ভবিষ্যতের গেমগুলোতে যেভাবে ব্যবহার হবে কৃত্রিম বুদ্ধিমত্তা

সাম্প্রতিক সময়ে প্রযুক্তি দুনিয়ায় সবচেয়ে ব্যবহৃত শব্দ এআই বা কৃত্রিম বুদ্ধিমত্তা হলেও গেমারদের সাথে এর সম্পর্ক বেশ পুরনো। ভিডিও গেমের ইতিহাসের প্রথমদিক থেকেই কম্পিউটার নিয়ন্ত্রিত অবজেক্ট ও চরিত্রগুলোকে কৃত্রিম বুদ্ধিমত্তা হিসেবে জেনে এসেছে তারা। সেটা পং গেমের প্যাডলই হোক বা প্রিন্সেস পিচকে মুক্ত করার পথে মারিয়োকে বাঁধা দেওয়া কিং কুপাই হোক। সময় পাল্টেছে, অন্যসব প্রযুক্তির মতোই ভিডিও গেমেও কৃত্রিম বুদ্ধিমত্তা ব্যবহার করে বিভিন্ন রকম পরীক্ষা নিরীক্ষা চলছে।

এআই এবং ভিডিও গেমের ইতিহাস পরস্পর বেশ জড়িত। প্রথম দিকে এআই গবেষকরা দাবার মতো গেমগুলোকে বুদ্ধিমত্তা হিসেবে চিহ্নিত করতেন। যখন এআইয়ের শাখা মেশিন লার্নিং নিয়ে গবেষণা শুরু হলো তখন ভিডিও গেমই হয়ে উঠলো গবেষণার সবচেয়ে উপযুক্ত ক্ষেত্র। মেশিন লার্নিংয়ে কম্পিউটার অ্যালগরিদমকে মানুষের মতো করে অভিজ্ঞতা থেকে কীভাবে শিখতে হয় তা শেখানো হয়। প্রথমদিক থেকেই গেম ডেভেলপাররা এমন প্রোগ্রাম তৈরি করার চেষ্টা করে যাচ্ছেন যার আচরণ হবে মানুষের মতো। প্যাকম্যান কিংবা এলিটের মতো গেমগুলোতে ডেভেলপাররা এআই ব্যবহার করার চেষ্টা করেছেন কয়েক দশক ধরে। এআইয়ের জনক অ্যালান টুরিং কম্পিউটার আবিষ্কারের আগেই দাবা খেলার একটি অ্যালগরিদম ডেভেলপ করেছিলেন।

গেমের দুনিয়া এমনভাবে পর্যবেক্ষণ করা যায় যা সত্যিকারের পৃথিবীতে অনেক জটিল হয়ে উঠে। সবচেয়ে গুরুত্বপূর্ণ ব্যাপার হচ্ছে এখানে রিওয়ার্ড সিস্টেম রয়েছে যা থেকে অ্যালগরিদম সহজে বুঝতে পারে সে কেমন পারফর্ম করছে। উদাহরণ হিসেবে সুপার মারিয়ো ব্রাদার্সের কথা বলা যায়। প্লেয়ারের হেলথ স্কোর কমে গেলে অথবা লাইফ হারালে সহজেই বুঝা যায় সে খারাপ পারফর্ম করছে। অন্যদিকে, প্লেয়ার যখন কোনো লেভেল সম্পূর্ণ করে বা শত্রুকে পরাজিত করে তখনই সে বুঝতে পারে সে ভালো পারফর্ম করছে। মেশিন লার্নিং অ্যালগরিদমকে শেখানোর জন্যে এরকম প্রতিক্রিয়াগুলোই সবচেয়ে গুরুত্বপূর্ণ।

দুনিয়াজুড়ে এখন মেশিন লার্নিংয়ের যে বিপ্লব চলছে তা গেম ডেভেলপমেন্টে এসে খুব একটা উন্নতি করতে পারেনি। যতটুকু অগ্রগতি দেখা গেছে তা গেম খেলে ভার্চুয়াল দুনিয়ার নিয়মকানুন শেখা পর্যন্ত সীমাবদ্ধ রয়েছে। তবে কিছু কিছু প্রজেক্টে চমৎকার ফলাফল পাওয়া গেছে। যেমন: ওপেন এআইয়ের একটি প্রোগ্রাম ডোটা টু গেমের বিশ্ব চ্যাম্পিয়নদের হারিয়ে দিয়েছে।

গেম ডেভেলপাররা সুদূর ভবিষ্যতে তাকিয়ে এমন টুল ব্যবহারের কথা ভাবছেন যেগুলো বর্তমানে সময়ের চেয়ে অগ্রগামী এআই গবেষণা বলে মনে করা হচ্ছে। গবেষণাগুলোর ফলাফল হিসেবে এমন কিছু প্রযুক্তি পাওয়া যাবে যা প্লেয়ারের ফিডব্যাকের সাথে সাড়া দিবে এবং চরিত্রগুলো তাদের সাথে কাটানো সময় অনুযায়ী বদলাতে থাকবে। শুনতে কল্পনা মনে হলেও ভবিষ্যৎ পৃথিবীতে তা বাস্তব হতে যাচ্ছে।

কিন্তু পেশাদার গেম ডেভেলপারদের লক্ষ্য সবসময়েই এমন একধরনের এআই হয়ে এসেছে যাকে গবেষকরা আজকাল ঠিক বুদ্ধিমত্তা বলে বিবেচনা করেন না। উদাহরণ হিসেবে সুপার মারিয়ো ব্রাদার্সের গুমবা আর ডার্ক সোলস থ্রিয়ের দুঃস্বপ্নের মতো দেখতে বসের মধ্যে তুলনা করা যাক। অথবা, ১৯৮০ সালের গেম রোগের প্রসিডিউরাল লেভেল ডিজাইনের সাথে ২০১৭ সালের ডেড সেলসকে মুখোমুখি করা যাক। মূল ডেভেলপিং কৌশলে এই পুরনো ক্ল্যাসিকগুলোর সাথে বর্তমান যুগের গেমগুলোর খুব একটা পার্থক্য নেই।

ডার্ক সোলস গেমকে যেটা সবচেয়ে কঠিন করে তুলেছে তা হলো এর বসদের প্রচণ্ড স্পিড ও নির্ভুল মুভমেন্ট। সাধারণ গেমারদের যে ভুলগুলো হয় তা ঠিকঠাক অনুমান করার জন্যেই এদেরকে প্রোগ্রাম করা হয়েছে। কিন্তু এখন পর্যন্ত একজন সাধারণ প্লেয়ার বেশিরভাগ এআই প্রেডিক্ট করার ক্ষমতা রাখে। 

প্লেয়ারের সাথে সাড়া দিবে এমন এআই আর অতিমানবীয় লেভেলে খেলতে পারবে এমন এআইয়ের মধ্যে বিশাল পার্থক্য রয়েছে। যেমন: একেবারে বেসিক একটি দাবা খেলুড়ে এপ্লিকেশন একজন মানুষকে হারিয়ে দিতে পারবে যেভাবে ১৯৯৭ সালে রাশিয়ান গ্র্যান্ডমাস্টার গ্যারি ক্যাস্পারভকে আইবিএমের ডিপব্লু সিস্টেম হারিয়ে দিয়েছিল। সাম্প্রতিক সময়গুলোতে এধরনের এআই গবেষণাই শুধুমাত্র এগিয়েছে। গুগলের ডিপমাইন্ড, ফেসবুকের এআই ল্যাবসহ প্রায় সব জায়গাতেই এইধরনের গবেষণা চলছে। এই গবেষণার উদ্দেশ্য অবশ্য গেম এআই উন্নত করা না। তারা সফটওয়্যারের বুদ্ধিমত্তা লেভেলকে বেঞ্চমার্ক করার উদ্দেশ্যে গবেষণাগুলো চালাচ্ছেন। এভাবে গেম খেলা শেখানোর মাধ্যমে ভবিষ্যতে বাস্তব পৃথিবীর আরো অনেক জটিল কাজ কীভাবে শেখানো যায় সে ব্যাপারে ধারণা পাওয়া যাবে।

তবে পেশাদার গেম ডেভেলপাররা বরাবরই এই ধরনের এআই পরিহার করে আসছেন। এর পেছনে অবশ্য বড় কারণও রয়েছে। নিজে নিজে শেখার মতো সফটওয়্যার যদি গেমে ব্যবহার করা হয় তাহলে একপর্যায়ে গেমগুলো এতো কঠিন হয়ে উঠবে যে প্লেয়াররা খেলতেই পারবেনা। তাই তারা এমন ধরনের একশনগুলোকে বেশি গুরুত্ব দেন যেগুলো প্লেয়াররা প্রেডিক্ট করতে পারে। গেমের এআইগুলো এমন বাস্তবধর্মী বানানো হয় যেন প্লেয়ার মনে করে সে কোনো বুদ্ধিমান চরিত্র বা দুনিয়ার সাথে যোগাযোগ করছে। একইসাথে এআইটি এমনভাবে নিয়ন্ত্রণ করা হয় যেন গেম খেলার অভিজ্ঞতাটি নষ্ট না হয়।

গেমের এআইয়ের উন্নতি না হওয়ার পেছনে আরেকটি বড় কারণ হচ্ছে এর এখনো তেমন দরকার পড়েনি। ডেভেলপাররা চিরাচরিত কৌশলগুলো ব্যবহার করেই বুদ্ধিমত্তার একটা বিভ্রম তৈরি করেছেন। এবং এই বিভ্রমটাই এখন পর্যন্ত কাজ করে আসছে। যেমন: প্রসিডিউরাল জেনারেশনের মাধ্যমে তৈরি নো ম্যান’স স্কাই গেমের জটিল ও বিশাল দুনিয়া এখনো রোগ কিংবা এলিটের মধ্যে ব্যবহৃত প্রোগ্রামিং ও গণিতকে ভিত্তি করে তৈরি হয়েছে।

ফার্স্ট পারসন শ্যুটার হিসেবে বাঞ্জি কোম্পানির হ্যালো ফ্র্যাঞ্চাইজ বা ২০০৬ এর ফিয়ারের কথা বলা যায় যেখানে এআই প্রভাবক্ষমভাবে ব্যবহৃত হয়েছে। এই গেমগুলো সমসাময়িক গেমগুলোর তুলনায় বুদ্ধিমান সফটওয়্যার ব্যবহার না করেই বুদ্ধিমান এজেন্টের খুব ভালো বিভ্রম তৈরি করেছে। হ্যালো গেমে প্লেয়ার যখন শক্তিশালী সৈন্যগুলোকে মেরে ফেলে তখন দূর্বল সৈন্যরা পালিয়ে যায়। অন্যদিকে ফিয়ার গেমে সৈন্যরা নিজেদেরকে নির্দেশনা দেয় কখন ফ্ল্যাংকে থাকতে হবে এবং ব্যাকাপ সৈন্য ডাকতে হবে। সফটওয়্যারের নিজস্ব চিন্তাকে প্লেয়ারের সামনে তুলে ধরার ধারণাটি তারা এভাবে প্রতিষ্ঠিত করেছে।

বর্তমান সময়ের সবচেয়ে আধুনিক গেম ডিজাইনগুলো এমনভাবে তৈরি যেন প্লেয়ারের প্রতিটি সিদ্ধান্তের জন্যে অভাবনীয় ফলাফল প্রদর্শন করে। যেমন: রকস্টারের রেড ডেড রিডেম্পশন টু গেমে নন-প্লেয়েবল ক্যারেকটারগুলো প্লেয়ার ক্যারেকটার কী হ্যাট পরেছে তা থেকে শুরু করে কাপড়ে রক্তের শুকনো দাগ লেগে রয়েছে তার উপরে নির্ভর করে অসংখ্যভাবে ইন্টার‍্যাক্ট করতে দেখা যায়। আবার দ্যা লিজেন্ড অব জেলডা: ব্রিদ অব দ্যা ওয়াইল্ডে রান্না থেকে শুরু করে অভিকর্ষ, এমনকি তাপগতিবিদ্যারও কিছু নিয়ম তৈরি করা হয়েছে। এর ফলে এমন একটি দুনিয়া তৈরি হয়েছে যেখানে নিয়মগুলো নিজের সুবিধা অনুযায়ী  ব্যবহার করা যায় যেমন আগুনের তরবারি ব্যবহার করলে ঠান্ডা আবহাওয়া থেকে বাঁচা যায় তাতে হেলথ পয়েন্ট অক্ষুণ্ণ থাকে।

সাম্প্রতিক সময়ের গেম হিসেবে ইউবিসফটের অ্যাসাসিন্স ক্রিড: অরিজিনসের কথা বলা যায়। এই গেমটি প্রাচীন মিশরের পটভূমিতে তৈরি হয়েছে। প্রাচীন যুগটি আরো বাস্তবসম্মত করার জন্যে ইউবিসফট ইতিহাস থেকে বিভিন্ন উপাদান ব্যবহার করেছে। মেশিন লার্নিং ব্যবহার করে টলেমীয় যুগের হায়ারোগ্লিফিকস চেনানো হয়েছে গেমকে। আবার ডেভেলপারদের জন্যে একটি এআই সহকারী তৈরি করা হয়েছে যেটা মেশিন লার্নিং ব্যবহার করে কোডের বাগগুলো আগেই খুঁজে দিয়েছে। যদিও এই সফটওয়্যারটি এখনো নিখুঁত হয়ে উঠেনি কিন্তু ভবিষ্যতে ডেভেলপারদের জন্যে একটি ভিত্তি তৈরি করে দিয়েছে। পরবর্তীতে মজিলা তাদের ফায়ারফক্সে বাগ খোঁজার জন্যে এই সফটওয়্যারটি ব্যবহার শুরু করেছে।

গেম ডিজাইন করবে যখন এআই

এআইকে দিয়ে গেম খেলানো এক ধরনের ব্যাপার কিন্তু তার সাহায্যে সম্পূর্ণ নতুন একটি গেম তৈরি করা অন্য আরেক ধরনের জটিল ব্যাপার। আলবার্টা বিশ্ববিদ্যালয়ের এআই গবেষক ম্যাথিউ গুজদিয়াল একটি টিম নিয়ে এরকমই এআই তৈরি করার চেষ্টা করছেন যেখানে সফটওয়্যারকে ইন্টারনেট থেকে অনেকগুলো প্লেয়ারের খেলার ভিডিও দেখানো হয়। এরকম ভিডিও ইউটিউবেই পাওয়া যায়। ভিডিওগুলো দেখে সফটওয়্যার গেমটির নিয়মগুলো অনুমান করে। অনুমানগুলো ঠিকঠাক হয়েছে কিনা তা যাচাই করার জন্যে আবারো ভিডিও দেখানো হয়। এভাবে নিয়মগুলো কার্যকরভাবে শেখার পরে গুজদিয়ালের অ্যালগরিদমগুলো একইরকমভাবে গেমটির নতুন একটি লেভেল তৈরি করে যেখানে নিয়মগুলো বসানো হয়।

এভাবে সফটওয়্যার যে তথ্যগুলো শিখেছে সেগুলো ‘গেম গ্রাফ’ নামের একটি ডাটা রিপোজিটরিতে চিত্রিত করা হয়। এই রিপোজিটরি অনুসরণ করে পরবর্তীতে সফটওয়্যারটি নিজের গেম ডিজাইন করা শুরু করে। প্রাথমিকভাবে সফটওয়্যারটি মেগা ম্যান আর সুপার মারিয়ো ব্রাদার্স থেকে ডাটা সংগ্রহ করে নতুন একটি গেম তৈরি করেছে। ভবিষ্যতে গেমের সংখ্যা যদি অনেক বৃদ্ধি করা যায় তখন এইসবগুলো গেমের সবগুলো নিয়ম একত্র করে সম্পূর্ণ নতুন অভিজ্ঞতার একটি গেম তৈরি করা সম্ভব হতে পারে।

এই প্রযুক্তিটির সাধারণ ব্যবহারকারীর উপযোগী ভার্সন আসতে এখনো অনেক দেরি। গুজদিয়াল মনে করেন স্বাধীন ডেভেলপাররাই প্রথম তাদের ছোট ছোট গেমগুলো এই প্রযুক্তি ব্যবহার করে তৈরি করতে পারবেন। কিন্তু বিশালাকারের AAA গেম ডেভেলপমেন্টের ক্ষেত্রে এই প্রযুক্তি এখনো অনেক পিছিয়ে রয়েছে।

এআই যখন আরো পরিণত হবে তখন তা ভিডিও গেম ইন্ডাস্ট্রিতে কিছু কিছু ব্যাপারে বর্তমান সময়ের তুলনায় বেশ কার্যকর হয়ে উঠবে। গেমিং এক্সপেরিয়েন্সে এটি বেশ কয়েকভাবে পরিবর্তন আনতে পারে।

নন প্লেয়েবল ক্যারেকটার (এনপিসি)

বর্তমানে, ভিডিও গেমগুলিতে প্লেয়ারের প্রধান অপনেন্ট হচ্ছে প্রোগ্রাম করে রাখা নন প্লেয়েবল ক্যারেকটারগুলো। কিন্তু মেশিন লার্নিং ব্যবহার করে এই ক্যারেকটারগুলোকে আরো বুদ্ধিমান করে তোলা যায়। প্লেয়ারের খেলার উপর নির্ভর করে তারা নিজেদের ডিফিকাল্টি লেভেল নির্ধারণ করবে এবং গেমের মধ্যে বিভিন্ন উপায়ে প্লেয়ারের একশনের প্রতিক্রিয়া দেখাবে।

অনেকগুলো স্টুডিও এরমধ্যেই এ ধরনের গবেষণা শুরু করেছে। ইলেক্ট্রনিক আর্টসের এআই সিড দক্ষ প্লেয়ারদের তথ্য অনুসরণ করে এনপিসিকে শেখায়। এর এনপিসিগুলো ডায়নামিক মুভমেন্ট এবং একশন শিখছে। বর্তমানে এনপিসিগুলোর জন্যে কোড লিখতে অনেক সময় ব্যয় হয়। কিন্তু এভাবে ডেভেলপ করা গেলে গেমের ডেভেলপমেন্ট সাইকেল অনেক কমে যাবে। ভবিষ্যতে হয়তো কয়েক ঘন্টায় এনপিসি ডেভেলপ করা সম্ভব হয়ে উঠবে।

জটিল সিস্টেম ডিজাইন

মেশিন লার্নিং অ্যালগরিদমের শক্তি হলো জটিল সিস্টেম মডেল করার সামর্থ্য। ভিডিও গেম ডেভেলপাররা গেমের দুনিয়াটি আরো বাস্তবধর্মী ও ইমারসিভ করার জন্যে প্রতিনিয়ত চেষ্টা করে যাচ্ছেন। এরকম বাস্তব দুনিয়া ডিজাইন করা অবশ্যই অনেক জটিল কাজ কিন্তু মেশিন লার্নিং অ্যালগরিদম প্লেয়ারের নিয়ন্ত্রণের বাইরের উপাদানগুলো যেমন আবহাওয়াও মডেল করতে পারবে।

বর্তমানে এরকম একটি জটিল ডিজাইনের নমুনা হলো ফিফার আলটিমেট টিম মোড। অনেকগুলো ফুটবল প্লেয়ার নিয়ে যখন একটা টিম তৈরি করা হয় ফিফা একটা টিম স্কোর হিসাব করে। গেম খেলার সময়ে প্লেয়ারের খেলার সামর্থ্যের উপরে নির্ভর করে এই স্কোর পরিবর্তিত হতে পারে। স্কোর যদি কম থাকে তখন গেমের মাঝে প্লেয়ার অনেক ভুল করে আর স্কোর ভালো থাকলে প্লেয়ারের বিভিন্ন স্কিল দেখানো সহজ হয়। এভাবে প্লেয়ারের খেলার অভিজ্ঞতাকে স্কোরের উঠানামা প্রভাবিত করে।

গ্রাফিক্স

ভিডিও গেমকে সত্যিকারের পৃথিবীর মতো করতে চাওয়ার আরেকটি উপায় হচ্ছে দুনিয়াটি দেখতে আরো সুন্দর করে তোলা। মেশিন লার্নিং ব্যবহার করে কম্পিউটার গ্রাফিক্স উন্নত করার এরকম চেষ্টা চলছে। বর্তমানের গেমগুলোতে দূর থেকে সাধারণত সবকিছু অনেক সুন্দর দেখায় কিন্তু অবজেক্টের কাছাকাছি আসলে তার ডিটেইলিং রেন্ডারে খুঁতগুলো ধরা পড়ে।

মাইক্রোসফট আর এনভিডিয়া একত্রে এই সমস্যাটি নিয়ে কাজ করছে। মেশিন লার্নিং ব্যবহার করে তারা ইমেজকে এনহ্যান্স করার চেষ্টা করছে। সত্যিকারের পৃথিবীতে যখন অবজেক্ট থেকে দূরে দাঁড়ানো হয় তখন তাদের ডিটেইল ভালো বুঝা যায়না কিন্তু কাছাকাছি গেলে তখনই ডিটেইলগুলো ভালোভাবে চোখে পড়ে। ডায়নামিক রেন্ডার পদ্ধতিতে এরকম ভালো ডিটেইল তৈরি একটা চ্যালেঞ্জ যেটা কম্পিউটার ভিশন অ্যালগরিদম সাহায্য করতে পারবে।

ভার্চুয়াল দুনিয়া তৈরি

বিশালাকারের AAA গেমগুলোর ম্যাপ এতোই বিশাল হয়ে থাকে যে ডেভেলপার এবং আর্টিস্টদের এই ভার্চুয়াল ওয়ার্ল্ডগুলো ডিজাইন করতে গিয়ে একটা বড় সময় চলে যায়। মেশিন লার্নিং অ্যালগরিদম এই ধরনের দুনিয়া তৈরিতে পাথফাইন্ডিংয়ে সাহায্য করতে পারবে।

২০১৯ সালে পুরো গেম ইন্ডাস্ট্রি থেকে আয় হয়েছে প্রায় ১২০ বিলিয়ন ডলার। এই সংখ্যাটিই বলে দিচ্ছে এটা এখন সবচেয়ে বড় বিনোদন মাধ্যম। এআই নিয়ে গবেষণাগুলো ভবিষ্যতে এই মার্কেটটি আরো বেশি জনপ্রিয় করে তুলবে। এই গবেষণাগুলো তাই অনেক গুরুত্বপূর্ণ কারণ তাতে ভিডিও গেম ইন্ডাস্ট্রির নতুন কোনো দিগন্ত প্রসারিত হবে যাতে প্লেয়াররা আরো বাস্তবধর্মী অভিজ্ঞতা লাভ করতে পারে।