Intelligenza Artificiale Nei Videogiochi - Uno Strumento Dalle Diverse Potenzialità Artistiche 2

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
1.2 Il futuro dell’intelligenza artificiale nei videogiochi 7
1.3 Il rischio di un uso eccessivo dell’intelligenza artificiale 8
CAPITOLO 2 - Intelligenza artificiale, Machine learning e Deep learning 9

Test di Turing 10
Limiti del test di Turing 10
2.1 Deep learning 10
2.1.1 Modalità di apprendimento per algoritmi Deep Learning 11
Multilayer Perceptrons (MLPs) 11
Generative Adversarial Networks (GAN) 11
Long Short Term Memory Networks (LSTMs) 11
2.1.2 DL nei videogiochi 11
Deep Blue, intelligenza artificiale contro cervello umano nelle partite di scacchi 12
OpenAI Five, 5 bot contro 5 giocatori 12
DeepMind, AlphaGo 13
DeepMind, AlphaStar 13
NvidiaGauGan 13
2.2 Machine learning 14
Apprendimento supervisionato 14
Apprendimento non supervisionato 14
Apprendimento semi-supervisionato 14
Apprendimento per rinforzo 14
CAPITOLO 3 - Possibili applicazioni nella generazione procedurale dei contenuti e nel player
modeling 15
3.1 Modalità di impiego 15
3.1.1 Integrale 15
3.1.2 Content Editing 16
3.1.3 Modale 16
3.1.4 Segmentato 16
3.2 Quando non è necessario utilizzare contenuto procedurale 17
3.2.1 Qualità del contenuto 17
3.2.2 Esperienza Autoriale 17
3.2.3 Scomodità 17
3.2.4 Eccessiva dipendenza da PCG 18
3.3 Ragioni di impiego 18
CAPITOLO 4 - Potenzialità artistiche 20
3
4.1 Deepdream 20
4.2 La creatività dell’algoritmo 21
4.3 Il caso del Ritratto di Edmond de Belamy 21
4.4 IA Strumento o artista? 22
4.5 Deepfake 22
CAPITOLO 5 - Conclusioni 23
RINGRAZIAMENTI 24
APPENDICE 27
BIBLIOGRAFIA E SITOGRAFIA 28
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
6
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.
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.
1.2 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.
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.
7
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 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.
8
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".
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.
9
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.
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.
10
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.
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.
11
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.
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
12
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.
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
13
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
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[1] e può essere effettuato con diverse
tipologie di algoritmi, classificabili in base all'utilizzo di un modello che descriva l'ambiente, alle
14
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).
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
15
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.
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.
16
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 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.
17
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, 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
18
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 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.
19
CAPITOLO 4 - Potenzialità artistiche

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. Nel caso specifico di GAN incaricate
di creare immagini artistiche il primo algoritmo, chiamato generatore, sfrutta il database con cui è
stato addestrato per creare delle immagini originali. Il secondo, chiamato discriminatore, determina se
i risultati che gli vengono sottoposti sono stati creati dal primo algoritmo o se sono invece parte del
database. Più è accurato il lavoro del generatore, maggiori sono le possibilità di ingannare il
discriminatore.
20
4.2 La creatività dell’algoritmo

L’applicazione delle GAN fino a oggi più nota non ha però quasi nulla a che fare con l’arte, ma col
mondo dei meme. In particolare i deep fake: video e foto in cui il volto di una persona nota viene
sovrapposto in maniera quasi indistinguibile al corpo di un’altra e impiegati, per ora, per creare video
virali con false dichiarazioni di politici come Obama, Putin e altri. Un’altra applicazione che sta
prendendo piede è quella delle “persone che non esistono”, in cui un sistema di GAN crea immagini
di volti verosimili ma in realtà inventati dal nulla. Un dettaglio che accomuna tutte le immagini
generate artificialmente è la sensazione onirica che si crea poiché i software di intelligenza artificiale
devono passare attraverso un processo di apprendimento in cui la macchina non è in grado di capire la
forma e il significato di ciò che vede, di conseguenza l’IA tende a produrre cose che solo in parte
somigliano alla realtà. Le immagini create assomigliano quindi alla realtà, ma non la rappresentano.
Questo processo può essere considerato un'esplorazione della creatività che può venire impiegata
nell'addestramento di una GAN. Addestramento che ha un ruolo cruciale perché più vasto e vario è il
database a disposizione della IA più essa avrà margine creativo, allo stesso modo più è ridotto e
omogeneo minore sarà l'autonomia dell'intelligenza artificiale.
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 machine
learning 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 cinematografici, 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 e razza 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, un'opera d'arte che
utilizza i deepfake di drag queen per giocare intenzionalmente con il genere. Negli 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.
21
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 Ricerca sui deepfake
Uno dei primi progetti di riferimento è stato il programma Video Rewrite, pubblicato nel 1997, che
modificava le riprese video esistenti 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. 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 di ricerca la sua tecnica
fotorealistica per sintetizzare le forme della bocca dall'audio. Il 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.
Un sondaggio pubblicato nel maggio 2020 fornisce una cronologia di come la creazione e il
rilevamento dei deepfake siano progrediti negli ultimi anni. Il sondaggio mostra gli sforzi compiuti
dai ricercatori che si sono concentrati sulla risoluzione delle seguenti sfide della creazione di
deepfake:
- Generalizzazione: i deepfake di alta qualità si ottengono spesso allenandosi su ore di filmati

del bersaglio. Questa sfida consiste nel ridurre al minimo la quantità di dati di addestramento
richiesti per produrre immagini di qualità e consentire l'esecuzione di modelli addestrati su
nuove identità (non visibili durante l'addestramento).
- Allenamento in coppia: l'addestramento di un modello supervisionato può produrre risultati di

alta qualità, ma richiede l'associazione dei dati: Questo è il processo di ricerca di esempi di
input e dei loro output desiderati da cui il modello può apprendere. L'associazione dei dati è
laboriosa e poco pratica quando ci si allena su identità multiple e comportamenti facciali.
Alcune soluzioni includono l'addestramento auto-supervisionato (utilizzando frame dello
stesso video), l'uso di reti non accoppiate come Cycle-GAN o la manipolazione di
incorporamenti di rete.
22
- Fuga d'identità: è qui che l'identità del guidatore (cioè l'attore che controlla il volto in una
rievocazione) viene parzialmente trasferita al volto generato. Alcune soluzioni proposte
includono meccanismi di attenzione, apprendimento a pochi colpi, districamento, conversioni
di confine e connessioni saltate.
- Occlusioni: quando una parte del viso è ostruita da una mano, capelli, occhiali o qualsiasi
altro oggetto, possono verificarsi artefatti. Un'occlusione comune è una bocca chiusa che
nasconde l'interno della bocca e dei denti. Alcune soluzioni includono la segmentazione
dell'immagine durante l'addestramento e l'in-painting.
- Coerenza temporale: nei video contenenti deepfake, possono verificarsi artefatti come
sfarfallio e jitter perché la rete non ha contesto dei frame precedenti. Alcuni ricercatori
forniscono questo contesto o utilizzano nuove perdite di coerenza temporale per contribuire a
migliorare il realismo. Man mano che la tecnologia migliora, l'interferenza diminuisce.
Nel complesso, ci si aspetta che i deepfake abbiano diverse implicazioni nei media e nella società,
nella produzione dei media, nelle rappresentazioni dei media, nel pubblico dei media, nel genere, nella
legge, nella regolamentazione e nella politica.
4.3.3 Sviluppo amatoriale
Il termine deepfakes è nato verso la fine del 2017 da un utente di Reddit chiamato "deepfakes". Lui,
così come altri nella community di Reddit r/deepfakes, ha condiviso i deepfakes che hanno creato;
molti video hanno coinvolto volti di celebrità scambiati sui corpi di attrici in video pornografici,
mentre i contenuti non pornografici includevano molti video con il volto dell'attore Nicolas Cage
scambiato in vari film.
Rimangono altre comunità online, comprese le comunità Reddit che non condividono la pornografia,
come r/SFWdeepfakes (abbreviazione di "safe for work deepfakes"), in cui i membri della comunità
condividono deepfake raffiguranti celebrità, politici e altri in scenari non pornografici.
4.3.4 Sviluppi commerciali
Nel gennaio 2018 è stata lanciata un'applicazione desktop chiamata FakeApp. Questa app consente
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 basato
sulla riga di comando e app basate sul Web come DeepfakesWeb.com.
Le aziende più grandi hanno iniziato a utilizzare i deepfake. I video di formazione aziendale possono
essere creati utilizzando avatar deepfake e le loro voci, ad esempio Synthesia, che utilizza la
tecnologia deepfake con avatar per creare video personalizzati. Il gigante delle app mobili Momo ha
creato l'applicazione Zao che consente agli utenti di sovrapporre il proprio volto alla televisione e ai
filmati con una singola immagine.
A partire dal 2019, la società giapponese di intelligenza artificiale DataGrid ha realizzato un deepfake
completo che potrebbe creare una persona da zero. Intendono 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
23
voci umane dopo 5 secondi di 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 non può essere utilizzata 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 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 della GAN, scatenando discussioni sulla nascita dell’arte dell’intelligenza
artificiale. Definire così questo ritratto sarebbe senza
dubbio un’esagerazione siccome il collettivo di artisti
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, tutte
fortemente simili tra loro.
Si potrebbe alzare l'obiezione secondo cui l'output

dell'algoritmo, benché addestrato per dare in certo
risultato, sia un esito scontato di un database per nulla
vario.
Che l’output dell’algoritmo – addestrato solo con ritratti
ottocenteschi – fosse l’immagine di un gentiluomo di quel
periodo non è il risultato di un lavoro creativo e almeno
parzialmente autonomo: è invece l’esito scontato di un
database per nulla vario. Sarebbe come dare in pasto a una
IA tutti i quadri del periodo costruttivista di Cézanne e poi stupirsi perché l’immagine creata –
rielaborando i tratti comuni di ogni opera – 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 al sistema dei ritratti di un certo tipo e poi
avere come risultato qualcosa di identico. Al limite è servito a dimostrare che le persone di Christie’s
non conoscono il modo dell’arte computazionale.
24
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 Passerby 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
RINGRAZIAMENTI
Ringrazio i relatori per avermi guidato e supportato nella fase più importante del mio percorso
accademico.
Mia madre: prima o poi tutte le ansie e le preoccupazioni che ti ho gentilmente donato dovevano
essere ripagate! Soldi non ne ho quindi spero che la mia tesi e il mio espatrio possano bastarti.
I miei nonni paterni, Giorgio e Antonella. Grazie per la vostra vicinanza e le vostre perle di saggezza.
L'insostituibile nonna Silvana, visto che alla fine non mi sono spostata troppo e ho lavorato?
Ai miei amici di sempre e nuovi, il mio porto sicuro dove rifugiarmi quando il mondo è sottosopra:
grazie per volermi bene nonostante le mie paturnie. Ringrazio in particolare:
Nyx che, giochi di parole a parte, è stata parte fondamentale del mio approdo a questo punto della mia
vita accademica. Grazie, senza di te avrei compilato la rinuncia agli studi un bel po’ di tempo fa e
forse nemmeno ti avrei conosciuto.
Beatrice che, con la sua pazienza, mi ha aiutato ad accettare i miei difetti e diventare, pian piano, più
brava a comunicare e sicura di me sia come persona e che come artista. Grazie per le parole dure, ma
sempre gentili, che mi hai rivolto nel corso di questi quasi quattro anni di amicizia.
Iryna da sempre al mio fianco, indipendentemente dalle difficoltà. Grazie per avermi mostrato che
anche in momenti di difficoltà andare avanti è ciò che conta davvero.
Alice Viganò amica di sempre che, nonostante i lunghi periodi di silenzio, sa sempre come farmi
riflettere. La tua calma è fonte di ammirazione e ispirazione per il mio futuro.
Ai miei colleghi di lavoro, grazie per le preziose chiacchiere nei momenti morti della giornata e grazie
per la pazienza immensa che avete mostrato nei confronti dei miei mugugni senza senso e, non meno
importante, per i preziosi consigli di vita.
26
APPENDICE
IA: intelligenza artificiale
NPC: non-player character
OPEN WORLD: si intende un videogioco in cui il giocatore può muoversi liberamente all'interno di
un mondo virtuale; infatti è data ampia libertà al giocatore il quale può scegliere come e quando
affrontare obiettivi o dedicarsi alla semplice interazione con l'ambientazione e ciò che la popola.
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): intende l'insieme delle attività volte a garantire il soddisfacimento

degli obiettivi della qualità, che possono riguardare l'organizzazione della produzione, la
progettazione, gli acquisti, il prodotto, l'installazione del prodotto, le vendite, l'assistenza post vendita,
i controlli della 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: generazione procedurale è un metodo per creare dati algoritmicamente anziché manualmente,
in genere attraverso una combinazione di risorse e algoritmi generati dall'uomo insieme a casualità e
potenza di elaborazione generate dal computer.
CHRISTIE’S: casa d'aste britannica fondata nel 1766 da James Christie.
AUTOENCODER: è un tipo di rete neurale artificiale utilizzata per apprendere codifiche efficienti di
dati senza etichetta (apprendimento non supervisionato). La codifica viene convalidata e perfezionata
tentando di rigenerare l'input dalla codifica. L'autocodificatore apprende una rappresentazione
(codifica) per un insieme di dati, tipicamente per la riduzione della dimensionalità, addestrando la rete
a ignorare i dati insignificanti ("rumore").
27
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 )
28
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. Retrieved September
26, 2022, from
https://www.jdsr.io/articles/2020/11/8/artificial-intelligence-and-video-game-creation-a-framework-fo
r-the-new-logic-of-autonomous-design
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. https://doi.org/ISSN 2363-8621
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. Retrieved October 1, 2022, from
https://www.lastampa.it/cultura/2017/09/13/news/deep-blue-vs-kasparov-scacco-matto-all-intelligenza
-umana-1.34414089/
29
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-vide
ogiochi/?gclid=Cj0KCQjwyt-ZBhCNARIsAKH1177Z4hE9XdM9Bfyw7cyaUif1ePZKlE-4m-1BYvw
ONDKDuBvF-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, from
https://www.jdsr.io/articles/2020/11/8/artificial-intelligence-and-video-game-creation-a-framework-fo
r-the-new-logic-of-autonomous-design
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. https://doi.org/ISSN 2363-8621
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. Retrieved October 1, 2022, from
https://www.lastampa.it/cultura/2017/09/13/news/deep-blue-vs-kasparov-scacco-matto-all-intelligenza
-umana-1.34414089/
30
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-vide
ogiochi/?gclid=Cj0KCQjwyt-ZBhCNARIsAKH1177Z4hE9XdM9Bfyw7cyaUif1ePZKlE-4m-1BYvw
ONDKDuBvF-FuV7hwaAgaMEALw_wcB
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/
OpenAI. (2022). Timeline. OpenAI. Retrieved October 8, 2022, from https://openai.com/timeline/
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
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/
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/
31

Intelligenza Artificiale Nei Videogiochi - Uno Strumento Dalle Diverse Potenzialità Artistiche 2

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 2

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 9

CAPITOLO 4 - Potenzialità artistiche 20

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 sono

Altro elemento importante è la riproduzione di enormi mondi

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

1.2 Il futuro dell’intelligenza artificiale nei videogiochi

L’applicazione del deep learning nei videogame

Nell’immaginario comune l’applicazione

1.3 Il rischio di un uso eccessivo dell’intelligenza artificiale

Quindi, per poter dire che un’IA è ben utilizzata,

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

professionisti. Quando la macchina divenne in grado di imitare quelle mosse,iniziò un addestramento

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

Anche se non è direttamente collegato al

Disegnando una forma astratta

2.2 Machine learning

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

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

Il PCG estende il regno delle possibilità a

CAPITOLO 4 - Potenzialità artistiche

4.2 La creatività dell’algoritmo

4.3.1 Approcci delle scienze sociali e umanistiche ai deepfake

4.3.2 Ricerca sui deepfake

- Generalizzazione: i deepfake di alta qualità si ottengono spesso allenandosi su ore di filmati

- Allenamento in coppia: l'addestramento di un modello supervisionato può produrre risultati di

4.3.3 Sviluppo amatoriale

4.3.4 Sviluppi commerciali

4.4 Il caso del Ritratto di Edmond de Belamy

Si potrebbe alzare l'obiezione secondo cui l'output

NPC: non-player character

MACHINE LEARNING: Il Machine Learning (ML) è un sottoinsieme dell'intelligenza artificiale

DEBUGGING: In informatica, la ricerca e la correzione degli errori di funzionamento di un sistema o

QA (QUALITY ASSURANCE): intende l'insieme delle attività volte a garantire il soddisfacimento

CHRISTIE’S: casa d'aste britannica fondata nel 1766 da James Christie.

OpenAI. (2022). Timeline. OpenAI. Retrieved October 8, 2022, from https://openai.com/timeline/

Potrebbero piacerti anche