Da Atari a EVE Online: 15 anni di ricerca IA nei videogiochi

Il ruolo dei giochi nella storia di DeepMind

Fin dalla sua fondazione nel 2010, DeepMind ha sfruttato i mondi contenuti ma ricchi dei videogiochi per studiare l’intelligenza. Le sfide offerte dai giochi hanno permesso di realizzare progressi fondamentali, dal dominio di Atari alla soluzione del problema della previsione della struttura proteica, dimostrando che i giochi sono al cuore della nostra ricerca.

Una cultura radicata nel gaming

Il DNA di DeepMind è il gaming. Demis Hassabis, co‑fondatore di DeepMind, è stato uno sviluppatore di videogiochi, così come molti membri del team. Decenni di esperienza pratica nella creazione di giochi si combinano con una profonda conoscenza della loro arte, rendendo la collaborazione con altri studi essenziale per la ricerca AI.

Le partnership con gli studi di sviluppo

Abbiamo sempre sottolineato che la ricerca IA sui giochi richiede partnership strette con gli sviluppatori. Tra le collaborazioni più recenti troviamo il nuovo progetto con Fenris Creations e l’universo di EVE, oltre a lavori con Hello Games, Coffee Stain Studios, Foulball Hangover e altri studi di fama.

Milestones: dai primi successi a Deep Q‑Network

Il nostro viaggio è iniziato con un piccolo team che ha addestrato una rete neurale profonda a giocare a titoli Atari 2600 direttamente dai pixel grezzi. Il Deep Q‑Network (DQN) ha imparato a giocare a 49 giochi diversi — da Pong a Breakout, fino a Space Invaders — senza alcuna ingegneria specifica per ogni gioco. Il paper pubblicato su Nature nel 2015 ha dato il via all’era moderna del deep reinforcement learning.

Verso giochi più complessi

Dopo Atari, abbiamo puntato a titoli più sofisticati, ottenendo a ogni tappa sistemi più capaci e generali:

• AlphaGo ha sconfitto il campione mondiale di Go Lee Sedol nel 2016, un risultato ritenuto impossibile a distanza di un decennio.
• AlphaGo Zero ha superato tutte le versioni precedenti imparando esclusivamente dall’auto‑gioco, senza dati umani.
• AlphaZero ha generalizzato l’approccio a scacchi, shogi e Go con un unico algoritmo, mentre MuZero ha imparato a giocare senza nemmeno conoscere le regole di base.
• AlphaStar ha raggiunto il livello Grandmaster in StarCraft II, gestendo complessità in tempo reale e informazioni imperfette.

Impatto sul gameplay e sulla scienza

Per ciascun gioco, l’IA ha arricchito l’esperienza dei giocatori. La mossa 37 di AlphaGo, ad esempio, è stata così inaspettata che i commentatori professionisti l’hanno inizialmente scambiata per un errore, ribaltando secoli di teoria del Go e ispirando nuovi approcci strategici. AlphaZero ha avuto effetti analoghi negli scacchi. Inoltre, le fondamenta teoriche sviluppate per i giochi hanno alimentato AlphaFold, che ha risolto la sfida di cinquant’anni della previsione della struttura proteica, premiata con il Nobel per la Chimica nel 2024.

Da punteggi a comprensione del mondo di gioco: il progetto SIMA

Il passo successivo è stato chiedersi se un’IA possa comprendere e interagire con qualsiasi mondo di gioco come farebbe un essere umano, senza dipendere da punteggi o manuali di regole. Da qui nasce SIMA (Scalable Instructable Multiworld Agent). Piuttosto che ottimizzare per un punteggio, SIMA è un agente generalista che “vede” ciò che un giocatore vede sullo schermo, interpreta istruzioni in linguaggio naturale e agisce tramite mouse e tastiera, senza necessità di API o accesso al codice sorgente.

Le capacità di SIMA

Alimentato da Gemini, il modello di IA di frontiera di DeepMind, SIMA 2 si comporta come un compagno interattivo capace di ragionamento in tempo reale e conversazione. È in grado di giocare in modo quasi umano in ambienti 3D complessi e in videogiochi come No Man’s Sky, Valheim, Hydroneer e molti altri.

Benefici per gli sviluppatori

Un agente di gioco veramente generale aprirebbe nuove capacità IA senza modificare il codice dei giochi esistenti. Potrebbe alimentare:

• Compagni di gioco che comprendono realmente il mondo virtuale.
• Personaggi non giocanti (NPC) in grado di adattarsi e rispondere in modi che i sistemi scriptati non possono offrire.
• Test di qualità (QA) più robusti durante lo sviluppo, poiché l’agente può gestire cambiamenti continui del prodotto.
• Adattamento post‑lancio a nuovi contenuti o a comportamenti imprevisti dei giocatori, senza la necessità di riscrivere script.

Collaborazione con Fenris Creations e l’universo EVE

Il nostro più recente progetto di ricerca è la partnership con Fenris Creations, studio indipendente dietro l’universo di EVE. EVE Online, lanciato nel 2003, è una simulazione spaziale massivamente multigiocatore in cui migliaia di giocatori condividono un unico universo persistente da oltre 20 anni. L’economia guidata dai giocatori segue dinamiche reali di domanda‑offerta e le relazioni diplomatiche, di alleanza e conflitto modellano un paesaggio in continuo divenire.

Perché EVE è un banco di prova ideale

Per la ricerca IA, EVE rappresenta un’opportunità d’oro: un mondo vivente ed evolutivo che richiede le capacità essenziali per l’IA di frontiera, tra cui:

• Apprendimento continuo da esperienze reali.
• Adattamento a cambiamenti di lungo periodo.
• Memoria estesa per mantenere coerenza su scale temporali che superano quelle tipiche dei videogiochi.
• Capacità di operare su più livelli di astrazione, dal combattimento “twitch” alle strategie galattiche.

Ambientazioni EVE a disposizione della ricerca

La partnership si estende a diverse parti dell’universo di Fenris:

• <