://twitter.com/asakurapinpin/status/1142473124081913856?s=20 https://twitter.com/Futokunaio_Sota/status/1142398515588374528?s=20 53

• https://twitter.com/asakurapinpin/status/1142473124081913856?s=20
• https://twitter.com/asakurapinpin
• https://twitter.com/Futokunaio_Sota
• https://twitter.com/Futokunaio_Sota/status/1142398515588374528?s=20

• ⿇雀は「不完全情報ゲーム」の代表格 • 不確実性の⾼い隠された情報が⾮常に多い • 優れた仮説、予測、推論、ファジーな意思決定能⼒が必要となる 膨⼤な量の隠された情報 ⾮効率なトレーニング、 ゲームツリーの検索失敗 「先読み」コーチング 複雑な報酬メカニズム 戦略的に負けることで報酬 を最⼤化 全体的な予測 巨⼤な状態空間 完全な情報でトレーニングプロ セスをスピードアップ Deep Reinforcement Learning 報酬の割り当てに ゲーム階層を使⽤ 適応的な 意思決定 54

Suphx は、ゲームAI の可能性を世に知らしめた • 人間の本能、予測、推論、あいまいな意思決定能力、およびゲーム内の全体的な状況の感覚を 示し、麻雀の高い不確実性に効果的に対処 • 人間の学習、麻雀のスキル向上、麻雀コミュニティの発展を支援 • 現実世界のシナリオ – 自動運転、金融投資など、ゲーム以外の分野のほとんどは未知の情報が多い – さらに、偶発的な要素にも影響を受けやすい – 世の中、社会の、複雑な問題の解決に貢献 • ただし、研究開発のコストは依然として大きい 55

Google の 模倣学習によるアプローチ AIの可能性 • ゲームソースへのアクセス • ビデオゲームの対話的性質 RLのデメリットに着目 • 固有のネットワークアーキテクチャ • MLアルゴリズムの実装の専門知識 • 大量のトレーニングデータ Falken hYps://github.com/google-research/falken ゲームをプレイできる AI をトレーニングできるサービスをGoogleがオープンソースにて提供 報酬やオフライン トレーニングのバッチを通じて学習する従来の RL フレームワークとは異なり、Falken はリ アルタイムの人間との対話を介した AI のトレーニングに基づいている模倣学習ます。 56

• https://github.com/google-research/falken

エネミーAIを作る一般的なテクニック • • • • • • ルールベースのAI 有限状態マシン パスファインディングAI 機械学習AI ビヘイビアツリー 強化学習 https://www.engati.com/blog/ai-in-gaming 57

• https://www.engati.com/blog/ai-in-gaming

エネミーAIを作る一般的なテクニック • • • • • • ルールベースのAI 有限状態マシン パスファインディングAI ルールベースのAI: 単純な条件分岐やルールに基づいて、敵の行動を制御 機械学習AI ビヘイビアツリー • 仕組み: 強化学習 • IF-THENルール: 条件を満たした場合に指定された行動を実行 • 例: 「プレイヤーが視界内に入ったら攻撃する」 • 具体例: • Pac-Man（1980年）: ゴーストがプレイヤーを追跡 • 評価: • メリット: 実装が簡単で軽量 • デメリット: プレイヤーに予測されやすい 58

エネミーAIを作る一般的なテクニック • • • • • • ルールベースのAI 有限状態マシン パスファインディングAI 有限状態マシン（Finite State Machine, FSM） 敵の状態（待機、追跡、攻撃など）を明確に分け、条件に応じて状態遷移 機械学習AI ビヘイビアツリー 仕組み: 各状態で異なる行動を実行。条件が満たされると状態を遷移。 強化学習 例: 「待機」→「視界内にプレイヤー発見」→「追跡」。 具体例: The Legend of Zelda（1986年） 敵がプレイヤーを発見すると追跡状態に移行。 メリット: 明確でシンプルな行動制御。 デメリット: 状態数が多いと管理が煩雑。 59

エネミーAIを作る一般的なテクニック • • • • • • ルールベースのAI 有限状態マシン パスファインディングAI 機械学習AI パスファインディングAI ビヘイビアツリー • 障害物を回避しながら効率的な経路を計算するAI。 強化学習 • 仕組み: • A*アルゴリズム: 最短経路を計算するための一般的な手法。 • グリッドベースマップ: マップをグリッドに分割して移動可能なセルを評価。 • 具体例: • Doom（1993年）: 敵がプレイヤーの位置に基づいて最適なルートを計算し追跡。 60

エネミーAIを作る一般的なテクニック • ルールベースのAI • 有限状態マシン • パスファインディングAI • 機械学習AI • ビヘイビアツリー 機械学習AI •• 強化学習 定義: データを学習して行動パターンを見つけ、敵の動作に応用する技術。 • • • 仕組み: • スーパーバイスドラーニング: ラベル付きデータで訓練。 • アンラベルドラーニング: データから自律的にパターンを発見。 具体例: • F.E.A.R.（2005年）: 敵がプレイヤーの行動に適応し、状況に応じてグレネード投擲やカバーを選択する。 • Forza Horizon（Turn 10 Studios）: レースゲームで、プレイヤーの走行データを基にAI「Drivatar」が個々のプレイスタイルを 学習し再現。 • Tom Clancy’s Rainbow Six Siege（Ubisoft）: AIがプレイヤーの戦術を学習し、防御や攻撃を適応的に変更。 評価: • メリット: 過去データから合理的な意思決定を学習可能。 • デメリット: データの偏りがAI動作に影響を与える。 61

エネミーAIを作る一般的なテクニック • • • • • • ルールベースのAI 有限状態マシン パスファインディングAI 機械学習AI ビヘイビアツリー 強化学習 ビヘイビアツリー（Behavior Tree） • 定義: 敵の行動を階層構造で管理し、状況に応じた適切な行動を選択する技術。 • 仕組み: • 条件ノード: 状況を評価し次のアクションを決定。 • アクションノード: 実際の行動を実行。 • 具体例: • Haloシリーズ: 敵が状況に応じて「カバーを取る」「突撃する」などを選択。 • 評価: • メリット: 柔軟で複雑な行動を実現可能。 • デメリット: ツリーが複雑になるとデバッグが困難。 62

エネミーAIを作る一般的なテクニック • • • • • • ルールベースのAI 有限状態マシン パスファインディングAI 強化学習: AIが試行錯誤を通じて最適な行動を学習する技術。 AIが試行錯誤を通じて報酬に基づいた行動を学ぶケースが典型です。 機械学習AI これらは大量のトレーニングデータと計算リソースを必要とするため、使用される場面が限られます。 ビヘイビアツリー 仕組み: エージェント、環境、行動、報酬、方策を使う 強化学習 具体例: • Gran Turismo Sophy: 強化学習を用いてレーシングスキルを習得。 プレイヤーと競争し、高度な戦術を実現。 • • AlphaStar（StarCraft II）: 強化学習でプレイヤーの戦略を学習し、 リアルタイムで適応するAI。 OpenAI Five（Dota 2）: プロプレイヤーと競うための戦略を学習。 長所と短所: 長所: 試行錯誤を通じて、未知の状況にも対応可能。 • 短所: 学習コストが高く、膨大なリソースを必要とする。 • 63

ゲームにおけるAIは「賢ければ良い？」とは限らない • ゲームバランスの崩壊 – 強すぎ、または、弱すぎ – AIに意図的にミスをさせる仕組みを導入 – 動的難易度調整 • リソース不均衡（過剰） • 製作者の意図に合わない – AIが予想外の行動を取ることで、ゲームデザイ ンの意図を損なう – プレイヤーの体験を損ねる • プレイヤー行動の固定化 – ゲームシステムへの負担 – プレイヤーがAIの行動パターンを学習 – 複雑化 – コストの増加 – 特定の攻略法に依存することで、ゲームプレイ が単調化。 65

AIとヒトの関係はさまざま • ゲームの難易度、課題の複雑化、マルチプレイ化 • オンラインゲーム空間全体のバランスの調整など新たな課題 66

「仲間」となるAIが登場 • • • • • Project Paidiaの発表: Microsoft Researchの強化学習（RL） 協力ナビゲーションタスク 「Bleeding Edge」（ Ninja Theory）に採用 エージェントが一連の決定を行うアプローチ 単一エージェントおよびマルチエージェントRL、オープンソース RLアルゴリズムへのアクセス、様々なゲーム環境への対応 • TensorFlow、ONNX、PyTorchモデルをゲーム内使用 https://developer.microsoft.com/en-us/games/articles/2020/08/supercharge-games-with-azure-ai-and-reinforcement-learning/ 67

• https://developer.microsoft.com/en-us/games/articles/2020/08/supercharge-games-with-azure-ai-and-reinforcement-learning/

DEMO動画 Reinforcement Learning Advances With Project Paidia | IGL186 （3年前のIgniteにて公開） https://www.youtube.com/watch?v=rhnGNwTyA-8 68

• https://www.youtube.com/watch?v=rhnGNwTyA-8

「敵」ではなく「ゲームそのものを開発」するAI AIは、ゲーム開発プロセスの効率化を実現する重要なツール。プロシージャル⽣成技術を⽤いることで、 広⼤なマップや多彩なキャラクターを短期間で作成可能になる。 また、AIを活⽤した⾃動テストにより、開発者の負担を軽減する。 AIでのマップ⽣成 テストプレイの⾃動化 69

AIとプレイヤー体験の深化 AIは、プレイヤーの選択や行動に応じ てゲーム体験をカスタマイズし、没入 感を向上させる。→ 適応型AIを使えば、 プレイヤーのスキルレベルに応じた難 易度調整が可能になる NPCの行動をリアルにすることで、 ゲーム世界の「生きた」感覚を提供 「The Last of Us」の例: 敵AIがプレイヤーの位置や行動 に応じて戦術を変更。 「AI Dungeon」の例: AIがリアルタイムでストーリーを 生成し、プレイヤーの選択に応じて物語を展開。 スクウェア・エニックスの研究者が提案する、“メタAI” 70

• https://www.famitsu.com/news/201709/05141188.html

ゲーム業界でのAIの応用範囲は多岐にわたる ゲームに組み込まれるもの • In-Game AI – 敵キャラクター、NPC（非プレイヤーキャラクター）、動物、環境要素など、ゲーム内 でプレイヤーと直接関わる要素を制御します。 – わかりやすい実感しやすいAI • Out-Game AI – ゲーム全体の進行を監視し、神的な視点で全体に影響するもの、補助的なもの – バックグラウンドで動作する、バランス調整、マッチメイキング、報酬など ゲームに組み込まれないがゲーム制作に大きな影響を与えるAI • クリエイティブAI（制作作業におけるAI） – コンテンツ生成やデザイン支援 • テストAI – 自動テスト、テストデータ分析、動的デバッグ 71

エネミーAI 以外にもさまざまな利用が進む カテゴリ In-Game AI ゲーム内のキャラクターや 環境を制御 Out-Game AI クリエイティブ/テストAI プレイヤー体験を調整 ゲーム制作プロセスを効率 化・⾃動化 使⽤⽬的 没⼊感の向上 体験の最適化 制作コストの削減、品質向上、 効率化 動作の範囲 ゲーム内 ゲーム外 制作ツールやQAプロセスの ⼀部 例 敵の⾏動、NPCの対話 マッチメイキング、難易度 調整 レベルデザイン⽣成、QA⾃ 動化、ストレステスト 役割 これらの AIは、将来、連携、統合される可能性がある また、⽣成AI（Generative AI）の台頭により、個⼈作業にもAIが浸透 ますますAIがゲーム制作に⼤きな影響を与える 72

In-Game AI ゲームプレイ中に動作し、プレイヤーの体験を直接向上させるAI。 ジャンル名 定義 代表例 技術の特徴 ダイナミックAI プレイヤーの⾏動や状況に応 じて、NPCやゲーム環境がリ アルタイムで適応し、変化す る技術。 - The Last of Us Part II: 敵が連 携してプレイヤーに対応 - Left 4 Dead: ゾンビの出現を 調整 - 状態認識と⾏動⽣成 - 強化学習（Reinforcement Learning） - プレイヤーモデリング 適応型AI プレイヤーのスキルやプレイ スタイルに基づき、難易度や ゲーム展開を動的に調整する 技術。 - Hades: 難易度をスキルに応じ - プレイヤーモデリング て調整 - 動的難易度調整（Dynamic Difficulty - Resident Evil 4: 敵配置やアイ Adjustment） テムドロップを変更 ソーシャルAI NPCがプレイヤーや他のNPC と⾃然な会話や感情的な反応 を⾏う技術。 - Cyberpunk 2077: NPCがリア ルな⽇常⾏動をシミュレーショ - ⾃然⾔語処理（NLP） ン - 感情シミュレーション - Inworld AI: NPCが動的な会話 - ⾳声合成（TTS） を⽣成 シミュレーションAI 環境や⽣態系の動きをリアル に再現し、プレイヤーがその 影響を体験できる技術。 - SimCityシリーズ: 都市環境の シミュレーション - Red Dead Redemption 2: リ アルな動植物の⾏動 - エージェントベースモデリング - パーティクルシステム - ルールベースモデル 73

Out-Game AI ゲーム外でプレイヤーや開発者に価値を提供するAI。 ジャンル名 定義 代表例 技術の特徴 マッチメイキングAI プレイヤーのスキルやプレイ スタイルを分析し、公平で楽 しめる対戦相⼿やチームを⾃ 動的に選定する技術。 - Apex Legends: 実⼒に基づ く対戦マッチング - Overwatch: ランク別マッチ メイク - クラスタリング - レコメンデーションシステ ム スコアとリーダーボードAI プレイヤーのパフォーマンス を分析し、ランキングを⽣成 する技術。 - Fortnite: グローバルリー ダーボード - Call of Duty: 個⼈スコアと 統計の追跡 - 統計分析 - データ可視化モデル ソーシャルゲームAI ゲーム内でのフレンド機能、 チャット、ギルド管理など、 プレイヤー同⼠の交流を⽀援 する技術。 - Clash of Clans: ギルドシス - ⾃然⾔語処理（NLP） テムとチャット - Roblox: ソーシャル機能と協 - ネットワーク解析 ⼒プレイ ユーザー⾏動解析AI プレイヤーの⾏動データを収 集・分析し、ゲームバランス の改善やパーソナライズされ た体験を提供。 - Netflixのゲーム推奨システ ム - モバイルゲーム広告最適化 カスタマーサポートAI プレイヤーの質問や不具合報 告に迅速に対応し、サポート コストを削減。 - EAのサポートAI: プレイヤー - ⾃然⾔語処理（NLP） の質問を⾃然⾔語処理で解釈 - FAQ⽣成 し、⾃動回答。 - 機械学習（クラスタリング、 分類） - ⾏動予測モデル 74

クリエイティブAI/ テストAI 開発者を⽀援し、制作やテストの効率を向上させるAI。In-Game/Out-Game に負けずかなり注⽬されている ジャンル名 定義 代表例 技術の特徴 プロシージャルAI - No Man’s Sky: 惑星や 規則やアルゴリズムに基づいて、 ⽣態系をリアルタイムで ゲーム内コンテンツ（地形、敵、 ⽣成 アイテムなど）を⾃動⽣成する - Minecraft: 地形や構造 技術。 物のランダム⽣成 - 擬似乱数⽣成（PRNG ） - フラクタル⽣成（Perlin Noise） - ルールベース⽣成 テスト⽀援AI - GameDriver: ⾃動プレ ⾃動でゲームの不具合を検出し、イテスト 開発者にフィードバックを提供。- Keywords StudiosのAI QA: バグ検出 - パターンマッチング - 強化学習（AIがテスト プレイを学習） アート⽣成AI ゲームのテクスチャ、キャラク ターデザイン、エフェクトを効 率的に作成。 - Unity ArtEngine: テク スチャ⾃動⽣成 - MidJourney: コンセプ トアート作成 - GAN（Generative Adversarial Networks） - スタイル変換モデル 75

「学び」と「創造」の両面でAI革命 • 生成AIの得意分野の一つに、プログラミング、企画作成、があります • AIはゲーム制作を「学ぶ」ことと「作る」ことの両方同時に貢献 – 「簡単に作れる」ことが初心者を引き込む – 「基本知識を得やすい」環境が継続的な成長を可能にする • 将来的には、AIが提供する「制作ツール」と「学習支援」がさらに統合され、 初心者でも高度なゲーム制作が行える時代が加速すると考えられてます 要素 簡単にゲームが作れる時代 ゲーム制作の基本知識を得やすい 対象 アイデアを形にしたいクリエイター 学びたい初⼼者 ⽬的 実際のゲーム制作とリリース 学習とスキル向上 使⽤するAIの役割 制作プロセスの効率化、⾃動化 企画レベルのゲームを作成代⾏ メカニクスや、技術⽤語を説明 図解などを⽤いた、可視化 76

振り返り AIはゲーム開発に革新をもたらす一方、目的に応じた適切な活用方法の選択が重要になってきています。 技術的側面 •GPU開発とAIの相乗的発展 •ゲームエンジンのAI機能の進化 •リアルタイム処理技術の革新 •機械学習基盤としてのゲーム環境 教育・学習側面 •生成AIによる開発の敷居低下 •プログラミング学習との相乗効果 •AIツールを活用した試作の容易さ •個人開発からの段階的な成長機会 開発プロセス的側面 •プロシージャル生成の活用 •テスト工程の自動化 •NPCの高度な行動制御 •大規模なコンテンツ生成 ビジネス・産業側面 •商用タイトルでのAI利用 •生成系AIの採用リスクも多い •ゲームそのものではなく、ゲームの 制作やテストの人の領域に浸透 78

学生・研究者の皆様へのメッセージ ゲームは単なる娯楽ではなく、AIアルゴリズムの開発と検証のための理想的な実験場となり得ます。 Microsoft や GoogleのDeepMindが示すようにゲーム環境でのAI研究は、実世界の問題解決への重要なステップ ゲームは現実世界とは異なり、 以下↓の利点を持つ実験環境 明確な境界と制約 制御された複雑さ 興味を持った分野に少し関わってみてください きっと面白い発見と新しい可能性が待ってます 技術的なアプローチの選択肢として 💡 問題解決のヒントとして アイデアの発想源として💡 研究テーマのインスピレーションとして💡 79

「AI技術の活用」（ゲームとAI）2026 増渕大輔 Copyright © Papukaija LLC All Rights Reserved. 80