Toujours plus de machine learning : pourquoi ne par l'utiliser pour générer des niveaux de jeu ?

Le machine learning a le vent en poupe depuis quelques années, ça n'est un secret pour personne. Si nous entendons à tort et à travers parler de réseau de neurones, cette solution n'est, d'une part, pas la seule à être qualifiée du sacro-saint terme, et, de l'autre, n'est pas adaptée à toutes les sauces. Voyons cela avec un papier de recherche, utilisant une version améliorée des réseaux de neurones antagonistes, appelée CESAGAN, afin de générer des cartes simplistes d'un jeu vidéo.

À gauche, ceux jouable, à droite, ceux qui ne le sont pas. Admirez tout particulièrement celui en haut à droite, et sa difficulté... "modérée"

L'entraînement a été réalisé sur une version simplifiée basée sur les donjons du jeu The Legend of Zelda de 1986, issue d'un papier de recherche précédent. Dans cette mouture, le joueur doit récupérer la clef pour arriver à la porte de sortie en évitant les monstres, sachant que des points supplémentaires peuvent être gagnés en les tuant. Il faut ainsi une seule porte, une seule clef, toutes deux atteignables, et une enceinte de murs afin d'éviter l'out-of-bounds.

Rien de bien mirobolant sur la sortie du bouzin : même sur des conditions aussi basiques, le manque de recul de l'IA est clair - bien qu'elle réussisse à surpasser aisément une implémentation plus naïve. Aucune structure cohérente ne se démarque de la plupart des niveaux générés (dont la moitié ne correspond même pas aux critères de possibilité de réussite du niveau !), et la notion de difficulté est clairement mal maîtrisée. Certes, on pourra argumenter que la simplicité apparente des règles ne plaide pas en la faveur de la créativité, mais il est peu probable qu'un réseau déjà perdu sur une carte de 9 x 13 cases s'en sorte mieux dans un monde plus complexe. Et c'est bien là que se situe la majeure partie de l'IA actuellement : un cruel déficit de compréhension sur la structure à haut niveau, particulièrement lorsque la puissance de calcul est limitée, mais un placement mimiquant efficacement le caractère humain dès lors qu'il s'agit de décisions locales, i.e. à petite échelle. Inutile donc de trop fantasmer sur son application à toutes les sauces...