Бот понял что он в игре
Как отличить бота от человека на форумах или в чатах мессенджеров?
Ботов можно встретить абсолютно везде, особенно они получили распространение в соцсетях и мессенджерах. И там и там они могут выполнять вполне полезные действия:
вести страницу соцсети;
постить контент в со цс ети или в группе мессенджера;
отвечать на простые вопросы пользователей в мессенджерах и личных сообщениях;
Как отличить бота от человека?
Как отличить бота от человека в чатах мессенджеров
Юмор хромает. Обычно боты юмором не блещут. Он присутствует, но в очень примитивном состоянии, поэтому робот не способен распознать шутку в контексте вашего сообщения. Тем более бот не способен распознать сарказм, поэтому он его воспримет буквально. Попробуйте применить такой прием и отследить реакцию своего оппонента.
Орфографические ошибки. Ошибки и опечатки (желательно несколько в одном слове) могут бота поставить в тупик, потому что он будет не готов к этому. При этом живой человек может распознать такой текст без проблем. Попробуйте и этот прием.
Как отличить бота от человека в соцсетях и форумах
Находят некий аккаунт в соцсети, который подходит под нужные параметры.
С аккаунта полностью копируют всю информацию: аватар, фото а льбомы, основную информацию, видео, музыку.
Заполняют свой фейковый аккаунт иногда в этой же соцсети, иногда — в другой.
Добавляют несколько друзей, оставляют несколько постов, делают несколько лайков и репостов.
На такую подготовку аккау н та уходит не более часа времени, при этом получается заполненный и немного активный аккаунт. Но наша задача — отличить аккаунт бота от аккаунта живого человека. Для этого нужно обратить внимание на следующие действия:
Посмотрите на оценки, комментарии и на то, кто делился постами вашего аккаунта. Если каждый раз это небольшое количество одних и тех же людей, то есть вероятность, что перед вами бот. Не лишним будет посмотреть профиль «комментирующих», похожи ли они на живых друзей нашего предполагаемого бота? Есть ли в комментариях диалог между владельцем аккаунта и комментирующими?
Заключение
никогда не вести диалоги личного характера с незнакомыми вам людьми;
если есть хоть малейшее подозрение в достоверности аккаунта в соцсети или на фор у ме, то обходите его стороной.
Помните! Ваша информационная безопасность находится только в ваших руках. Вы всегда только своими руками или действиями передаете собственную информацию злоумышленникам. А злоумышленники придумывают все новые и новые способы, чтобы вы это сделали.
Мы будем очень благодарны
если под понравившемся материалом Вы нажмёте одну из кнопок социальных сетей и поделитесь с друзьями.
Непредсказуемый, но адекватный бот в играх
Рассказ пойдет о 2D играх от третьего лица (вид сверху). В основном это шутеры, но и стратегия будет тоже затронута. Для простоты сравнения и понимания мы возьмем наших любимых «котяток». Да, да, именно коты нам хорошо в этом помогут.
Итак, каким же мы видим обычное поведение ботов в играх? Для наглядности будем рассматривать пару примеров (Рис. 1).
Плюсы и минусы
Плюсы:
1. За пару раундов траектория ботов становиться предсказуемой. Победа становиться легкой.
2. Можно «кружить» ботов и всегда оставаться невредимым. У геймеров даже есть такое понятие как «Кружение вальса».
Минусы:
1. За пару раундов становиться не интересно играть именно с ботами. Продолжаешь играть ради очков и наград, бот перестает быть противником.
Не стану размусоливать все достоинства или недостатки, думаю всем понятно, такой бот — не противник. Да, можно усложнить уровень добавив 1000 таких ботов и уменьшить патронов. Или посадить в замкнутое пространство, где особо не побегаешь. Но суть не меняется. Разработчики усложняют условия, но ни как не противника. С точки зрения разработки — это проще и легче.
Давай те разберем тактику таких ботов на пальцах.
Рис. 2 Рисунок разделен на 4 кадра.
Вот и разобрались. Основная задача — дойти долететь, доползти, допрыгать до цели, дополнительная же выбрать оптимальный путь. Этими принципами действуют многие в природе, но я решил выбрать для сравнения более идеального на мой взгляд объекта — КОТ. Хотя кот намного превосходит бота, принципы у них одинаковы.
Характеристика объекта «Кот»
Рис. 3 Рандомные движения
Незапланированные цели, рандомные, но в тоже время точные движения и наконец, тактическое мышление.
Из жизненных наблюдений, кот никогда не пойдет по луже или попытается запрыгнуть на предмет который выше 4 этажа. Видит кот хорошо днем и в темноте, но никак «сквозь» его любимых коробок. Прячется когда опасность Наступает во время охоты или от безвыходности.
Теперь, мы можем это применить к нашему боту, тем самым улучшив его характеристики и изменить предсказуемость, а значит и сложность!
Думаю гонять такого бота, даже в замкнутом помещении станет намного интересней.
Улучшаем характеристики
Зона видимости — бот не должен изначально видеть своего врага, видимость должна ограничиваться не только «туманом войны», но и объектами которые его окружают. Рис. 4. Мало того, на первом кадре бот сразу видит игрока даже сквозь предметы, на любом расстоянии. На втором же кадре, его обзор ограничен и бот пытается взглядом «прощупать» на поиск цели. Боту приходится выполнять подзадачи для того что найти игрока.
Рис. 4 Зона видимости
Зона комфорта — бот будет идти на пролом любой ценой пока не убьет или не будет убитым. Так быть не должно. Если бот будет понимать что жизнь его подходит (подойдет) к концу, то он должен прятаться. Или силы к примеру не равные, опять же должен найти укрытие. Рис. 5. На первом кадре бот классически думает что он «Рэмбо», на втором кадре бот пытается увеличить свои шансы на выживание.
Коты очень любят зону комфорта, по этому всегда уходят от столкновений с инородными движущимися непонятными телами.
Рис. 5. Зона комфорта
Рис. 6 Слева Battlefield 3 и справа Counter Strike
Как я говорил выше, кот не прыгнет выше того на что он способен, даже если он уверен что допрыгнет. Исключение: коты с количеством жизней >6
Рис. 7 Шкала поражения противника.
Зона ожидания — ну тут все просто, боты как правило как обезглавленные носятся дабы найти цель, этим самым игроку просто остается сидеть и ждать. Предсказуемо. А вот в той же «Контре» боты отсиживаются! А ведь бот «кемпер» уже неожиданность для игрока.
Кот 90% своей жизни находиться в режиме загрузки и ожидания. Возможно это его и спасает от рандомных поступков.
Траектория передвижения — если представить ситуацию, что у бота есть возможность обойти предмет, то почему у него нет возможности перепрыгнуть его? Здесь вопрос уже к тонкостям игры… а вот альтернативу прохода никто не исключал. Смотрим рисунок ниже. В первом кадре показан классический выбор бота верхнего прохода, потому что он ближе. На втором кадре наш бот выбирает именно нижний, поскольку, в третьем кадре бот понимает, что ширина прохода шире, а значит больше возможностей для маневров.
Рис. 8 Траектория передвижения
К сожалению траекторию котов вычислить может только Чак Норрис
Можно продолжать выдумать все больше и больше способов, но вывод один. Бот служит в играх, заменой реального человека, как правило слабого противника. Тем самым мы всегда будем хотеть играть с более серьезным противником. А может даже напарником, который «не тупит».
Тактические маневры
Разведка — классический прием, увидев врага, бот открывает огонь, не подозревая что рядом может быть еще один враг. Или есть возможность обойти с тыла. Каким же образом? Смотрим рисунок ниже… Конечно, это сложный прием, учитывая что он запоминает расположение стоящего противника №1, после чего проходит дальше и запоминает расположение противника №2. Но быть такому приему, никто не запрещал.
Кот всегда на стреме, даже когда спит, даже когда он думает что он спит.
Рис. 8 Тактические маневры
Боевой дух — был бы он у бота, он бы говорил так: — «я один, мне страшно, нас много, мы всех победим. Я один и у меня пулемет, я Джон Джей Рэмбо!».
Рис. 9 Приманка
Кот как Джеймс Бонд, всегда один, иногда с кисками.
Задачи и подзадачи.
И напоследок, у классических ботов всего два режима — задача основная (идти к цели), задача дополнительная (обходить препятствия). Я не беру в расчет стрельбу. Поскольку эта не задача, а метод.
Если расширить задачи и подзадачи, то бот перестанет быть таким предсказуемым, перестанет быть ботом 😉
Почему боты в играх не умнеют?
Полагаю, многие уже наслышаны, как в последние годы разрабатываются системы искусственного интеллекта (ИИ), которые обыгрывают людей в различные компьютерные игры. И с каждым годом число таких игр растёт. Однако даже в выходящих в настоящее время блокбастерах всё это развитие абсолютно незаметно, и боты от года к году становятся только тупее.
Некоторые задаются вопросом, с чем это связано и не врут ли нам создатели всех этих новых систем об их способностях. Не сидит ли где то в секретной комнате таких компаний некий китаец, который просто обыгрывает других игроков под видом программы.
На самом деле, в большей степени недопонимание связано с тем, что многие люди воспринимает такие системы именно как полноценный искусственный интеллект, в то время как это автоматизированный интеллект, который способен выполнять лишь ограниченный спектр задач, которым он был обучен. Проще говоря, многие люди ожидают от таких систем не то, на что они по-настоящему способны, при этом недооценивая их истинный потенциал. Однако же есть и ряд чисто технических проблем, которые мешают внедрению подобных систем в качестве ботов в игры. Далее будет представлен небольшой обзор современного уровня развития таких систем и небольшой взгляд в будущее на то, как компьютерные боты могут развиться в ближайшие годы.
Итак, если мы хотим понять, в чём проблема внедрения современных систем ИИ в игры, надо понять, как они работают. К системам ИИ стоит относить те методы и алгоритмы, которые симулируют одну или несколько когнитивных способностей, свойственных живым организмам. При этом эти алгоритмы совершенно не обязательно должны быть аналогичными тем, которые используют живые организмы. К примеру, система, распознающая контуры предметов на фотографии, будет являться системой ИИ, поскольку задача распознавания является когнитивной. Но вот большинство ботов в современных играх к ИИ отнести в полной мере нельзя, поскольку они работают по строгому алгоритму, где на конкретное действие игрока бот реагирует конкретным образом. Никаких когнитивных задач не решается. Отсюда же проистекает и современное отупение ботов. Людям с каждым годом дают всё больше возможностей в играх. Дерево поведения ботов всё больше растёт и усложняется, и всё чаще можно наткнуться на ситуации, не предусмотренные этим деревом. Подобная система уже сейчас выглядит весьма устаревшей, но в свете отсутствия более продвинутых аналогов используется до сих пор.
Так что, когда где-то видите новость про добавление в игры ИИ, стоит критически к этому относиться и понимать, что внедряют скорее всего крайне узкоспециализированную систему. Опять же, поскольку подобные системы очень эффективны в анализе массивов разнородной информации, ИИ уже давно и основательно используется для удержания игроков в онлайн-играх и мотивации их на траты во free-to-play играх, поскольку поведение людей зачастую довольно легко предсказать и направить в нужное русло.
Однако же не будем о грустном и поговорим именно о тех системах, которые могут симулировать игрока и стать оппонентом в играх. В настоящее время существует огромное количество алгоритмов ИИ, которые способны симулировать то или иное поведение человека. Если описывать их все, упоминая их сильные и слабые стороны, выйдет очень большая статья. Поэтому я сконцентрируюсь именно на той архитектуре, которая у людей на слуху и является наиболее продвинутой, в данной области – искусственных нейронных сетях (ИНС). Именно на этой архитектуре созданы небезызвестные AlphaGo, AlphaZero и AlphaStar, которые побеждали людей в го, сёги и StarCraft. Почему же одну из этих систем нельзя внедрить и в другие игры, в качестве игрового бота? Ответ на этот вопрос кроется в архитектуре и способе создания таких систем.
Прежде всего, нужно понимать, что ИНС это не линейный алгоритм, а действительно сеть, с огромным количеством связанных между собой искусственных нейронов. Каждый нейрон получает сигналы от сотен нейронов и сотням же других нейронов передаёт. Итогом этого становится то, что такие сети, по большому счёту — чёрный ящик, поведение которого предсказать невозможно, если не написать программу в десятки раз больше и сложнее для анализа созданной сети.
Более того, такая сеть в процессе создания модифицирует сама себя. Те же ИНС серии Alpha вообще не статичны, они обучаются методом подкрепления. Это означает что они, подобно человеческому мозгу, изменяют себя каждый раз, когда к ним поступает какой то сигнал. Такой подход является основным достоинством сетей – они способны найти то решение, которое человек может искать годами. И, в отличие от линейных алгоритмов, сети могут найти такое решение, которое ни один человек до этого не находил. К тому же они способны реагировать на изменяющиеся условия и подстраиваться под новые правила. Именно эти достоинства помогли им обыграть людей. Но в этом скрыт и один из основных недостатков для разработчиков игр – поведение таких сетей невозможно спрогнозировать полностью. Точно будет известно только поведение сети в тех ситуациях, на которых она обучалась и тестировалась. Но вот как она поведёт себя в новых ситуациях, до конца неизвестно.
Всегда можно научить ИНС играть в какую то игру. Но чтобы сеть лучше в неё играла, ей надо предоставить как можно больше игровых ситуаций. Чем больше игровых ситуаций сеть разберёт, тем более сложным будет её поведение. Она будет «помнить» опыт прошлых игр. С каждой новой выученной ситуацией, на старые она будет реагировать уже по-другому. И если мы говорим о сети, которая сможет играть на уровне человека, мы должны говорить о сети, обученной на миллионах игровых ситуаций.
Тут мы приходим к тому, что тестирование поведения такой сети потребует больше человеко-часов, чем любой современный блокбастер целиком. Более того, если какой-то баг в поведение сети и будет найден, её не получиться поправить, как линейный алгоритм. Этот баг нужно будет разобрать, включить в обучающую выборку и обучить новую сеть. И её снова нужно будет протестировать с нуля, потому что поведение сети может измениться в любой из тестируемых ситуаций. Безусловно, существуют подходы, которые немного ускоряют этот процесс, но ни один из них в корне его не меняет. Уже можно предположить, насколько ресурсоёмкая разработка такого бота, и почему такие сети делают по нескольку лет.
Подобная проблема не столь критична для ИНС, которая обучается для того, что бы просто победить игрока-человека. Но компьютерные игры создаются не для того, что бы человек стабильно умирал от первого же моба. И обучить сеть, которая будет пытаться победить игрока, поддаваясь в некоторых ситуациях — уже совершенно другая задача.
Уже на данном этапе разработка бота на базе ИНС выглядит нерентабельной, но есть ещё проблемы. Сейчас, если ИНС обучается играть в какую то игру, то она, по сути, представляет из себя самостоятельную «личность», которая играет по своим тактикам и ведёт себя определённым образом, исходя из того, как она была обучена. И вот тут всплывает такой момент, что для того, что бы изменить её поведение, к примеру, чтобы она могла симулировать бота другой сложности, нужно её дообучить на дополнительных данных.
И вот уже, чтобы получить ботов для разной сложности игры, нам требуется создать и протестировать несколько нейронных сетей. А ведь в играх редко бывает один тип мобов. И поведение, к примеру, вертолёта прилично отличается от поведения пехотинца. Нам нужны отдельные сети для разных мобов на разных сложностях. А ведь ещё могут быть разные карты, на которых геймплей отличается, и разные режимы игры, где победы нужно добиваться разными путями. Проблема возрастает в геометрической прогрессии.
Казалось бы, почему не обучить одну сеть, способную симулировать разных мобов и способную играть на разных сложностях игры в разных игровых ситуациях? Ну, помимо того, что создание такой сети по силам лишь нескольким корпорациям в мире, мы упираемся в ещё одну существенную проблему – обучающие данные. Любые системы ИИ не являются магической шкатулкой, которой надо задать лишь цель, и она сама найдёт путь. Чтобы ИИ мог достичь цели, ему надо объяснить как это сделать. И, в случае с ИНС, этим объяснением являются данные, отображающие состояние объекта моделирования и среды, в которой объект функционирует.
Сеть должна знать, при каких условиях объект обладает определёнными характеристиками, и как среда реагирует на те или иные действия объекта. Проще говоря, для сети нужно расписать всю «жизнь» игрового персонажа от «рождения» до «смерти». И расписать так, будто он побывал во всех возможных игровых «приключениях». Естественно, приключение, где герой будет убивать босса копьём, будет существенно отличаться от приключения, где тот же самый герой будет убивать того же самого босса уже луком. Или магией. А теперь представьте, сколько ситуаций нужно описать для бота, который должен одновременно симулировать поведение сотни разных юнитов в огромной армии. Именно из-за этой проблемы тот же AlphaStar, в своих последних версиях, всё равно мог играть только в одном режиме StarCraft II — Protoss versus Protoss. Всего одной конкретной фракцией против другой конкретной фракции.
В итоге, оказывается, что даже самые продвинутые в плане игровых возможностей системы ИИ, всё ещё очень далеки от внедрения в современные игры. Топорные деревья решений, которые применяются уже не первое десятилетие, пока остаются единственным оправданным алгоритмом для описания поведения ботов. Но когда нам теперь ждать новый виток развития интеллекта игровых болванчиков? Возможно, не так долго, как кажется на первый взгляд.
В конце концов, кто сказал, что обучать системы ИИ обязательно должен человек? Ещё в 2017 году Deepmind представил версию AlphaGo Zero которая обучалась игре в го не на основе игровых партий людей, а играя сама с собой. И уже тогда она стала одной из самых успешных ИИ для игры в го, превзойдя человека. Безусловно, чем сложнее сама игра, чем больше игровых правил и условий, тем сложнее устраивать подобные спарринги между ИИ. Но это не невозможно, хоть и требует огромных вычислительных мощностей. Отдать тестирование ИИ на откуп других ИИ сложнее, но частично эту проблему можно обойти за счёт введение дополнительных условий в обучение.
И всё же, основной проблемой на данном пути остаются вычислительные ресурсы, которые требуются для обучения таких ИИ. Так что следующий скачок в этом направлении можно ожидать не раньше скачка в области вычислительных систем.