پیشرفت سال‌های اخیر در بخش‌های مختلف هوش مصنوعی باعث شد تا بازیگران آماتور و غیرعلمی هم برای استفاده‌ی بهینه از آن وارد عمل شوند؛ بازیگرانی که کاربردهای فناوری جدید را کمی از حوزه‌های دانشگاهی و غول‌های دنیای فناوری دور می‌کنند. یکی از غیرقابل انتظارترین کاربردهای اخیر نیز در دنیای بازی‌های ویدئویی و مادهای مرتبط با آن‌ها دیده شده است. طرفداران بازی‌ها امروزه از یادگیری ماشین به‌عنوان یکی از شاخه‌های هوش مصنوعی استفاده می‌کنند تا گرافیک بازی‌های قدیمی را بهبود دهند.

تکنیکی جدید بهبود گرافیک بازی‌های قدیمی به‌نام «بهینه‌سازی با کمک هوش مصنوعی» یا «AI upscaling» شناخته می‌شود. تصویر با کیفیت پایین به الگوریتم هوش مصنوعی وارد می‌شود. سپس هوش مصنوعی با استفاده از داده‌های آموخته‌شده، همان تصویر را با پیکسل‌های بیشتر ارائه می‌کند. چنین روش‌های بهینه‌سازی از مدت‌ها پیش استفاده می‌شدند؛ اما به‌کارگیری هوش مصنوعی، سرعت و نتایج نهایی آن‌ها را به میزان قابل توجهی افزایش داده است.

دنیل ترولی، استاد و دانشجویی از نروژ است که با به‌کارگیری هوش مصنوعی، کیفیت بصری بازی نقش‌آفرینی The Elder Scrolls III: Morrowind را بهبود داد. او فرایند انجام‌شده را شبیه به جادوگری تفسیر می‌کند. او می‌گوید پیاده‌سازی تصاویر جدید شبیه به این بود که یک پکیج بافت باکیفیت از بازی توسط سازندگان اصلی آن (در این بازی شرکت Bethesda) منتشر شود.

ترولی در یکی از انجمن‌های زیرمجموعه‌ی وب‌سایت ردیت به‌نام GameUpscale نیز به‌عنوان مدیر فعالیت می‌کند. او و طرفداران دیگر بازی‌های ویدئویی در چنین انجمن‌هایی و همچنین در تالارهای گفتگوی اپلیکیشن پیام‌رسان Discord به بحث و تبادل نظر درباره‌ی ابزارهای هوش مصنوعی و استفاده‌ی بهتر از آن‌ها برای بهبود تصاویر می‌پردازند.

با نگاهی به انجمن‌های بحث و تبادل نظر پیرامون ابزارها، به نظر می‌رسد که فرایند مدل‌سازی شبیه به بازسازی اثاثیه‌ی قدیمی خانه یا کاری هنرمندانه باشد. درواقع فرایندها نیاز به افراد با مهارت بالا و همچنین صبر و دانش دارد. همه‌ی بازی‌ها برای فرایند بهینه‌سازی تصویری مناسب نیستند و همه‌ی الگوریتم‌های بهینه‌سازی نیز نتایج مشابه ارائه نمی‌کنند. درواقع مادسازها (افرادی که بسته‌های جدید با گرافیک بالاتر را برای بازی توسعه می‌دهند) باید ابزار مناسب را انتخاب کنند و سپس صدها ساعت زمان برای بهینه‌سازی تصاویر و بهبود نتایج نهایی اختصاص دهند. به همین دلیل شاید بتوان فعالیت آن‌ها را نوعی عشق به کار تفسیر کرد.

با وجود تلاش زیادی که برای انجام بهینه‌سازی‌های تصویری به کمک هوش مصنوعی انجام می‌شود، باز هم سرعت روش‌های جدید بالاتر است. بازسازی گرافیکی با استفاده از روش جدید در چند هفته و توسط یک مادساز انجام می‌شود؛ درصورتی که به‌صورت عمومی چنین فرایندی به سال‌ها کار یک تیم نیاز دارد. درنتیجه در ماه‌های اخیر بسته‌های بسیار زیاد بهینه‌ساز گرافیک برای بازی‌های قدیمی در سطح اینترنت دیده شده‌اند.

تنوع عناوین بازی‌هایی که بسته‌های گرافیکی جدید دریافت کرده‌اند، فوق‌العاده است. از Doom و Half-Life 2 و Metroid Prime 2 تا Final Fantasy VII و Grand Theft Auto: Vice City همگی مادهای گرافیکی جدید دریافت کرده‌اند. برای بازی‌های جدیدتر همچون Mass Effect 2 محصول سال ۲۰۱۰ نیز ماد گرافیکی عرضه شده است. البته تمامی مادها به‌روزرسانی‌های غیررسمی محسوب می‌شوند و نصب آن‌ها نیاز به دانشی تقریبا حرفه‌ای دارد.

یکی از مادسازها به‌نام hidfan ادعا می‌کند که ساختن گرافیک‌های جدید به‌ کمک هوش مصنوعی نیاز به کار زیادی دارد. او می‌گوید توسعه‌ی بسته‌‌ی گرافیکی بازی Doom توسط او نیاز به ۲۰۰ ساعت کار داشته است؛ کاری که بیشتر به بهینه‌سازی خروجی الگوریتم و تمیز کردن تصاویر نهایی اختصاص داشت.

در بازی Doom مانند بسیاری از بازی‌های ویدئویی، بخش اعظمی از جلوه‌های بصری به‌صورت بسته‌های بافت تصویری ذخیره شده‌اند. درواقع تصاویری از سنگ، فلز، علف و غیره در بازی وجود دارد که شبیه به کاغذدیواری در نقشه‌های بازی چسبانده شده‌اند. درنتیجه بافت‌ها هم باید مانند کاغذدیواری با مهارت بالا درکنار هم قرار بگیرند تا کاربر متوجه نقطه‌ و خط شروع و پایان آن عکس‌ها نشود.

خروجی الگوریتم‌های هوش مصنوعی، نویز زیادی تولید می‌کند و به‌همین دلیل افرادی همچون hidfan باید زمان زیادی را به ویرایش نهایی اختصاص دهند. همین روند باید برای جلوه‌های بصری دیگر همچون کاراکتر اصلی و دشمنان هم تکرار شود. این کاربر می‌گوید که بهینه‌سازی تصویری یک غول بازی به‌تنها ۵ تا ۱۵ ساعت زمان نیاز دارد که به پیچیدگی انیمیشن‌های آن وابسته است.

پیچیدگی‌های بالا نشان می‌دهد که در پروژه‌های انجام‌شده توسط هوش مصنوعی و یادگیری ماشین نباید نقش نیروی انسانی را نادیده بگیریم. درواقع انجام شدن سریع فرایندی به کمک هوش مصنوعی، نباید تأثیر انسان‌های دخیل در آن را از بین ببرد.

آلبرت یانگ، مدیر فناوری Topez Labs است. استارتاپ او یکی از مشهورترین سرویس‌های بهینه‌سازی تصویر را ارائه می‌کند که بسیاری از مادسازها آن را به کار می‌گیرند. یانگ می‌گوید فرایند بهینه‌سازی روندی مستقیم و مشخص دارد.

ابتدا باید الگوریتمی خاص به‌نام Generative Adversarial Network یا GAN استفاده شود تا با میلیون‌ها جفت از تصاویر با کیفیت پایین و بالا آموزش ببیند. الگوریتم مورد نظر پس از دیدن چندین‌باره‌ی تصاویر، تصویر با کیفیت را از نمونه‌ی کم‌کیفیت تشخیص خواهد داد.

الگوریتم هوش مصنوعی در بخشی از فرایند خود تلاش می‌کند تا تصاویر را از کم‌کیفیت به باکیفیت تغییر دهد و در عین حال نتایج را با داده‌های آموزشی مقایسه کند. در این روند خروجی‌های نامطلوب از چرخه خارج می‌شوند و هوش مصنوعی به‌مرور با تکرار چرخه و یادگیری بیشتر، بهینه‌سازی فرایند را انجام می‌دهد.

استفاده از هوش مصنوعی برای بهینه‌سای تصاویر تقریبا کاری آسان محسوب می‌شود، اما به‌خوبی، مزیت‌های به‌کارگیری یادگیری ماشین را نشان می‌دهد. الگوریتم‌های سنتی در این حوزه به قوانین توسعه‌یافته توسط انسان‌ها وابسته بودند، اما یادگیری ماشین به‌مرور قوانین اختصاصی خود را در طول فرایندها توسعه می‌دهد. درواقع توسعه‌ی قوانین با یادگیری مداوم از تکرار چرخه‌ها انجام می‌شود.

در موضوع الگوریتم‌های بهینه‌سازی تصاویر، قوانین تقریبا ساده‌ای به‌کار گرفته می‌شوند. به‌عنوان مثال اگر بخواهید تصویری با ابعاد ۵۰*۵۰ پیکسل را با دوبرابر کردن ابعاد بهینه‌سازی کنید، الگوریتم‌های سنتی تنها پیکسل‌هایی را در بین پیکسل‌های موجود وارد می‌کنند. رنگ پیکسل‌های جدید نیز با محاسبه‌ی میانگین رنگ پیکسل‌های همسایه انتخاب می‌شود. به‌عنوان مثال اگر پیکسل قرمز در یک سو و پیکسل آبی در سوی دیگر باشد، پیکسل جدید با رنگ بنفش اضافه می‌شود.

یانگ اعتقاد دارد روش‌های سنتی تزریق پیکسل کدنویسی و اجرای آسان‌تری دارند، اما نسخه‌ای ثابت برای انواع موقعیت‌ها ارائه می‌دهند که برخی اوقات نتایج مناسبی نخواهند داشت.

الگوریتم‌های ایجادشده به کمک هوش مصنوعی درمقایسه با نمونه‌های سنتی پویایی بیشتری دارند. به‌عنوان مثال ابزار Gigapixel استارتاپ Topaz Labs برای ایجاد پیکسل جدید تنها به پیکسل‌های همسایه دقت نمی‌کند و تمامی حوزه‌ی تصویر را مورد بررسی قرار می‌دهد. چنین بررسی به الگوریتم امکان می‌دهد که بافت‌های بزرگ‌تری را بازسازی کند. در نمونه‌ای پیاده‌سازی الگوریتم این استارتاپ، ساختمان‌ها و وسایل خانه و حتی لبه‌های جزئی ماشین مسابقه‌ای در بازی Maripo Kart بازسازی شدند. یانگ اعتقاد دارد همین بررسی گسترده‌تر طیف‌های رنگی یکی از دلایل اصلی بهتر بودن الگوریتم هوش مصنوعی نسبت به الگوریتم‌های سنتی است.

به‌‌روز‌رسانی گرافیک بازی‌های ویدئویی، تنها حل کردن یک چالش فنی نیست. به‌بیان ساده‌تر مادسازها در این حوزه در حال بازسازی خاطرات کاربران هستند. وقتی افراد بتوانند بازی‌های مورد علاقه‌ی دوران کودکی و نوجوانی خود را دوباره با کیفیت بالاتر بازی کنند، تجربه‌ی هیجان‌انگیزی برای آن‌ها رقم می‌خورد. همه‌ی ما خاطراتی از بازی‌های ویدئویی قدیمی داریم، اما شاید زشت و زمخت بودن گرافیک آن‌ها در چشمان امروزی‌مان، مانع از بازی کردن مجدد می‌شود. به‌هرحال شاید بهینه‌سازی گرافیکی بهانه‌ای برای بازی کردن مجدد آن‌ها باشد.

اگر از علاقه‌مندان به بازی‌های ویدئویی باشید، تنها یک موسیقی متن از عنوانی همچون فاینال فانتزی می‌تواند شما را به اعماق خاطرات کودکی و نوجوانی ببرد. آهنگی که تنها با یک بار شنیدن، تمام مراحل و چالش‌های بازی را به یاد بیاورید. دراین‌میان، بازی کردن مجدد آن عناوین افسانه‌ای در زمان حال، تجربه‌ی آن‌چنان جذابی نیست. شاید شما هم تجربه‌ی نصب و امتحان کردن مجدد آن بازی‌ها را داشته باشید، اما پس از مدت کوتاهی نتوانسته‌اید بازی را ادامه دهید. دلیل اصلی نیز همان گرافیک پایین صحنه‌ها بوده است.

استفان رومن یکی از توسعه‌دهنده‌های ماد گرافیکی است که بهینه‌سازی Final Fantasy VII را انجام داد. او اعتقاد دارد علاوه‌بر گرافیک پایین بازی‌های قدیمی، فناوری‌های جدید هم در بد نشان دادن جلوه‌های بصری مقصر هستند. استفان دراین‌باره می‌گوید:

ساختار نمایش پیکسل در تلویزیون‌های قدیمی به‌گونه‌ای بود که برخی از نقص‌های گرافیکی را پوشش می‌داد. ذهن شما سایر کارها را انجام می‌داد و تصویر را جذاب‌تر می‌‌کرد، اما نمایشگرهای مدرن بازی‌های قدیمی را با گرافیک اصلی و فیلترنشده نشان می‌دهند.

برخی بازی‌های قدیمی مانند سری‌های فاینال فانتزی، برای بهینه‌سازی به کمک هوش مصنوعی آسان‌تر هستند. در این بازی‌ها تصاویر پیش‌‌رندرشده‌ی بیشتری وجود دارد و مادسازها نیاز به پردازش تصاویر کمتری دارند. استفان می‌گوید کیفیت گرافیک در چنین بازی‌هایی بهتر است و یادگیری ماشین در فرایند بهینه‌سازی آن‌ها اطلاعات بیشتری برای یادگیری در اختیار خواهد داشت. البته قطعا چنین بازی‌هایی هم نیاز به بهینه‌سازی گرافیکی دارند و نتایج، نشان‌دهنده‌ی موفقیت فرایندها هستند.

رومن از طرفداران بازی‌های فاینال فانتزی نیست، اما پس از آن که بهینه‌سازی گرافیکی را برای آن‌ها انجام داد، به امتحان کردن عناوین مشهور سال‌های گذشته علاقه‌مند شد. او قصد دارد پکیچ گرافیکی خود را نصب کرده و بازی FFVII را یک بار امتحان کند. آیا شما هم حاضر هستید با مادهای گرافیکی جدید، بازی‌های قدیمی را مجددا بازی کنید؟