Intelligenza Artificiale Nei Videogiochi - Uno Strumento Dalle Diverse Potenzialità Artistiche

Intelligenza Artificiale e contenuto procedurale
nei videogiochi: uno strumento dalle diverse

potenzialità artistiche
Intelligenza Artificiale e contenuto procedurale nei videogiochi:
uno strumento dalle diverse potenzialità artistiche
2
INDICE
INDICE 3
ABSTRACT 5
CAPITOLO 1 - Algoritmi per lo sviluppo di NPC e ambienti, come l’IA rivoluziona l’ambiente
videoludico. 6
1.1 I vantaggi dell’intelligenza artificiale nei videogiochi 6
1.1 Nascondino horror con l'intelligenza artificiale di “Alien: Isolation” 7
1.2 Il futuro dell’intelligenza artificiale nei videogiochi 8
1.3 Il rischio di un uso eccessivo dell’intelligenza artificiale 9
CAPITOLO 2 - Intelligenza artificiale, Machine learning e Deep learning 11

Test di Turing 11
Limiti del test di Turing 12
2.1 Deep learning 12
2.1.1 Modalità di apprendimento per algoritmi Deep Learning 13
Multilayer Perceptrons (MLPs) 13
Generative Adversarial Networks (GAN) 13
Long Short Term Memory Networks (LSTMs) 13
2.1.2 DL nei videogiochi 13
Deep Blue, intelligenza artificiale contro cervello umano nelle partite di scacchi 14
OpenAI Five, 5 bot contro 5 giocatori 14
DeepMind, AlphaGo 14
DeepMind, AlphaStar 15
NvidiaGauGan 15
2.2 Machine learning 16
Apprendimento supervisionato 16
Apprendimento non supervisionato 16
Apprendimento semi-supervisionato 16
Apprendimento per rinforzo 16
2.2.3 Reinforcement Learning 17
CAPITOLO 3 - Possibili applicazioni nella generazione procedurale dei contenuti e nel
player modeling 18
3.1 Modalità di impiego 18
3.1.1 Integrale 18
3.1.2 Content Editing 19
3.1.3 Modale 19
3.1.4 Segmentato 20
3.2 Quando non è necessario utilizzare contenuto procedurale 20
3.2.1 Qualità del contenuto 20
3.2.2 Esperienza Autoriale 20
3.2.3 Scomodità 21
3.2.4 Eccessiva dipendenza da PCG 21
3
3.3 Ragioni di impiego 21
CAPITOLO 4 - Altri utilizzi 24

4.1 Deepdream 24
4.2 Il caso del Ritratto di Edmond de Belamy 25
4.2.1 Mario Klingemann: Memories of Passersby I 25
4.3 Deepfake 26
4.3.1 Approcci delle scienze sociali e umanistiche ai deepfake 26
4.3.2 Video Rewrite: modifiche a foto e video 27
4.3.3 Sviluppi commerciali 28
4.4 Uncanny valley effect 28
4.4.1 Nei Media 29
4.4.2 Come evitare l’uncanny valley 29
4.5 Artstation’s Controversy 30
CAPITOLO 5 - CONCLUSIONI 31
APPENDICE 32
BIBLIOGRAFIA E SITOGRAFIA 33
RINGRAZIAMENTI 36
4
ABSTRACT
5
CAPITOLO 1 - Algoritmi per lo sviluppo di NPC e ambienti, come

l’IA rivoluziona l’ambiente videoludico.
Il mondo videoludico è cambiato radicalmente nel corso degli ultimi anni: siamo passati da
prodotti che coinvolgevano solamente la nostra vista e udito a forme molto più evolute,
capaci di giocare con tutti i nostri sensi. Sebbene l'IA sia entrata nello scenario videoludico
da relativamente poco tempo, è considerata una nuova frontiera in forte espansione nel modo
in cui i giochi vengono sviluppati creando un tipo di gioco che punta a soddisfare quanti più
individui, soprattutto i più giovani. I giochi con intelligenza artificiale spostano sempre più il
controllo dell'esperienza di gioco verso il giocatore, il cui comportamento ha un ruolo attivo
nel personalizzare l'esperienza. Ora vedremo perché i videogiochi hanno avuto una posizione
privilegiata tra i prodotti a cui l’intelligenza artificiale viene applicata su base quotidiana.
1.1 I vantaggi dell’intelligenza artificiale nei videogiochi
L’intelligenza artificiale è una serie di algoritmi che, tramite il processo di trial and error,
impara dalle proprie esperienze e si adatta al contesto di applicazione. Questo processo è
chiamato Deep Learning (o apprendimento profondo), tramite esso è possibile creare
ambientazioni, contesti, personaggi e livelli sempre nuovi da inserire all’interno della rete
neurale per poter restituire infinite opportunità, garantendo un’esperienza di gioco sempre
unica.
Gli NPC, ad esempio, grazie all’applicazione dell’IA

sono sempre più realistici nelle reazioni, come nel
caso di The Last of Us 2. In questo titolo l’intelligenza
artificiale, una volta che il giocatore rende nota la sua
presenza uccidendo dei nemici o facendo rumore,
cercherà attivamente la fonte del disturbo fino a che
non l’avrà stanata o non sarà uscita dall’area di
competenza. Questa meccanica, benché già presente in titoli come Metalgear o nella saga di
Assasin’s Creed, in questo titolo viene portata all’estremo poiché l’interesse dell’IA nel
perseguire la fonte del disturbo non scemerà dopo un tempo prestabilito.
Altro elemento importante è la riproduzione di enormi

mondi aperti, i cosiddetti “open world”, grazie alla
mappatura LIDAR delle superficie e degli edifici, per
aiutare l’AI a capire come generare in autonomia territori
sempre più realistici e aderenti alla realtà, come nel caso
dei titoli della saga di Assassin’s Creed, in particolare
Odyssey, in cui è stata ricostruita l’intera Grecia del V
secolo A.C.
6
Un’altra applicazione dell’intelligenza artificiale nei videogiochi consente, infine, di tracciare

il gameplay, cioè le azioni dei giocatori all’interno di un videogioco, per adattare i
comportamenti degli NPC (controllati dall’IA) e quindi adattare le sfide al livello di abilità
del giocatore, oppure per affinare gli algoritmi di matchmaking in titoli multigiocatore.
1.1 Nascondino horror con l'intelligenza artificiale di “Alien: Isolation”
Alien Isolation, videogioco survival horror in prima persona, sviluppato dallo studio
britannico The Creative Assembly e pubblicato da SEGA e pubblicato per console e pc nel
2014, è ambientato nel 2137 su un'enorme stazione spaziale chiamata Sevastopol Space
Station. Tutte le forme di comunicazione con altri pianeti sono chiuse e a bordo della nave c'è
un organismo alieno, noto anche come xenomorfo, che dà la caccia a qualsiasi forma di vita
organica.
È in grado di uccidere le persone in un colpo solo, corre molto velocemente ed è

invulnerabile a quasi tutte le armi, inclusi strumenti, pistole e piccoli esplosivi. Il giocatore
non può scappare o ucciderlo, l'unica forma di sopravvivenza è nascondersi o usare un
lanciafiamme. Tutti questi metodi però potrebbero funzionare efficacemente le prime volte,
ma alla fine l'alieno imparerà dalle tattiche del giocatore e diventerà molto più difficile
sopravvivere.
Per compiere un'impresa del genere, il comportamento dell'alieno è in realtà influenzato da

due IA. Le due IA sono conosciute come "the director" e il "behaviour tree". La prima IA
conosce sempre la posizione dell'alieno e del giocatore. Quando l'alieno è nelle vicinanze,
essa darà periodicamente all'alieno un indizio circa la posizione generale del giocatore, ma
non dirà mai esattamente dove esso si trova.
L'albero del comportamento, invece, è un grande grafico composto da circa 100 nodi diversi,
che influenzano il comportamento dell'antagonista. Da notare è che ci sono solo circa 30 nodi
che influenzano direttamente l'azione dell'alieno in un dato momento e che non tutti i nodi
sono sbloccati all'inizio del gioco, ma vengono sbloccati man mano che il giocatore avanza
nel gioco e in base a determinate condizioni. Ad esempio, se il giocatore tende a nascondersi
negli armadietti per sfuggire all'alieno, esso potrebbe iniziare a cercare negli armadietti più
spesso. Se il giocatore usa sempre il lanciafiamme per spaventare l'alieno, a un certo punto
del gioco lo xenomorfo potrebbe iniziare a sviluppare una certa resistenza, riducendo
l'efficacia del lanciafiamme.
Descritto così, la sensazione generale riguardo al gioco è che finirlo deve essere impossibile,
ma gli sviluppatori lo hanno tenuto in considerazione. Il giocatore non può semplicemente
essere spaventato a morte per tutto il tempo, perché si arrenderebbe. Vogliono che il giocatore
abbia paura, ma non vogliono che muoia così spesso al punto da smettere di giocare. Per
ottenere questo costante senso di tensione e paura, il team di sviluppatori si è assicurato che
l'IA che si occupa di gestire le indicazioni da dare all’alieno misuri i livelli di stress del
7
giocatore con un "indicatore di minaccia". L'indicatore di minaccia misura quanto è stressato

un giocatore a causa della vicinanza degli alieni, se il giocatore può sentire si muove e se il
giocatore può vederlo direttamente.
L'ultimo è importante, perché l'Alieno potrebbe essere vicino, ma potrebbe trovarsi in una
stanza diversa. Una volta che l'indicatore di minaccia è stato alto per molto tempo, il regista
allontana l'alieno dal giocatore, dandogli il tempo di fare progressi nel gioco. Tuttavia, solo
perché lo xenomorfo potrebbe nascondersi altrove nell'astronave, non significa che qualcuno
dovrebbe iniziare a fare rumore. Se viene sparato un colpo di pistola o il giocatore inizia a
correre, l'alieno potrebbe apparire prima del previsto e questo potrebbe portare alla morte del
giocatore. È importante rimanere sempre in silenzio, a meno che non sia necessario
combattere qualche altro NPC. L'alieno potrebbe davvero essere la minaccia più grande e
mortale a bordo della stazione spaziale di Sevastopol, ma ci sono androidi, facehugger e altri
umani che potrebbero tentare di ucciderti. L'alieno non interagisce realmente con i due ex
NPC, ma se l'alieno incontra un altro NPC umano, gli darà la caccia.
1.2 Il futuro dell’intelligenza artificiale nei videogiochi
L’applicazione del deep learning nei videogame

attualmente è ancora in una fase iniziale di
sviluppo. Difatti i videogiochi vengono usati
come training ground per le reti neurali al fine di
apprendere e adattarsi, essendo ambienti
complessi e dotati di sistemi di ricompensa.
Nell’immaginario comune l’applicazione dell’intelligenza artificiale al gaming è

rappresentata dalla macchina che sconfigge il giocatore umano, come il famoso computer
Deep Blue dell’IBM – che nel maggio 1997 batté il campione del mondo di scacchi, Garry
Kasparov. In realtà, la funzione dell’IA nei videogame – dove è usata principalmente per
generare i comportamenti dei personaggi non giocanti e per il pathfinding– non è tanto quello
di sconfiggere il giocatore o dimostrarsi superiore a lui, ma di arricchire la sua esperienza di
gioco, modificandosi e adattandosi allo sviluppo dell’azione. I due modelli algoritmici più
noti sono il Finite State Machine e Town Tree Search, utilizzato soprattutto nei giochi di
strategia a turni. Il Finite State Machine venne introdotto negli anni ’90 ed è relativamente
semplice; prevede una reazione specifica dell’IA in risposta a ogni azione o situazione. Per
esempio, in un gioco che involve conflitti a fuoco, l’IA attacca quando il giocatore si espone
o si ritira quando la propria energia è troppo bassa.
8
Questo algoritmo, tuttavia, risulta inadeguato per altri tipi di giochi, per esempio di strategia,
dove un comportamento di questo genere renderebbe il gameplay ripetitivo e poco
stimolante. Per questo venne introdotto Town Tree Search, un algoritmo di ricerca capace di
prendere in considerazione tutte le mosse fattibili da parte dell’IA, le possibili risposte del
giocatore, le ulteriori contromosse e via dicendo in una ramificazione sempre più complessa
di possibilità. Negli ultimi anni gli algoritmi hanno superato anche la meccanicità di questo
comportamento sviluppando, soprattutto nell’ambito dei giochi stealth, una avanzata capacità
di hunting, cioè quella di andare alla ricerca di segnali generati dai giocatori come rumori,
impronte ecc. Questo si traduce nella possibilità dell’IA di valutare lo stile di gioco
dell’avversario e adattarsi di conseguenza.
Un’altra applicazione di questa risorsa potrebbe essere l’azione di debugging che, se svolta da
un algoritmo ben addestrato, ridurrebbe le tempistiche e le energie impiegate dalla fase di
beta testing. Si riuscirebbe quindi a trovare errori nel codice in una frazione del tempo
normalmente richiesto con risultati migliori, evitando situazioni assurde che rendono
difficoltoso, se non impossibile, l’avanzamento della trama, come nel titolo di Bethesda The
Elder Scrolls.
Non solo: un beta tester non umano potrebbe arrivare a soluzioni originali per raggiungere un
obiettivo fissato dagli sviluppatori e, nel processo, fornire loro nuove idee da implementare
all'interno del mondo virtuale.
1.3 Il rischio di un uso eccessivo dell’intelligenza artificiale
Il rischio in cui si corre quando si intende utilizzare un’IA per la creazione di un videogioco è
l'imprevedibilità: lo sviluppatore vuole poter controllare ogni singolo avvenimento all’interno
del gioco e, per far ciò, vuole prevedere lo standard di esperienza dell’utente. Le trame dei
videogiochi sono ormai così complesse che, anche senza l’uso del deep learning, ciascuno
può affermare di aver giocato ad una storia differente. I videogame prodotti finora fingono di
aver incorporato la libertà d’azione. Conoscendo le risposte statisticamente probabili e le
tendenze comportamentali di un essere umano che gioca è possibile ipotizzare una serie di
possibili scenari entro cui il computer dovrà scegliere quando e come compiere una delle
azioni previste.
L’apparente intelligenza artificiale che viene

inserita in trame come quella di “Detroit:
Become human“, tuttavia, queste “possibilità di
scelta” restano opzioni controllate, inserite e
previste dallo sviluppatore, e non scelte che il
computer inventa in autonomia, sulla base
dell’esperienza e della conoscenza del giocatore.
Un altro problema che si pone con l’utilizzo
9
dell’IA potrebbe essere un NPC avversario impossibile da sconfiggere, poiché apprende dagli
errori commessi in precedenza e, nel corso del match, comprende come sfruttare attivamente
l’ambiente e le risorse a disposizione contro il player in modo diverso ogni volta.
Quindi, per poter dire che un’IA è ben utilizzata, bisogna saper trovare il giusto equilibrio che
riesca ad adattare questa tecnologia alle abilità del giocatore, per essere quanto più simile
possibile ad un avversario umano. Alcuni esempi possono essere Metal Gear Solid 5: The
Phantom Pain, dove l’utilizzo ripetuto di colpi alla testa spinge i soldati avversari a indossare
degli elmetti più resistenti, oppure Horizon Zero Dawn, in cui il sistema di IA consente alle
macchine di pensare sia come singola unità che come parte di un gruppo adattando i propri
comportamenti in funzione di questa eventualità.
10
CAPITOLO 2 - Intelligenza artificiale, Machine learning e Deep

learning
L'intelligenza artificiale (AI) viene definita come una simulazione del cervello umano da
parte di macchine programmate per pensare e mimarne le azioni. In poche parole:
l'intelligenza artificiale è definita come il tentativo di simulare o imitare le funzioni cognitive
umane da parte di una macchina.
Detto ciò è importante distinguere tra i termini intelligenza artificiale, machine learning e
deep learning. Se da un lato, l'IA, come spiegato in precedenza, è la capacità dei computer di
simulare comportamenti intelligenti, dall'altro, machine e deep learning non sono altro che
tecniche diverse di apprendimento per ottenere tale simulazione.
La figura sopra mostra le differenze tra i tre concetti che verranno discussi in questo capitolo.
Come si può vedere, il deep learning è un'evoluzione del machine learning e questi due non
sono altro che tecniche applicate alla generazione di intelligenza artificiale nei programmi per
computer.
A tal proposito è interessante citare la figura di Alan Turing, matematico, logico, crittografo e
filosofo britannico, considerato padre dell'informatica e il primo a definire l’Intelligenza
Artificiale. Da lui prende il nome il test che definisce se una macchina può essere considerata
intelligente o meno.
Test di Turing
Il test viene per la prima volta presentato nell’articolo del 1950 intitolato "Computing
Machinery and Intelligence" . Nell'articolo Turing ha proposto una variazione al gioco di
"The Imitation Game".
11
The Imitation Game non prevede l'uso dell'IA, ma piuttosto di tre partecipanti umani in tre
stanze separate. Ogni stanza è collegata tramite uno schermo e una tastiera, una contenente un
uomo, l'altra una donna e l'altra ancora contenente un giudice. La donna deve cercare di
convincere il giudice che lei è il maschio, e il giudice deve capire chi è chi.
Turing cambia il concetto di questo gioco in modo da sostituire ad uno dei due umani un'IA e
mantenere l’interrogatore umano. Il compito del giudice è quindi decidere quale sia l'IA e
quale sia l'umano. Da quando il test è stato formulato molte IA sono state in grado di
superare; una delle prime è stato un programma di linguistica creato da Joseph Weizenbaum
chiamato ELIZA.
Limiti del test di Turing

Come detto in precedenza il test di Turing nelle sue varie versioni non può più adempire al
compito di valutazione di un'intelligenza artificiale. Un modo in cui un'IA potrebbe superare
tale test sarebbe per esempio attendere qualche secondo prima di rispondere alla domanda
dell'interlocutore, nonostante sia già a conoscenza delle risposte e prendere del tempo per
rispondere in modo da sembrare più umana.
Così facendo però gli utenti si spazientirebbero se a ogni domanda rivolta a un assistente
dovessero attendere dei secondi in più solo per avere un'intelligenza artificiale più umana; chi
decide di acquistare un assistente vocale lo fa perché ha bisogno di risposte in tempi brevi.
Per di più, l'idea di un'IA che ricordi un essere umano potrebbe essere controproducente, basti
pensare alla disinformazione seminata dai bot e l’espansione dei deep fake. Per Prasad
l'ambizione massima per l’uso delle IA moderne deve essere superare gli esseri umani,
completare le operazioni e adattarsi a nuove situazioni.
2.1 Deep learning

Il Deep Learning, come già detto a inizio capitolo, è un'evoluzione del Machine Learning, si
discosta dal ML, ed è caratterizzato, da un algoritmo autonomo , capace di analizzare le
caratteristiche dei dati inseriti senza necessitare di interventi esterni e quindi, man mano che
il modello viene addestrato, comprende come estrarre le caratteristiche dei dati per l’utente
finale. In breve, il deep learning elimina la parte manuale del machine learning
automatizzando il processo di apprendimento. Pertanto, gli algoritmi di deep learning
funzionano meglio quanti più dati hanno durante il training dell’algoritmo e se durante il
training la macchina usa un dato sbagliato essa imparerà dall'errore e userà altri dati per
avvicinarsi al risultato corretto in modo più rapido e affidabile.
12
2.1.1 Modalità di apprendimento per algoritmi Deep Learning

Multilayer Perceptrons (MLPs)
Probabilmente il miglior punto di partenza per comprendere una rete neurale multistrato.
Internamente, ha una struttura simile a una semplice rete neurale ed è composta da più di un
livello nascosto il cui output viene reindirizzato al livello nascosto successivo in modo lineare
fino al raggiungimento dell'output finale. La figura mostra un semplice esempio di come una
rete neurale multistrato funziona in modo schematico per creare una distinzione tra cani e
gatti.
Innanzitutto, l'utente fornisce alla rete un vettore per classificare ogni immagine.
Successivamente, la rete regola i diversi pesi associati a ciascun livello fino ad ottenere un
risultato in cui l'etichetta finale del vettore corrisponde alla classificazione ottenuta arrivando
ad apprendere un metodo per distinguere tra immagini di cani e gatti grazie a vettore
caratteriali forniti.
Generative Adversarial Networks (GAN)

Queste reti sono caratterizzate da un generatore di modelli fasulli e un discriminatore che
rileva quando i dati da valutare sono veri o falsi. Dopo aver considerato il caso, sia il
generatore che il discriminatore sono aggiornati e recuperati. Questo costante aggiornamento
del modello permette, all’interno del mondo dei videogiochi, il miglioramento della
risoluzione di vecchi titoli e il ridimensionamento di texture e modelli 3D
In sostanza le GAN mirano a ridurre al minimo le differenze tra un output generato e ciò che
viene presentato come immagine reale; una delle reti genera degli output che sembrano
appartenere all’insieme di dati utilizzati per l’addestramento, mentre l’altra valuta il successo
ottenuto dalla prima in tale operazione.
Long Short Term Memory Networks (LSTMs)

L'esemplificazione pratica di reti neurali ricorrenti. Questo tipo di rete è comunemente
utilizzata nel riconoscimento vocale poiché consente di conservare i dati nel tempo mentre ne
vengono inseriti di nuovi.
2.1.2 DL nei videogiochi
Nel mondo dei videogiochi forse l'applicazione più importante delle tecniche di deep learning
risiede nel miglioramento dell'intelligenza artificiale degli NPC (come detto nel cap. 1.2)
attraverso tecniche di apprendimento basate sul rinforzo;inoltre sono presenti altre
applicazioni come mostrato nel paragrafo precedente, come la ricostruzione di texture,
modelli 3D, audio, ecc. di vecchi videogiochi oppure, negli ambienti multigiocatore, riunire i
giocatori dello stesso livello o con capacità simili nelle partite.
13
Diverse tecniche di apprendimento profondo hanno superato le capacità umane in vari campi,
come AlphaGo nei giochi di strategia o GauGan nel mondo artistico.
In questa sezione verranno illustrati alcuni esempi in cui l'IA ha eguagliato o, in alcuni casi,
superato l'intelligenza umana.
Deep Blue, intelligenza artificiale contro cervello umano nelle partite di scacchi
Come anticipato nel paragrafo 1.2 Deep blue, un supercomputer sviluppato da IBM, è
diventato il primo computer in grado di battere un essere umano in una partita a scacchi.
Sebbene non utilizzi tecniche di deep learning, fu l'inizio dell'ascesa dell'intelligenza
artificiale contro il cervello umano.
L'algoritmo utilizzato per analizzare l’andamento della partita ed eseguire le mosse ogni
turno è un algoritmo sviluppato per scegliere la mossa migliore tenendo conto che
“l'avversario sceglierà la peggiore per te”
OpenAI Five, 5 bot contro 5 giocatori
Un altro esempio di applicazione di tecniche di deep learning nel mondo dei videogiochi è
fornito dalla società OpenAI.
Tra i vari progetti è presente OpenAFive che si è posto l’obiettivo di superare giocatori umani
nei videogiochi. Esso consiste nello sviluppo di un'AI in grado di vincere una partita di
Dota2. I bot comuni sono facili da sconfiggere, poiché programmati per vincere contro altri
bot semplici; a fine di r aumentare di livello, il team di OperAI superare questa barriera
introducendo informazioni fornite da cinque diverse reti LSTM simulando 5 diversi giocatori
di una squadra di Dota2.
Un altro, ma non meno importante, era un gioco MultiAgent Hide and Seek. L'importanza di
questo progetto risiede nel modo in cui gli agenti sono stati in grado di fare mosse che
nemmeno gli sviluppatori si aspettavano.
Questo progetto vuole insegnare alla macchina ciò che gli esseri umani fanno dal primo
giorno in cui sono nati: studiare l'ambiente circostante. Questo è probabilmente uno dei
migliori esempi di autoapprendimento e di come il deep learning abbia rivoluzionato il
mondo dell'IA.
DeepMind, AlphaGo
Il gioco di Go è un gioco da tavolo strategico in cui l'esito del gioco dipende esclusivamente
dalle strategie adottate dai giocatori e, per quanto sia possibile appoggiarsi ad una macchina
per trovare le mosse possibili, è un problema interessante da risolvere computazionalmente.
A causa della scarsa capacità di hardware e la mancanza di software in grado di computare

tutte le possibili mosse L'importanza del deep learning in questo caso risiede nel modo in cui
questa IA ha sviluppato il team di ricerca Deep Mind di Google utilizzando algoritmi già noti.
14
Per risolvere il problema di come una macchina possa superare un giocatore umano e non
essere mai sconfitto da un professionista, Google ha sviluppato un’IA utilizzando una
variabile di ricerca ad albero che combina con essa due diverse reti neurali. Mentre una rete
neurale prende in considerazione le regole del gioco, l'altra lavora con i diversi valori che una
mossa può produrre imparando, nel mentre, dove muoversi ad ogni turno.
La parte interessante di Alpha Go è come siano state addestrate queste due reti neurali. Nella
prima parte il software è stato allenato utilizzando l'apprendimento supervisionato con
l'obiettivo di imitare i movimenti umani, tentando di abbinare le mosse degli esperti in partite
registrate di giocatori professionisti. Quando la macchina divenne in grado di imitare quelle
mosse,iniziò un addestramento contro diverse istanze di se stessa utilizzando
l'apprendimento per rinforzo.
Ad oggi, per non umiliare i diversi avversari che l'algoritmo deve affrontare, la percentuale di
vittoria viene manipolata, consentendo così al giocatore umano la possibilità di vincere la
partita mostrando il potere dell’apprendimento profondo.
DeepMind, AlphaStar
AlphaStar è un'intelligenza artificiale programmata sempre dai medesimi sviluppatori. A

differenza di AlphaGo l'IA era limitata alle stesse azioni che può eseguire un giocatore
umano, ovvero un numero limitato con visibilità ridotta della mappa.
Anche in questo caso, AlphaStar, utilizza sia tecniche di apprendimento profondo che
tecniche di apprendimento per rinforzo con principale differenza la limitazione nel processo
di esplorazione. Essa impara a imitare il miglior giocatore che ha nel suo database e da lì
gioca migliaia di partite contro se stesso ( a differenza di AlphaGo che analizza migliaia di
partite di diversi giocatori nel corso del suo apprendimento).
NvidiaGauGan
Anche se non è direttamente collegato

al mondo dei videogiochi, una delle
tecnologie più sconvolgenti che
applicano tecniche di deep learning
eil modello di rete neurale Gan è il
software GauGan Nvidia.
Disegnando una forma astratta

selezionando un tipo di pennello, tra
quelli a disposizione, l’IA passa
l’informazione al modello GAN, il
quale genera un paesaggio ad alta risoluzione con una grande qualità di dettagli.
15
Sebbene il suo ambito operativo principale non risieda nei videogiochi, le applicazioni di
questo tipo di rete durante il ridimensionamento della risoluzione dei paesaggi sono
numerose.
2.2 Machine learning
Il machine learning (apprendimento automatico), è un’altra strada per lo sviluppo

dell’intelligenza artificiale. È considerabile come un sottogruppo che si concentra sulla
capacità delle macchine di ricevere una serie di dati chiamati dataset e di apprendere da sole,
o con la supervisione di un agente esterno, modificando gli algoritmi man mano che ricevono
più informazioni
L'apprendimento automatico può essere definito
come un "campo dell'informatica che offre ai
computer la capacità di apprendere senza essere
esplicitamente programmati" - Samuel Arthur,
1969. Un altro modo per definire l'apprendimento
automatico è l'atto dell'apprendimento del
computer per riconoscere schemi da un insieme di
dati. Di seguito verranno elencate alcune modalità
con cui la macchina può imparare ad elaborare i
dati:
Apprendimento supervisionato
Viene stabilito un set di dati di input/output campione per addestrare il modello. Si compone
di due fasi: apprendimento e test. La fase di apprendimento consiste nell'inserire
manualmente un insieme di dati precedentemente analizzati in modo che il modello possa
riadattare i parametri che lo compongono per ottenere un risultato predeﬁnito.
Successivamente, una volta che il modello è stato addestrato, vengono introdotti nuovi dati,
che portano a una generazione di un insieme di previsioni atte a dare una possibile soluzione
Apprendimento non supervisionato

si fornisce alla macchina un database di dati non etichettato. L'algoritmo ML non
supervisionato analizza i dati ed eventualmente trova un criterio di classificazione.
Apprendimento semi-supervisionato
Qualcosa di intermedio tra i due metodi illustrati precedentemente. Sono comuni nei
problemi in cui non si hanno tanti output di esempio quanti
ingressi.
Apprendimento per rinforzo

Non ha esempi specifici ma gli obiettivi sono fissati attraverso un sistema di ricompensa. Il
modello basato su tentativi ed errori modifica i suoi parametri per ottenere la più alta
ricompensa possibile
16
2.2.3 Reinforcement Learning

L'apprendimento per rinforzo (o reinforcement learning) è una tecnica di apprendimento
automatico che punta a realizzare agenti autonomi in grado di scegliere azioni da compiere
per il conseguimento di determinati obiettivi tramite interazione con l'ambiente in cui sono
immersi.
L'apprendimento per rinforzo è uno dei tre paradigmi principali dell'apprendimento
automatico, insieme all'apprendimento supervisionato e a quello non supervisionato. A
differenza degli altri due, questo paradigma si occupa di problemi di decisioni sequenziali, in
cui l'azione da compiere dipende dallo stato attuale del sistema e ne determina quello futuro.
La qualità di un'azione è data da un valore numerico di "ricompensa", ispirata al concetto di
rinforzo, che ha lo scopo di incoraggiare comportamenti corretti dell'agente. Questo tipo di
apprendimento è solitamente modellizzato tramite i processi decisionali di Markov e può
essere effettuato con diverse tipologie di algoritmi, classificabili in base all'utilizzo di un
modello che descriva l'ambiente, alle modalità di raccolta dell'esperienza (in prima persona o
da parte di terzi), al tipo di rappresentazione degli stati del sistema e delle azioni da compiere
(discreti o continui).
17
CAPITOLO 3 - Possibili applicazioni nella generazione procedurale

dei contenuti e nel player modeling
Le tecniche di generazione procedurale dei contenuti, o PCG (Procedural Content
Generation), ad oggi, sono ampiamente utilizzate nel game design e nello sviluppo, dalla
scrittura alla generazione rapida di contenuti oppure effetti grafici reattivi alla narrazione. La
generazione procedurale dei contenuti è una metodologia di generazione automatica di
contenuti tramite l’utilizzo di algoritmi o processi casuali che possono produrre una serie di
possibili contenuti relativi all’elemento preso in considerazione. La caratteristica chiave di
questo metodo di produzione di contenuti è il concetto di casualità: attraverso l’utilizzo di
pochi parametri, l’applicazione del PCG garantisce la creazione di un numero consistente di
contenuti possibili di un gioco, tutti differenti tra loro. Nonostante il prevalente utilizzo di
questa tecnica sia in ambito videoludico nulla vieta di poter utilizzare questa metodologia
anche in altri settori, come, per esempio i servizi web, i siti internet o altri tipi di media.
Questo capitolo discute della le motivazioni che spingono gli sviluppatori ad includere il
PCG nel processo di sviluppo e le problematiche connesse ai rischi che possono sorgere
quando si decide di scavare nelle profondità dei processi generativi.
3.1 Modalità di impiego

La realizzazione di un videogioco può essere un processo intenso se non pianificato
correttamente, può facilmente incidere negativamente sul budget a disposizione per la
produzione e lo sviluppo e il peso finale del prodotto in termini di spazio occupato sulla
memoria. In questo caso è essenziale individuare quando, nella fase di lavoro, questo
strumento può rivelarsi utile.
3.1.1 Integrale
Nei casi più noti, la scelta di utilizzare
PCG è contenuta nella progettazione
iniziale del gioco.La maggior parte dei
giochi che utilizzano PCG ampiamente
dipendono interamente da esso per
essere il tipo di giochi che sono. I giochi
con contenuti casuali significativi, come
Rogue e Spelunky, dipendono da PCG
per fornire il loro gameplay principale.
Anche i giochi che utilizzano contenuti
procedurali per includere una grande
quantità di contenuti, come Elite e No Man's Sky, dipendono da esso per realizzare la loro
visione. La decisione di utilizzare il contenuto procedurale è parte integrante della decisione
di creare questo tipo di gioco.In questi casi, è fondamentale considerare l'entità del
coinvolgimento del PCG nel raggiungimento degli obiettivi del gioco.
18
Il tempo necessario per produrre la maggior parte dei contenuti di gioco attraverso mezzi
procedurali non può essere sottovalutato. Qualsiasi cambiamento nella direzione del progetto
ha profonde implicazioni per tutto ciò che riguarda la parte di programmazione. Gli algoritmi
dovranno essere redatti e riformulati più volte, proprio come il resto del contenuto del gioco
costruito attorno ad essi. Il debug e le modifiche ai sistemi procedurali del gioco continuano
anche dopo l'uscita del gioco e, con la natura di questo tipo di gioco, ogni piccola modifica
influisce su ogni aspetto dell'esperienza del giocatore.
3.1.2 Content Editing

PCG viene spesso utilizzato nello sviluppo di
giochi per produrre una grande quantità di
contenuti che viene successivamente migliorata.
Un tipico esempio di questo è un gioco open
world come Skyrim, che ha una grande mappa
esplorabile. Altri esempi includono giochi di
puzzle, in cui il generatore può generare centinaia
di esempi di puzzle risolvibili da cui la persona
sceglie quelli più interessanti.
In questi casi, la decisione di utilizzare PCG viene
presa in anticipo, ma non necessariamente dall'inizio del progetto. Un generatore di paesaggi
per titoli RPG deve solo creare alcuni progetti approssimativi, con i dettagli importanti con
cui il giocatore interagisce inseriti in un secondo momento. Per questo motivo, la tempistica
del progetto è più prevedibile e il suo utilizzo ha breve durata.
3.1.3 Modale
Alcuni giochi si basano poco su PCG, ma hanno una
modalità di gioco particolare che fa uso di contenuti
generati proceduralmente. Questa è talvolta chiamata
"modalità infinita" ed è un contenuto secondario del
gioco principale che talvolta si discosta dalla trama.
Gli esempi includono l' ”Antica Grotta” in Lufia II e
le mappe procedurali in Rust.
Poiché si tratta di una modalità separata, questa può
essere creata più avanti nel processo di sviluppo,
magari rilasciate come contenuto scaricabile (DLC)
dopo il rilascio iniziale del gioco. Può anche essere
qualcosa che la community di modding del gioco
produce, se il titolo ne consente la possibilità.
Una modalità procedurale che imita il gioco
principale potrebbe però rivelarsi meno dispendiosa in termini di risorse da sviluppare,
poiché il team di designer ha già una chiara visione di come dovrebbe apparire il prodotto
finale e di come funzioneranno le meccaniche in quell ambiente, e parecchie risorse di gioco
saranno già sistemate. Tuttavia, questo tende anche a limitare il potenziale di contenuti
interessanti e innovativi, portando a contenuti più casuali che procedurali.
19
3.1.4 Segmentato
Alcune parti del gioco possono essere separate dal resto e far uso del PCG. Un gioco lineare,
realizzato “a mano”, può comunque avere musica procedurale, per esempio. Un determinato
effetto grafico può avere delle personalizzazioni randomiche interessanti o un ambiente può
avere delle speciali regole procedurali.
Questi elementi individuali del gioco possono variare nello scopo, ma tendono ad essere
separati dal resto del contenuto in quanto, in caso di problemi durante l’implementazione,
possono venire rimossi e sostituiti con contenuti creati a mano.
3.2 Quando non è necessario utilizzare contenuto procedurale

Per quanto possa essere uno strumento utile e dalle mille possibilità il PCG può rivelarsi
complicato da usare e implementare per vari motivi, siano essi legati alla qualità del prodotto
finito, una decisione della direzione artistica, che vuole un prodotto quanto più autoriale
possibile, oppure il sovrautilizzo del termine e meccanica. in questo sottocapitolo
sviscereremo, nel dettaglio, quando l’utilizzo del PCG non è necessario.
3.2.1 Qualità del contenuto

Uno sbarramento noto nell’uso dei contenuti procedurali in prodotti mainstream, in
particolare titoli AAA, è il controllo qualità (QA). Un gioco generato proceduralmente non è
garantito che funzioni come previsto il 100% delle volte e non è realistico che i tester
debbano controllare ogni singola iterazione del codice alla ricerca di bug che si potrebbero
presentare solo a gioco rilasciato. Spesso capita che i project manager selezionino solo ciò
che viene prodotto a discapito del codice poiché il rischio di non aver il totale controllo sul
gioco è troppo grande.
Un campo del PCG che tende a superare i controlli QA è la parte che si occupa della
creazione casuale di aree, come nel caso della serie di Diablo. ma solitamente produce
contenuti e pattern che alla lunga si ripetono e che il giocatore esperto può identificare.
Facendo ciò il gioco diventa, alla lunga, ripetitivo.
La preoccupazione per il QA è uno dei motivi per cui vediamo la maggior parte della
sperimentazione in questo campo da parte di sviluppatori indipendenti. Gli studi indie game
spesso non hanno nessuno a cui riferire, poca reputazione da sacrificare e sono più disposti a
correre dei rischi, ma spesso sono anche quelli con meno risorse e tempo per costruire sistemi
ben vincolati o script di test automatizzati.
3.2.2 Esperienza Autoriale

In molti giochi la volontà del designer è quella di
produrre un’esperienza altamente artistica e
riconoscibile, ciò è notabile maggiormente nei
contenuti in cui la storia ha un ruolo fondamentale.
Questi tipi di giochi non beneficiano molto del PCG e,
anzi, potrebbero venir danneggiati da esso
nell’eventualità che il generatore non si comporti
come dovrebbe. Un altro esempio in cui questa tecnica
20
è inadatta si presenta nei giochi in cui al giocatore è richiesto di ripetere il livello in caso di
morte, come ad esempio Super Mario o Super Meat Boy.
3.2.3 Scomodità
Il controllo del bilanciamento del gioco è un altro punto debole di questa tecnica, soprattutto
quando si tratta di giochi strategici real-time competitivi in multiplayer in cui le risorse
disponibili e le posizioni di inizio devono essere quanto più bilanciate possibili poiché una
piccola differenza di equilibrio in un generatore può dare a una parte un vantaggio sufficiente
per vincere molto più spesso a una parte e penalizzare l’altra. Questo, nei giochi con un
pubblico altamente competitivo, è inaccettabile. Lo squilibrio può essere mitigato disponendo
di mappe simmetriche, ma questo non è sempre desiderato per ragioni estetiche o di altro
tipo.
3.2.4 Eccessiva dipendenza da PCG

il PCG è diventato un termine comune nella progettazione di giochi e persino nel marketing
dei giochi, con i giochi che pubblicizzano gli immensi spazi di possibilità che offrono. Ma
non può assolutamente essere una stampella su cui si basa esclusivamente il gioco. La pura
varietà, anche quella ben progettata, non è sufficiente se non si hanno le meccaniche e le
interazioni di base per far divertire il giocatore con ciò che viene offerto.
No Man's Sky in particolare ha ricevuto critiche per aver promesso "ogni atomo procedurale"
ma alla fine non è stato all'altezza, facendo sì che alcuni lo accusano di un gameplay
superficiale, nonostante un universo enorme e bellissimo. Non si dovrebbe fare affidamento
sui contenuti procedurali per rendere i giochi speciali e gli sviluppatori non dovrebbero
perdere di vista l'esperienza di gioco di base.
3.3 Ragioni di impiego

Per concludere questa parentesi sul contenuto
generato proceduralmente, dopo aver parlato
delle modalità d’impiego e le situazioni in cui
non è necessario l’uso, discuteremo delle
situazioni in cui la scelta di includere questo
tipo di processo può portare, per ragioni
puramente utilitaristiche o alla
sperimentazione, all’utilizzo del PCG.
Partendo dal lato pratico dell’utilizzo di contenuto generato randomicamente abbiamo il

risparmio di tempo poiché, con il PCG, gli sviluppatori possono produrre grandi quantità di
contenuto molto più velocemente che con un processo manuale. Molti giochi con ambienti
estesi, come Skyrim, fanno affidamento su questo per generare i loro mondi, anche se in
seguito i dettagli sono raffinati a mano. I due processi principali coinvolgono la generazione
del mondo procedurale seguita da polish, o la generazione del mondo manuale seguita
dall'utilizzo di strumenti procedurali per generare contenuti vari . Inoltre la facilità con cui,
21
aggiustando i parametri, un generatore può produrre molte istanze di contenuti simili ma

diversi. I giochi roguelike e di ispirazione roguelike, in particolare, ne fanno uso per produrre
un gameplay, altrimenti difficile da ottenere a mano, altamente rigiocabile. Poiché produrre
manualmente una quantità di contenuti sufficientemente varia da soddisfare migliaia di
istanze non solo è complicato ma dispendioso in termini di tempo. Come tutti i codici anche
quelli di PCG sono riutilizzabili. Un generatore di paesaggi desertici di un gioco può avere
alcune variabili ottimizzate per produrre montagne ghiacciate in un altro. Gli elementi
modulari dei generatori possono essere scambiati tra le applicazioni, un effetto visivo può
essere copiato da uno strumento di elaborazione delle immagini a uno strumento che produce
un effetto finale completamente diverso, ma si basa ancora sullo stesso livello.
Il PCG estende il regno delle possibilità a

scale oltre la concezione delle nostre menti
limitate. Questo tipo di potenziale può
essere di primaria importanza per piccoli
team con grandi ambizioni che vogliono
superare i limiti tecnici. Basti pensare che,
all'inizio della storia dei videogiochi, le
tecniche PCG venivano utilizzate per
produrre livelli di contenuto impossibili da
memorizzare sui media dell'epoca.
Frontier: Elite II aveva un'intera galassia
di stelle e pianeti archiviata su un floppy disk da 720 KB, più piccolo di una singola texture
di un moderno gioco 3D. Al giorno d'oggi, ci sono sfide demo per produrre contenuti
interessanti. Questo può sembrare inutile con l'hardware informatico moderno, ma potrebbe
rivelarsi un grande potenziale nell'uso di dispositivi portatili e altri hardware emergenti.
Parlando della parte «sentimentale» che può spingere all’utilizzo di contenuto randomico
abbiamo un desiderio di rendere unica l’esperienza di gioco, la generazione di contenuti
procedurali offre il potenziale per offrire a ogni utente un'esperienza unica. Un brano
musicale che nessuno ha mai sentito prima . Una sfida di gioco che solo loro sperimenteranno
e nessun altro oppure un assaggio di infinito che risalta l'esperienza in modi che il contenuto
statico non può raggiungere. La generazione di contenuti procedurali reattivi può renderli
personalizzati per l'utente, producendo un'esperienza unica. Con un mezzo interattivo come il
gioco, questo è immensamente potente e rende l'esperienza di gioco più memorabile per il
giocatore e di cui vale la pena parlarne con gli altri.
Estendendo il discorso sulle esperienze uniche i giochi rigiocabili sono l'inizio di come il
PCG può aprire la strada a nuovi tipi di gioco. Ciò offre al giocatore una nuova forma di
gioco attraverso la manipolazione delle tecniche PCG. Il giocatore deve interiorizzare il
comportamento degli automi cellulari per controllare lo sciame e superare le sfide del gioco.
Un aspetto che rende interessante il PCG è l'imprevedibilità, anche il designer non sa cosa
aspettarsi dai generatori che crea. Questo può generare preoccupazione, soprattutto a livello
22
di Quality Assurance, ma per un creativo è un'opportunità per sperimentare e creare sistemi

reattivi alle azioni del giocatore. Incendi, inondazioni, lava, sistemi meteorologici,
popolazioni, civiltà, malattie, culture, vita a tutti i livelli. I contenuti disegnati a mano, in
questi casi, appaiono ripetitivi se confrontati con un sistema procedurale selvaggio e
mutevole. Alcune tecniche, come il processo decisionale basato sul vicino, sono prodigiose
nel produrre effetti complessi e mutevoli su larga scala. Questi sembrano reali perché, spesso,
seguono schemi simili a quelli che esistono nel mondo reale. I risultati raggiungibili dal PCG
possono essere singolari. Possono creare cose a cui nessun essere umano potrebbe mai
pensare, da livelli insoliti ad animazioni irreali. YouTube è inondato di registrazioni di
animazioni procedurali buggate nei giochi 3D.
23
CAPITOLO 4 - Altri utilizzi

Le nuove frontiere dell’applicazione AI nel mondo dell’arte portano a indagare sia sulla sua
possibile utilità, sia sul ruolo dell’artista al cospetto dei computer. Quando Martin Heidegger
scrisse “Sull’origine dell’opera d’arte” egli parlava di processo creativo che andava ad unire
tradizione e innovazione e di certo non immaginava che il creatore dell’opera d’arte potesse
essere una macchina in grado di elaborare autonomamente un array di dati finalizzati alla
creazione di un prodotto considerabile artistico.
Ora come ora si potrebbe dire di essere arrivati ad un nuovo stato dell’arte in cui il peso del
fattore umano viene messo in discussione quando messo dinanzi ad una macchina. Per quanto
concerne l’applicazione di algoritmi e AI nel mondo della fruizione, catalogazione e mercato
dell’arte – si parla di strumenti sicuramente di grande utilità.
4.1 Deepdream
DeepDream è uno dei primi software di intelligenza artificiale progettato specificamente per
scopi artistici. È stata sviluppata nel 2014 da Google, ed è in grado di elaborare le immagini
che le vengono date in pasto e ricrearle con uno stile che appare onirico.
Nello specifico rielabora le immagini cercando al loro interno forme già note mettendole in
risalto per esempio, se “vede” dei pesci in un’immagine in cui di pesci non ce ne sono essa
forza l’accrescimento della similitudine tra ciò che è realmente presente nell’immagine e ciò
che invece l’algoritmo vuole vedere. Questo processo può essere considerato l’equivalente
digitale della pareidolia ovvero l’illusione che porta l’essere umano a ricondurre a forme note
ciò che invece ha una forma casuale. Questo fenomeno si presenta ogni volta che
riconosciamo immagini di qualunque tipo nelle nuvole, che individuiamo un volto nei segni
del legno o un paesaggio nelle trame di un pezzo di marmo.
Questa caratteristica è particolarmente sviluppata nei più piccoli, che la perfezionano

attraverso il gioco, da qui la famosa osservazione di Picasso secondo cui ogni bambino è un
artista. Seguendo questo ragionamento, per assurdo, si potrebbe dire che anche le intelligenze
artificiali sono diventate delle artiste. Il tema è complesso ed è oggetto di un’animata
discussione da quando l’opera intitolata Ritratto di Edmond de Belamy del collettivo Obvious
è stata venduta nel 2018 a un’asta di Christie’s per 432.500$. Ciò che distingue quest’opera
da un dipinto d’epoca è la mancanza di buona parte dei tratti distintivi del volto nonostante il
protagonista sia vestito in abiti storici e lo stile pittorico sia tipico del tempo. Ciò conferisce
all’immagine un'aura inquietante e un aspetto piuttosto contemporaneo. Come detto poco
sopra quest’opera non è stata però frutto di un essere umano ma di un’intelligenza artificiale
che ha apposto come firma la parte iniziale del codice del suo algoritmo.
Il software impiegato da Obvious è una GAN (generative adversarial network). Come

anticipato nel capitolo 2.1.1 parlare di un singolo algoritmo sarebbe scorretto perché
all’interno di essa vengono utilizzati due sistemi di deep learning in competizione tra loro.
24
4.2 Il caso del Ritratto di Edmond de Belamy

Il Ritratto di Edmond de Belamy che, in seguito all’asta di Christie’s, ha attirato l’attenzione
dei media sulle potenzialità delle GAN, scatenando
discussioni sulla nascita dell’arte dell’intelligenza
artificiale. Definire così questo ritratto sarebbe
un’esagerazione siccome il collettivo dietro a quest'opera
ha lasciato poca libertà all'algoritmo fornendogli circa 14
mila immagini, un numero esiguo, se si considerano gli
standard di altre reti neurali.
Si potrebbe alzare l'obiezione secondo cui il risultato

finale dell'algoritmo, benché addestrato per dare un certo
risultato, sia un esito scontato di un database per nulla
vario e non è il risultato di un lavoro creativo e almeno
parzialmente autonomo.
Sarebbe come dare in pasto a una IA tutti i quadri del periodo costruttivista di Cézanne e poi
stupirsi perché l’immagine creata ricorda un Cézanne del periodo costruttivista e non sia
originale. In questo caso, però, più che parlare di arte si parla di imitazione, o mimesi, che
secondo Platone e Aristotele è il principale metodo di apprendimento impiegato dal genere
umano nel corso della storia, da qui ci si ricollega all'affermazione di Picasso.
L’elevata quotazione del Ritratto di Edmond de Belamy è legata esclusivamente alla novità.
Tutte le persone che si occupano di arte computazionale hanno giudicato quel lavoro poco
interessante dato che il dataset era troppo ristretto e limitato. È facile fornire ad un sistema
dei ritratti di un certo tipo e poi avere come risultato qualcosa di simile.
4.2.1 Mario Klingemann: Memories of Passersby I
All’altro estremo dello spettro dell’arte dell’intelligenza

artificiale si colloca invece Mario Klingemann, autore di
svariate opere create con la GAN tra cui la nota Memories
of Passersby I: una console di legno realizzata a mano al
cui interno si trova il cervello dell’intelligenza artificiale
che crea, in continuazione e in tempo reale, volti maschili
e femminili sempre nuovi e in costante mutazione,
riprodotti su due schermi. Klingemann non solo
sperimenta le applicazioni della GAN in campo artistico,
ma utilizza per l’addestramento un database molto più
variegato, introducendo così una significativa
imprevedibilità nel processo generativo.
25
Per sviluppare Memories of Passersby I, Klingemann ha addestrato il suo modello di

intelligenza artificiale utilizzando dei ritratti dal XVII al XIX secolo.
Per accelerare il processo di apprendimento e insegnare alla macchina le proprie preferenze
estetiche, influenzate da figure surrealiste come Max Ernst, ha creato un'applicazione simile a
Tinder.
Di conseguenza, Memories of Passersby I presenta inquietanti interpretazioni del volto

umano, esempi generati dall'intelligenza artificiale di ciò che André Breton chiamava
"bellezza convulsa". A volte le immagini si fondono in composizioni astratte di pixel mentre
la macchina fatica a creare un nuovo ritratto.
4.3 Deepfake
I deepfake sono media sintetici in cui una persona in un'immagine o un video esistente viene
sostituita con le sembianze di qualcun altro. Sebbene l'atto di creare contenuti falsi non sia
nuovo, i deepfake sfruttano potenti tecniche di apprendimento automatico e intelligenza
artificiale per manipolare o generare contenuti visivi e audio che possono ingannare più
facilmente.
I principali metodi di algoritmi utilizzati per creare deepfake si basano sul deep learning e
implicano l'addestramento di architetture di reti neurali generative, come gli autoencoder o le
reti generative avversarie (GAN).
I deepfake hanno raccolto un'attenzione diffusa per il loro potenziale utilizzo nella creazione
di contenuti NSFW, notizie false, bufale, bullismo e frodi finanziarie. Ciò ha suscitato
risposte sia da parte dell'industria che del governo per rilevarne e limitarne l'uso.
Dall'intrattenimento tradizionale al gioco, la tecnologia deepfake si è evoluta per essere
sempre più convincente e disponibile al pubblico, consentendo lo sconvolgimento delle
industrie dell'intrattenimento e dei media.
4.3.1 Approcci delle scienze sociali e umanistiche ai deepfake
Negli studi di filmografia, i deepfake dimostrano come il volto umano stia emergendo come
oggetto centrale nell'era digitale. I videoartisti hanno a più riprese utilizzato i deepfake per
riscrivere la storia del cinema adattando il cinema canonico con nuovi interpreti famosi.
Christopher Holliday analizza come il cambio di sesso ed etina degli attori nelle scene di film
familiari destabilizzi le classificazioni e le categorie di genere.
L'idea di "queering" dei deepfake è anche discussa da Oliver M. Gingrich quando parla delle
opere d'arte multimediali che utilizzano i deepfake per riformulare il genere, un esempio tra
tanti Zizi: Queering the Dataset dell'artista britannico Jake Elwes che mira ad affrontare la
mancanza di rappresentazione e diversità nei dataset di addestramento spesso utilizzati dai
sistemi di riconoscimento facciale. Il video finale è stato realizzato sconvolgendo questi
sistemi e riaddestrandoli con l'aggiunta di immagini di volti drag e genderfluid trovati online.
26
Ciò fa sì che i pesi all'interno della rete neurale si spostino dalle identità normative su cui era
stata originariamente addestrata e in uno spazio di queerness.
Quest’opera consente di sbirciare all'interno del sistema di apprendimento automatico e

visualizzare ciò che la rete neurale ha imparato. Il lavoro è una celebrazione della differenza e
dell'ambiguità, che ci invita a riflettere sui pregiudizi nella nostra società guidata dai dati.
Nel corso degli anni gli esperti del settore hanno discusso dell'etica dei deepfake, soprattutto
in relazione all’ambito dei contenuti per adulti. Emily van der Nagel attinge alla ricerca negli
studi fotografici sulle immagini manipolate per discutere i sistemi di verifica che consentono
alle donne di acconsentire all'uso delle loro immagini.
Lo storico del teatro John Fletcher osserva che le prime dimostrazioni di deepfake sono
presentate come performance e le colloca nel contesto del teatro, parlando di alcuni dei
cambiamenti di paradigma più preoccupanti che i deepfake rappresentano come genere di
performance gli studiosi dei media hanno discusso l'etica dei deepfake soprattutto in
relazione alla pornografia. Al di là dell’ambito di creazione di contenuti per adulti, i deepfake
sono stati inquadrati come una minaccia per la conoscenza e quindi alla società.
4.3.2 Video Rewrite: modifiche a foto e video
Uno dei primi progetti di riferimento è stato il programma Video Rewrite, pubblicato nel
1997, che modificava le riprese video di una persona che parlava per raffigurare quella
persona che pronunciava le parole contenute in una traccia audio diversa. Questo è stato il
primo sistema ad automatizzare completamente questo tipo di rianimazione facciale, e lo ha
fatto utilizzando tecniche di apprendimento automatico per creare collegamenti tra i suoni
prodotti dal soggetto di un video e la forma del volto del soggetto.
I progetti accademici contemporanei si sono concentrati sulla creazione di video più realistici
e sul miglioramento delle tecniche preesistenti. Il programma "Synthesizing Obama",
pubblicato nel 2017, modifica le riprese video dell'ex presidente Barack Obama per ritrarlo
mentre pronuncia le parole contenute in una traccia audio separata. Il progetto elenca come
principale contributo ill programma Face2Face, pubblicato nel 2016, modifica le riprese
video del volto di una persona per raffigurarle mentre imitano le espressioni facciali di
un'altra persona in tempo reale.
Nel settembre 2019 i ricercatori hanno presentato il paper CT-GAN: Malicious Tampering of
3D Medical Imagery using Deep Learning in cui hanno dimostrato che i deepfake si stanno
espandendo in altri campi come la manomissione delle immagini mediche. In questo lavoro, è
stato mostrato come un utente malintenzionato può inserire o rimuovere automaticamente un
cancro ai polmoni nella scansione di un paziente. Il risultato è stato così convincente che ha
ingannato tre radiologi e un'intelligenza artificiale per il rilevamento del cancro ai polmoni.
27
4.3.3 Sviluppi commerciali
Nel gennaio 2018 è stata lanciata un'applicazione desktop chiamata FakeApp. Questa app
consentiva agli utenti di creare e condividere facilmente video con i loro volti scambiati tra
loro. A partire dal 2019, FakeApp è stata sostituita da alternative open source come
Faceswap, DeepFaceLab.
A partire dal 2019, la società giapponese di intelligenza artificiale DataGrid ha realizzato un

deepfake che può creare una persona da zero con le intenzioni di usarli per la moda e
l'abbigliamento. A partire dal 2020 esistono anche deepfake audio e software AI in grado di
rilevare deepfake e clonare voci umane dopo pochi secondi d’ascolto. Un'app mobile
deepfake, Impressions, è stata lanciata nel marzo 2020. È stata la prima app per la creazione
di video deepfake di celebrità da telefoni cellulari.
La tecnologia Deepfakes può essere utilizzata non solo per fabbricare messaggi e azioni di
altri, ma può anche essere utilizzata per far rivivere persone decedute. Il 29 ottobre 2020,
Kim Kardashian ha pubblicato un video del suo defunto padre Robert Kardashian; il volto nel
video di Robert Kardashian è stato creato con la tecnologia deepfake. Questo ologramma è
stato creato dalla società Kaleida, dove utilizza una combinazione di prestazioni,
tracciamento del movimento, SFX, VFX e tecnologie DeepFake nella creazione
dell'ologramma.
Nel 2020, Joaquin Oliver, vittima della sparatoria a Parkland, è stato resuscitato con la
tecnologia deepfake. I genitori di Oliver hanno collaborato per conto della loro
organizzazione non profit Change the Ref, con McCann Health per produrre questo video
deepfake a sostegno della campagna di voto sulla sicurezza delle armi. In questo messaggio
deepfake, mostra Joaquin che incoraggia gli spettatori a votare.
4.4 Uncanny valley effect

Uncanny valley (traducibile in: “la zona
perturbante” o “valle perturbante”) è
frutto di una ricerca presentata dallo
studioso di robotica Masahiro Mori nel
1970.
Egli analizza la sensazione di familiarità

e di piacevolezza sperimentata da un
campione di persone nei confronti di
robot e automi antropomorfi e di come
cambi quanto più essi assomigliano alla
figura umana al punto che, quando è
presente un eccessivo realismo, produce
un repentino calo delle reazioni emotive
28
positive destando sensazioni spiacevoli come repulsione e inquietudine.
4.4.1 Nei Media
Il film del 2001 “Final Fantasy: The Spirits Within”, prodotto dagli Square studios, fu il
primo lungometraggio fotorealistico animato al computer. Il critico del Guardian, Peter
Bradshaw, affermò che, nonostante l’animazione brillante, “i volti umani solennemente
realistici sembrano un telefono urlante proprio perché sono quasi arrivati ma non del tutto",
questa critica si pose perfettamente nell’ottica delle opinioni degli spettatori che hanno
espresso nei confronti dei personaggi esterni.
lo stesso scenario si ripresenta nel film d’animazione “The Polar Express” del 2004 quando la
critica ha definito il film inquietante. Il recensore della CNN Paul Clinton scrisse: "Quei
personaggi umani nel film sembrano decisamente... beh, inquietanti. Quindi The Polar
Express è nel migliore dei casi sconcertante e, nel peggiore dei casi, un po' orribile" il termine
“inquietante” è stato usato anche da altri critici. Il direttore dell'animazione, Ward Jenkins,
ha scritto un'analisi che descrive come alcuni cambiamenti nell'aspetto dei personaggi di
Polar Express, in particolare dei loro occhi e delle sopracciglia, avrebbero potuto evitare
quella che considerava una sensazione di morte nei loro volti.
4.4.2 Come evitare l’uncanny valley
Per evitare l’effetto dell’uncanny valley nel corso del tempo sono stati proposti vari metodi di
progettazione, alcuni dei quali indicati di seguito
- Gli elementi di design dovrebbero corrispondere al realismo umano. Un robot può

sembrare inquietante quando si mescolano elementi umani e non. Ad esempio, sia un
robot con una voce sintetica che un essere umano con una voce umana si sono rivelati
meno inquietanti di un robot con una voce umana o di un essere umano con una voce
sintetica. Affinché un robot dia un'impressione più positiva, il suo grado di realismo
umano dovrebbe corrispondere anche nel comportamento.
- Ridurre il conflitto e l'incertezza abbinando

aspetto, comportamento e abilità. In termini di
prestazioni, se un robot sembra troppo simile a
un elettrodomestico, le persone si aspettano
poco da esso; similmente se sembra troppo
umano, le persone si aspettano troppo da esso.
Un aspetto altamente umano porta
all'aspettativa che siano presenti determinati
comportamenti, come dinamiche di movimento
simili a quelle umane. Questo meccanismo
probabilmente opera a livello subconscio e può avere una base biologica. I
neuroscienziati hanno notato che "quando le aspettative del cervello non vengono
29
soddisfatte, il cervello... genera un 'errore di previsione'. Man mano che agenti artificiali
simili a quelli umani diventano più comuni, forse i nostri sistemi percettivi vengono
risintonizzati per accogliere questi nuovi partner sociali. O forse decideremo che creare
robot a nostra immagine e somiglianza non è una buona idea
- Le proporzioni del viso umano e la trama fotorealistica dovrebbero essere usate in

sincrono. Una trama umana fotorealistica richiede proporzioni facciali umane, o il
personaggio generato dal computer può cadere nell’uncanny valley. Proporzioni facciali
anormali, comprese quelle tipicamente utilizzate dagli artisti per migliorare l'attrattiva
(ad esempio, occhi più grandi), possono sembrare inquietanti con una trama umana
fotorealistica.
4.5 Artstation’s Controversy

Sempre nel campo dell’arte è interessante citare il caso di Artstation, nota piattaforma di
portfoli online, che a fine 2022 è stata travolta da una crescente ondata di proteste da parte
degli artisti digitali che chiedevano ad Artstation di rimuovere dal sito i contenuti generati
dall'IA, sollevando preoccupazioni sul fatto che i contenuti generati dall'IA svalutassero il
lavoro dietro le opere create dall'uomo.
Gli artisti affermano che le immagini prodotte dall'intelligenza artificiale sono spesso di
scarsa qualità e non riflettono le capacità degli artisti umani. Sostengono inoltre che i
contenuti generati dall'intelligenza artificiale possono essere utilizzati ingiustamente per
aumentare il coinvolgimento con una particolare opera d'arte, creando un falso senso di
popolarità.
Nonostante l’ondata di proteste, i proprietari della piattaforma non hanno condiviso lo stesso
sentimento degli utenti limitandosi ad inserire un “tag” con cui gli artisti potranno segnalare il
divieto all’utilizzo delle loro opere nei modelli di addestramento delle IA. Al momento, però,
le opere generate dall’IA continuano ad essere presenti in prima pagina.
30
CAPITOLO 5 - CONCLUSIONI
31
APPENDICE
IA: intelligenza artificiale NPC: non-player character OPEN WORLD: MAPPATURA
LIDAR: La mappatura Lidar (Laser Imaging Detection and Rangin) è una tecnologia di
misurazione del terreno che utilizza la riflessione laser per sviluppare un’accurata
modellazione della superficie.
DEEP LEARNING: il deep learning è una tecnica di apprendimento in cui si espongono reti
neurali artificiali a vaste quantità di dati, in modo che possano imparare a svolgere i compiti
più disparati.
MACHINE LEARNING: Il Machine Learning (ML) è un sottoinsieme dell'intelligenza

artificiale (AI) che si occupa di creare sistemi che apprendono o migliorano le performance in
base ai dati che utilizzano che richiede l’assistenza di una persona.
BETA TESTER: I beta tester esaminano a fondo i prodotti per assicurarsi che siano privi di
bug, problemi tecnici e altri errori. Sono anche conosciuti come Game Tester.
DEBUGGING: In informatica, la ricerca e la correzione degli errori di funzionamento di un

sistema o di un programma.
QA (QUALITY ASSURANCE) : controllo qualità
DEEPFAKE: una registrazione video o audio che sostituisce il viso o la voce di qualcuno
con quello di qualcun altro, in un modo che sembra reale
PCG: contenuto generato proceduralmente, ovvero tramite algoritmi e dataset.
CHRISTIE’S: casa d’aste rinomata
AUTOENCODER: è un tipo di rete neurale artificiale utilizzata per apprendere codifiche

efficienti di dati senza etichetta (apprendimento non supervisionato). L'autocodificatore
apprende una rappresentazione tramite un insieme di dati e viene addestrata dalla rete a
ignorare i dati insignificanti (chiamati "rumore").
AGENTE: è una qualunque entità in grado di percepire l'ambiente che lo circonda attraverso
dei sensori e di eseguire delle azioni attraverso degli attuatori
NSFW: abbreviazione di "not safe for work", viene utilizzata quando si condivide su Internet
materiale che dovrebbe essere guardato solo in privato perché contiene contenuti che
potrebbero essere offensivi o sensibili. (fonte
https://dictionary.cambridge.org/dictionary/english/nsfw )
32
BIBLIOGRAFIA E SITOGRAFIA
Seidel, Berente, Lindberg, Lyytinen, Martinez , & Nickerson . (2020, November 9). A
Framework for the New Logic of Autonomous Design: A Framework for the New Logic of
Autonomous Design — Journal of Digital Social Research. Journal of Digital Social
Research.
Paglen, Crawford, Joler, Pasquinelli, Brunton, Nissenbaum, Weizman, Iaconesi, Persico,

Manovich, Crespo, & McCormick. (2021, February). AI &CONFLICTS VOLUME 1
(D’Abbraccio & Facchetti, Eds.; Rattalino, Trans.; pp. 001–224). KRISIS
Russell, S., & Norvig, P. (2016, September 10). Artificial Intelligence: a Modern Approach.
Pearson Education.
Pasquinelli. (2019). HOW A MACHINE LEARNS AND FAILS – A GRAMMAR OF

ERROR FOR ARTIFICIAL INTELLIGENCE. Spheres for Digital Cultures, 1–17.
van der Kolk Álvarez. (2021, July 16). Deep Learning Techniques Applied to Videogames.
Raúl Montoliu Colás.
Floridi. (2022). The Ethics of Artificial Intelligence. Principles, Challenges and Opportunities
(Durante, Trans.). Raffaello Cortina Editore.
Pasquinelli. (2017). Machines that Morph Logic: Neural Networks and the Distorted
Automation of Intelligence as Statistical Inference. Glass Bead, 1: “Logic Gate: The Politics
of the Artifactual Mind.” Retrieved September 27, 2022, from
https://www.glass-bead.org/article/960
Yannakakis. (2012, May 15). Game AI Revisited. Center for Computer Games Research IT
University of Copenhagen.
Ram, Ontanon, & Mehta. (2007). Artificial Intelligence for Adaptive Computer Games.
Twentieth International FLAIRS Conference on Artificial Intelligence (FLAIRS-2007),
AAAI Press. Retrieved September 27, 2022, from
https://www.aaai.org/Papers/FLAIRS/2007/Flairs07-007.pdf
anonymous. (2022). Video game development. Wikipedia. Retrieved September 28, 2022,
from https://en.wikipedia.org/wiki/Video_game_development
unkown. (2020). Che cos’è la mappatura LIDAR? Spiegato. Retrieved September 29, 2022,
from https://spiegato.com/che-cose-la-mappatura-lidar
SABADIN. (2017, September 13). Deep Blue vs. Kasparov scacco matto all’intelligenza
umana - La Stampa.
33
anonymous. (2020, December 20). L’intelligenza artificiale e il suo impiego nell’ambito dello
sviluppo dei videogiochi. Digital Bros Game Academy. Retrieved October 1, 2022, from
https://dbgameacademy.it/lintelligenza-artificiale-e-il-suo-impiego-nellambito-dello-sviluppo
-dei-videogiochi/?gclid=Cj0KCQjwyt-ZBhCNARIsAKH1177Z4hE9XdM9Bfyw7cyaUif1eP
ZKlE-4m-1BYvw%20ONDKDuBvF-FuV7hwaAgaMEALw_wcB
Seidel, Berente, Lindberg, Lyytinen, Martinez , & Nickerson . (2020, November 9). Artificial
Intelligence and Video Game Creation: A Framework for the New Logic of Autonomous
Design — Journal of Digital Social Research. Journal of Digital Social Research. Retrieved
September 26, 2022.
Paglen, Crawford, Joler, Pasquinelli, Brunton, Nissenbaum, Weizman, Iaconesi, Persico,

Manovich, Crespo, & McCormick. (2021, February). AI &CONFLICTS VOLUME 1
(D’Abbraccio & Facchetti, Eds.; Rattalino, Trans.; pp. 001–224). KRISIS.
Russell, S., & Norvig, P. (2016, September 10). Artificial Intelligence: a Modern Approach.
Pearson Education.
Pasquinelli. (2019). HOW A MACHINE LEARNS AND FAILS – A GRAMMAR OF

ERROR FOR ARTIFICIAL INTELLIGENCE. Spheres for Digital Cultures, 1–17.
Mirsky, & Mahler. (2019, August 14). CT-GAN: Malicious Tampering of 3D Medical
Imagery using Deep Learning. USENIX. Retrieved November 17, 2022, from
https://www.usenix.org/conference/usenixsecurity19/presentation/mirsky
Mirsky, Y., & Lee, W. (2022, January 31). The Creation and Detection of Deepfakes. ACM
Computing Surveys, 54(1), 1–41. https://doi.org/10.1145/3425780
Poli. (2018, August 30). Christie’s mette all’asta Ritratto di Edmond Belamy, opera dipinta da
un’Intelligenza Artificiale. Artribune. Retrieved October 17, 2022, from
https://www.artribune.com/dal-mondo/2018/08/christies-asta-ritratto-intelligenza-artificiale/
FIORDALISI. (2018, November 8). Ritratto di Edmond Belamy: così l’arte sfrutta gli
algoritmi. Pantografo Magazine. Retrieved October 17, 2022, from
https://www.pantografomagazine.com/arte-algoritmi/
Togelius, Yannakakis, Stanley, & Browne. (2011, September 3). Search-Based Procedural
Content Generation: A Taxonomy and Survey. IEEE TRANSACTIONS ON
COMPUTATIONAL INTELLIGENCE AND AI IN GAMES, VOL. 3, NO, 172–185.
unknown. (2022, September 25). DeepDream. Wikipedia. Retrieved October 17, 2022, from
https://en.wikipedia.org/wiki/DeepDream
OpenAI. (2022). Timeline. OpenAI. Retrieved October 8, 2022, from

https://openai.com/timeline/
34
OpenAI. (2019, April 15). OpenAI Five Defeats Dota 2 World Champions. OpenAI.
Retrieved October 8, 2022, from
https://openai.com/blog/openai-five-defeats-dota-2-world-champions/
unkown. (1997, January 1). Video Rewrite, Origins of Deepfakes : History of Information.
Video Rewrite, Origins of Deepfakes : History of Information. Retrieved January 20, 2023,
from https://www.historyofinformation.com/detail.php?id=4792
The Perfect Organism: The AI of Alien: Isolation. (2017, October 31). Game Developer.
https://www.gamedeveloper.com/design/the-perfect-organism-the-ai-of-alien-isolation
Close. (2021, May 17). The Perfect Organism: 7 Terrifyingly Amazing Facts About Alien
Isolation’s AI. The Gamer. Retrieved February 23, 2023, from
https://www.thegamer.com/alien-isolations-ai-trivia/
How does the Xenomorph work in Alien: Isolation. (2020, April 19). LFG? Join Our
Amazing Gaming Community.
https://2game.com/community/how-does-the-xenomorph-work-in-alien-isolation/
35
RINGRAZIAMENTI
36

Intelligenza Artificiale Nei Videogiochi - Uno Strumento Dalle Diverse Potenzialità Artistiche

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Intelligenza Artificiale Nei Videogiochi - Uno Strumento Dalle Diverse Potenzialità Artistiche

Caricato da

Copyright:

Formati disponibili

Intelligenza Artificiale e contenuto procedurale

nei videogiochi: uno strumento dalle diverse

CAPITOLO 2 - Intelligenza artificiale, Machine learning e Deep learning 11

3.3 Ragioni di impiego 21

CAPITOLO 4 - Altri utilizzi 24

CAPITOLO 1 - Algoritmi per lo sviluppo di NPC e ambienti, come

1.1 I vantaggi dell’intelligenza artificiale nei videogiochi

Gli NPC, ad esempio, grazie all’applicazione dell’IA

Altro elemento importante è la riproduzione di enormi

Un’altra applicazione dell’intelligenza artificiale nei videogiochi consente, infine, di tracciare

1.1 Nascondino horror con l'intelligenza artificiale di “Alien: Isolation”

È in grado di uccidere le persone in un colpo solo, corre molto velocemente ed è

Per compiere un'impresa del genere, il comportamento dell'alieno è in realtà influenzato da

giocatore con un "indicatore di minaccia". L'indicatore di minaccia misura quanto è stressato

1.2 Il futuro dell’intelligenza artificiale nei videogiochi

L’applicazione del deep learning nei videogame

Nell’immaginario comune l’applicazione dell’intelligenza artificiale al gaming è

1.3 Il rischio di un uso eccessivo dell’intelligenza artificiale

L’apparente intelligenza artificiale che viene

CAPITOLO 2 - Intelligenza artificiale, Machine learning e Deep

Limiti del test di Turing

2.1 Deep learning

2.1.1 Modalità di apprendimento per algoritmi Deep Learning

Generative Adversarial Networks (GAN)

Long Short Term Memory Networks (LSTMs)

2.1.2 DL nei videogiochi

OpenAI Five, 5 bot contro 5 giocatori

A causa della scarsa capacità di hardware e la mancanza di software in grado di computare

AlphaStar è un'intelligenza artificiale programmata sempre dai medesimi sviluppatori. A

Anche se non è direttamente collegato

Disegnando una forma astratta

2.2 Machine learning

Il machine learning (apprendimento automatico), è un’altra strada per lo sviluppo

Apprendimento non supervisionato

Apprendimento per rinforzo

2.2.3 Reinforcement Learning

CAPITOLO 3 - Possibili applicazioni nella generazione procedurale

3.1 Modalità di impiego

3.1.2 Content Editing

3.2 Quando non è necessario utilizzare contenuto procedurale

3.2.1 Qualità del contenuto

3.2.2 Esperienza Autoriale

3.2.4 Eccessiva dipendenza da PCG

3.3 Ragioni di impiego

Partendo dal lato pratico dell’utilizzo di contenuto generato randomicamente abbiamo il

aggiustando i parametri, un generatore può produrre molte istanze di contenuti simili ma

Il PCG estende il regno delle possibilità a

di Quality Assurance, ma per un creativo è un'opportunità per sperimentare e creare sistemi

CAPITOLO 4 - Altri utilizzi

Questa caratteristica è particolarmente sviluppata nei più piccoli, che la perfezionano

Il software impiegato da Obvious è una GAN (generative adversarial network). Come

4.2 Il caso del Ritratto di Edmond de Belamy

Si potrebbe alzare l'obiezione secondo cui il risultato

4.2.1 Mario Klingemann: Memories of Passersby I

All’altro estremo dello spettro dell’arte dell’intelligenza

Per sviluppare Memories of Passersby I, Klingemann ha addestrato il suo modello di

Di conseguenza, Memories of Passersby I presenta inquietanti interpretazioni del volto

4.3.1 Approcci delle scienze sociali e umanistiche ai deepfake

Quest’opera consente di sbirciare all'interno del sistema di apprendimento automatico e

4.3.2 Video Rewrite: modifiche a foto e video

4.3.3 Sviluppi commerciali

A partire dal 2019, la società giapponese di intelligenza artificiale DataGrid ha realizzato un

4.4 Uncanny valley effect