ファンクションコールでAIゲームマスターを改善する

テキストベースのゲームのゲームマスターとして機能するAIを作るのは簡単じゃないんだ。大規模言語モデル（LLM）には限界があって、ゲームマスター（GM）の役割は複雑だからね。この記事では、「ジム・ヘンソンのラビリンス：アドベンチャーゲーム」を使ってAIゲームマスターを改善する新しい方法を紹介するよ。関数呼び出しを使ってゲーム特有のコントロールを統合して、AIゲームマスターからの物語の一貫性と状態更新を向上させるんだ。

#ゲームマスターって何？

テーブルトップRPG（TTRPG）では、ゲームマスターはゲームをリードする人。世界を説明したり、NPC（プレイヤー以外のキャラクター）を演じたり、ルールを厳守したりするんだ。AIをGMとして使うときは、プレイヤーの選択にリアルタイムで反応しながら、魅力的な物語を作ってほしいんだ。

#LLMだけじゃ足りない理由

LLMの登場で、これらのモデルがゲームマスターとしてどう機能できるか研究が進んでるけど、一つの大きな問題が残ってるよ。それは複数ターンにわたるゲーム状態の一貫性と整合性を保つこと。LLMは多様な物語を提供できるけど、その予測不可能な性質のせいでゲームのルールや流れを見失うリスクがあるんだ。僕たちのアプローチは、関数呼び出しを使ってAI GMにより厳密なコントロールを与え、ゲームルールに従った興味深い物語を生成できるようにすることなんだ。

#主な貢献

1. 「ジム・ヘンソンのラビリンス：アドベンチャーゲーム」の事前に書かれた冒険の場所の例を提供するよ。
2. 関数呼び出しを統合することで、TTRPGにおけるAIをどんだけ向上させるかについて話すね。

#ラビリンスを見てみよう

アプローチをテストするために、「ジム・ヘンソンのラビリンス：アドベンチャーゲーム」をシミュレートするよ。このゲームでは、プレイヤーが魔法の迷路で冒険者として挑戦するんだ。AI GMがゲームマスターの役割を担うんだ。

#ゲーム状態

僕たちのゲームシステムでは、2種類のゲーム状態があるよ：

1. プレイヤー状態：各プレイヤーキャラクターの名前、種類、特性、欠点、アイテムなどの詳細が含まれる。
2. シーン状態：ゲーム内の現在のシーンを表す。

これらのゲーム状態は各シーンの前に設定され、AIが提供した関数を使って更新できるんだ。

#使用する関数

2種類の関数を定義してる：

1. サイコロ振り関数：プレイヤーが難しいアクションを試みるときにサイコロを振るシミュレーションができる。成功か失敗かを判断するのに役立つよ。
2. 状態関数：NPCやアイテムを追加するなど、ゲーム状態を直接変更する。

#関数呼び出しの仕組み

ゲーム中、AIゲームマスターは現在のゲームコンテキストに基づいて関数を呼ぶタイミングを決定する。関数の定義やチャット履歴、ゲーム状態が入力の一部として言語モデルに送られる。モデルは適切な関数を選んで、会話から必要な詳細を取得するんだ。

このやり取りは、AI GMがもう関数や応答が必要ないと判断するまで続くんだ。

#アプローチのテスト

AIゲームマスターのパフォーマンスを評価するために、さまざまなセットアップで数回の実験を行ったよ。24のゲームシーンをシミュレートして、6つの異なる設定をテストした。関数の使い方やゲーム状態の管理を変えたんだ。

#データ収集

特性や欠点のあるキャラクターを作成した。AI GMが異なるセットアップの下でどう機能するかを観察して、どの方法が最も良い結果を出すかを確認したよ。

#人間の入力の評価

次に、評価者に生成された応答を3つの主要な側面に基づいて評価してもらった：

1. 一貫性：AIがゲーム状態や以前のやり取りをどれだけ守れていたか？
2. 信頼性：AIはゲームのルールをうまく守っていたか？
3. 興味深さ：AIの物語はどれだけ魅力的だったか？

#結果

調査の結果、サイコロ振り関数と状態関数の両方を使うことで、最も一貫性があり魅力的なゲームプレイを得られたよ。両方の関数を組み合わせた設定が最も良い結果を出し、スムーズなゲームプレイとルールの遵守のバランスが取れてた。

面白いことに、サイコロ振り関数がない場合、AIはプレイヤーとゲームマスターがつまずいて進行できないループに陥ることが多かった。これを「サイコロ振りデッドロック」と名付けたんだ。

#課題と限界

このアプローチは期待できるけど、限界もある。使った関数はこの特定のゲーム用に調整されてるから、他のゲームには適用できないかもしれない。将来の研究では、異なるゲームのルールやマニュアルに基づいた適応可能なゲーム特有の関数を作ることができるかもしれない。

もう一つの課題は人間の評価の主観性。バイアスを最小限にしようとしたけど、ゲームの複雑さが評価のばらつきにつながることもある。将来的な研究は、より客観的な評価方法やAI駆動のツールを探ることができるね。

#今後の方向性

僕たちの発見は、ゲームやインタラクティブなストーリーテリングにおけるAIのさらなる研究の基盤となるかもしれない。TTRPGからの洞察を、ビデオゲームのNPCや教育シミュレーションなど他の分野にも応用できる可能性があると見てる。LLM、関数呼び出し、ゲームAIをつなげることで、魅力的で没入感のある体験を作る新しい方法を見つけられるかもしれない。

#ラビリンスの実装

ゲームシミュレーションを設定するために、まずシーンを初期化して、プレイヤーキャラクターを作成し、ルールを効果的に管理したよ。

#シーンの初期化

ゲームの生のシーンテキストを、AIがゲームプレイ中に状態を追跡できるように構造化されたフォーマットに変換した。NPCやオブジェクトを追加するためにランダムテーブルを使ったりもしたんだ。

#キャラクター作成

プレイヤーは特性や欠点を選ぶことで自分のキャラクターを作成する。各決定は、AI GMがゲーム中に使用できるプレイヤー状態に変換されるんだ。

#ルール管理

AIがゲームのルールを常に念頭に置けるように、ルールを要約して会話に組み込んだ。この方法で、AIは決定を下す際にルールを参照できるようになってるよ。

#まとめ

結論として、関数呼び出しを大規模言語モデルに統合することで、「ジム・ヘンソンのラビリンス：アドベンチャーゲーム」のようなゲームにおけるAIゲームマスターが大幅に向上する可能性がある。実験結果は、サイコロ振り関数と状態関数の混合が物語性とエンゲージメントにおいて最良の結果をもたらすことを示している。両方の関数のバランスを取るのは課題だけど、私たちの研究はAI駆動のゲーム体験の将来の開発に役立つガイドラインを提供しているんだ。さらなる探求が、さまざまなゲームジャンルでのこれらの発見を強化・拡張できるかもしれないし、よりダイナミックでインタラクティブなストーリーテリングの道を切り開くことにつながるんだ。