AI dalam game mengacu pada metode komputasi yang membuat karakter atau sistem dapat memilih respons berdasarkan keadaan permainan. Tujuannya bukan selalu meniru kecerdasan manusia. Developer biasanya mengejar perilaku yang dapat dipahami, terasa konsisten, mendukung desain level, dan tetap dapat diuji.
Contohnya mencakup musuh yang berpatroli lalu mengejar pemain, karakter pendamping yang memilih posisi aman, kendaraan yang mengikuti jalur, sistem yang menyesuaikan tantangan, serta alat produksi yang membantu membuat aset atau memeriksa masalah. Karena ruang lingkupnya luas, pembaca perlu membedakan AI berbasis aturan, machine learning, dan AI generatif.
Artikel ini menjadi bagian dari klaster Teknologi USD777 dan memperdalam pembahasan pada artikel pilar teknologi gaming modern . Untuk topik pemrosesan jarak jauh dan jaringan, tersedia juga panduan apa itu cloud gaming .
Pendekatan tradisional tetap penting karena hasilnya relatif mudah dikendalikan dan diuji. Developer dapat menentukan keadaan seperti diam, berpatroli, waspada, mengejar, berlindung, menyerang, atau mundur. Perubahan keadaan terjadi ketika syarat tertentu terpenuhi, misalnya pemain terlihat atau kesehatan karakter turun.
State machine membagi perilaku menjadi beberapa keadaan dan transisi. Saat karakter berada pada keadaan patroli, ia mengikuti rute tertentu. Ketika sistem persepsi mendeteksi pemain, aturan dapat memindahkannya ke keadaan mengejar. Struktur ini sederhana untuk kasus terbatas, tetapi dapat menjadi rumit jika jumlah keadaan dan transisi terus bertambah.
Untuk contoh langkah demi langkah, baca panduan NPC dalam game dan cara kerja Finite State Machine . Pembahasan tersebut mengikuti penjaga dari patroli hingga pencarian target, termasuk hubungan state, transisi, dan pathfinding.
Behavior tree menyusun keputusan sebagai cabang yang berisi kondisi dan tindakan. Dokumentasi resmi Behavior Trees di Unreal Engine menjelaskan bahwa pohon mengeksekusi logika, sedangkan blackboard menyimpan informasi yang diperlukan untuk memilih cabang. Informasi itu dapat berupa apakah target terlihat, lokasi terakhir target, atau status tertentu.
Dalam praktiknya, selector dapat memilih satu cabang yang layak dijalankan, sequence mengurutkan beberapa tindakan, decorator memeriksa kondisi, dan task menjalankan aksi. Nama serta implementasinya berbeda antarmesin, tetapi pola dasarnya serupa: baca keadaan, evaluasi pilihan, lalu jalankan respons.
Perilaku NPC biasanya terbentuk dari beberapa sistem yang saling terhubung. Memahami alurnya membantu menjelaskan mengapa karakter kadang tampak responsif di satu situasi tetapi gagal pada situasi lain.
Dokumentasi AI Perception dari Unreal Engine memberikan contoh data lingkungan seperti penglihatan, suara, dan kerusakan. Data tersebut dapat memperbarui variabel yang kemudian digunakan untuk memilih cabang pada behavior tree.
Karakter harus memahami bagian dunia yang dapat dilewati, menghindari penghalang, dan menyesuaikan rute ketika lingkungan berubah. NavMesh atau representasi navigasi lain membantu sistem menemukan jalur. Namun, jalur terpendek belum tentu menjadi perilaku terbaik. Desainer dapat menambahkan biaya, area berbahaya, titik berlindung, atau batas agar gerakan sesuai peran karakter.
Machine learning memungkinkan sistem mempelajari pola dari data atau simulasi. Penerapannya dapat mencakup klasifikasi, prediksi, animasi, pengenalan suara, penyesuaian model, atau agen yang belajar melalui percobaan. Namun, penggunaan sebenarnya bergantung pada tujuan, biaya komputasi, data, dan kemampuan tim melakukan evaluasi.
Model juga dapat dijalankan di perangkat atau melalui server. Halaman resmi Unity AI menjelaskan bahwa Sentis dapat menjalankan model machine learning terlatih langsung di dalam proyek Unity. Pendekatan lokal dapat membantu mengurangi perjalanan data ke server, tetapi developer tetap perlu memperhatikan kemampuan perangkat, memori, panas, dan dampaknya terhadap frame time.
Sistem adaptif dapat mengubah rekomendasi, bantuan, atau tingkat tantangan berdasarkan sinyal tertentu. Desain yang baik harus transparan terhadap tujuan permainan dan tidak menghukum pemain secara tidak terduga. Developer juga perlu menguji apakah sistem menghasilkan pengalaman yang adil untuk kelompok kemampuan yang berbeda.
AI generatif menghasilkan keluaran baru seperti teks, gambar, audio, animasi, atau kode berdasarkan input. Dalam proses produksi, alat ini dapat membantu mencari dokumentasi, menyiapkan prototipe, menghasilkan variasi awal aset, atau mengotomatisasi pekerjaan berulang. Unity menyebut kemampuan bantuan kontekstual serta generator untuk sprite, tekstur, animasi, dan suara di dalam lingkungan editornya.
Di dalam permainan, model generatif dapat mendukung karakter percakapan, asisten, atau variasi respons. NVIDIA ACE for Games , misalnya, menyediakan teknologi untuk suara, bahasa, animasi, dan karakter yang dapat bertindak. Ini merupakan contoh ekosistem teknologi tertentu, bukan bukti bahwa semua game modern memakai model generatif.
Model lokal berjalan pada perangkat pemain. Keuntungannya dapat berupa waktu respons yang lebih pendek dan pemrosesan tanpa mengirim setiap permintaan ke server. Sebaliknya, kemampuan perangkat membatasi ukuran dan beban model. Model cloud dapat memakai komputasi yang lebih besar, tetapi membutuhkan jaringan, biaya operasi, pengamanan data, dan mekanisme ketika layanan tidak tersedia.
Untuk karakter generatif, developer juga perlu membatasi topik, tindakan, pengetahuan dunia, dan akses ke sistem permainan. Model bahasa sebaiknya tidak langsung memperoleh hak untuk menjalankan tindakan penting tanpa aturan, validasi, dan pengujian.
Karena itu, developer perlu menetapkan batas penggunaan, mencatat sumber aset, memeriksa keluaran, melindungi data, menguji performa, dan menyediakan cara menangani kegagalan. Kecepatan membuat prototipe tidak sama dengan kesiapan fitur untuk dirilis.
Pada akhirnya, AI sebaiknya dipandang sebagai bagian dari desain sistem. Kualitas pengalaman tetap bergantung pada keputusan manusia, tujuan permainan, pengujian, performa, keamanan, dan komunikasi yang jelas kepada pemain.
Tidak. Banyak NPC memakai aturan, state machine, behavior tree, sistem persepsi, dan navigasi yang dirancang langsung oleh developer.
AI game mencakup semua teknik untuk perilaku dan sistem cerdas di dalam permainan. AI generatif adalah bagian khusus yang menghasilkan keluaran baru seperti teks, gambar, suara, animasi, atau kode.
Bisa melalui model bahasa dan sistem suara, tetapi developer tetap perlu memberi konteks, batas topik, validasi tindakan, moderasi, serta mekanisme ketika respons tidak sesuai.
Tidak. Nilainya bergantung pada kecocokan dengan desain, performa, pengujian, kontrol pengguna, dan manfaat yang benar-benar dirasakan pemain.
Tidak selalu. Sebagian model dan sistem berjalan secara lokal, sedangkan fitur lain memakai layanan cloud. Implementasi cloud memerlukan koneksi dan pengelolaan data yang tepat.
Dokumentasi resmi tentang behavior tree, blackboard, kondisi, dan tindakan untuk karakter AI.
Dokumentasi resmi mengenai data penglihatan, suara, kerusakan, dan pembaruan persepsi.
Dokumentasi resmi mengenai bantuan kontekstual, generator aset, dan model machine learning dalam proyek Unity.
Contoh teknologi suara, bahasa, animasi, dan inferensi untuk karakter serta asisten dalam game.
Tim Redaksi USD777 menyusun dan meninjau artikel ini berdasarkan dokumentasi resmi pengembang teknologi. Contoh produk digunakan untuk menjelaskan penerapan, bukan sebagai rekomendasi komersial.
Lihat Redaksi & Penulis · Baca Pedoman Editorial · Kirim koreksi