현대 사회에서 첨단 기술의 발전은 예술의 양상을 빠르게 변화시키고 있다. 생성형 인공지능 기술의 발전은 인류의 전유물이라 여겨왔던 창작 행위에 기존에는 보지 못했던 색다른 표현을 제공했다. 또한, 전통적 기법 을 고수하던 예술인들에게 새로운 예술 창작의 발현 방식을 제시하였다. 하지만 나날이 발전하는 인공지능 기술에 비해, 이를 활용한 구체적인 미디어아트 제작 과정 연구는 아직 국내에서는 미비하다. 본 논문은 인 공지능 기술을 활용한 미디어아트 해외 사례를 탐구한다. 그리고 Text-to-Image 인공지능 생성 모델과 게임 엔진 Unreal Engine 5를 이용하여, 국내에 자리 잡지 않은 생성형 인공지능을 활용한 작품 제작 방법론과 창 작자들에게 인공지능 이미지 생성 모델의 확장성을 제시한다.

Many undergraduate AI courses have the learning objective that students are able to precisely define different classes of AI problems and to apply core algorithmic techniques to them. Due to the great breadth of the field of AI, however, introductory AI courses typically include a heterogenous collection of topics and techniques. For this reason, AI courses risk appearing incoherent to students, who can find it challenging to understand how different AI topics relate to each other. We have found that assigning a tightly integrated series of programming projects using a computer game environment has lent unity to our AI course by providing students with a common platform for solving many different kinds of AI problems. In this paper, we introduce a set of useful computer games to use for introductory AI courses. And then we describe our experiences and lessons from utilizing some of them in our AI courses.

본 연구는 현재 크게 성장하고 있는 AI(인공지능)이 어떻게 게임에서 적용되고 발전되고 있는지에 대해서 탐구한다. 오늘 날 대중들이 가장 즐겨하고 있는 게임 중 하나인 포커(Poker)에서의 인공지능의 현실을 분석하고 논리적인 발전방향을 제시한다. 구체적으로, 본 연구는 다양한 포커 게임들 중 전 세계적으로 인기가 있는 종류인 텍사스 홀덤(Texas Hold’em)을 중심으로, 이 게임에 적용 되었던 2가지 AI인 Libratus와 DeepStack을 다루도록 한다. 여러 뉴스 기사 인공지능의 성장을 보고 하였으나, 본 연구는 정확히 어떻게 그리고 왜 인공 지능이 포커 게임에서 적용이 되는지, 또한 무엇이 진짜 문제이고 발전 방향인지에 대해서 입체적으로 논의한다.

최근 게임분야에서 수준 높은 인공지능 에이전트의 구현은 많은 주목을 받고 있다. 그 중 Monte-Carlo Tree Search(MCTS)는 완전 정보를 가진 게임에서 무작위 탐색을 통해 최적의 해를 구할 수 있는 알고리즘으로, 수식으로 표현되지 않는 경우에 근사치를 계산하는 용도로 적합하다. 하스스톤과 같은 Trading Card Game(TCG) 장르의 게임은 상대방의 카드와 플레이 를 예측할 수 없기 때문에 불완전 정보를 가지고 있다. 본 논문에서는 불완전 정보 카드 게임 에서 인공지능 에이전트를 생성하기 위해 MCTS 알고리즘을 응용하는 방법을 제안하고, 현재 서비스되는 하스스톤 게임에 적용하여 봄으로써 MCTS 알고리즘의 실용성을 검증한다.

게임 NPC(Non Player Character)는 게임 플레이어와 대전 또는 협력함으로써 게임의 재미를 증가시키는 중요한 요소이다. 대부분 기존 게임에서 제공되는 NPC 인공지능은 FSM(Finite State Machine)으로 제작되어 행동 패턴이 정해져 있고 능력이 동일한 특징을 갖고 있다. 따라 서 이러한 특징을 갖는 NPC들과 대전하는 플레이어는 창조적인 게임 플레이를 진행하는 것 이 어려울 수 있다. 본 논문은 이 문제점을 개선하기 위하여 실제 생활에서 늑대들이 먹이를 사냥하는 행동 모델 을 게임 NPC의 행동 모델로 제작하고 이를 평가하기 위한 것이다. 이를 위하여 첫째, 실세계 에서 늑대들이 먹이를 포획하기 위한 행동 상태들을 조사 연구한다. 둘째, 이 행동 상태들을 Unity3D 엔진을 이용하여 구현한다. 셋째, 구현된 NPC들의 상태 전이 비율과 실세계의 NPC 들의 상태 전이 비율, 일반적인 게임 NPC의 상태 전이 비율을 비교한다. 비교 결과, 구현된 NPC들의 상태 전이 비율은 실세계의 상태 전이 비율과 비슷함을 보인다. 이는 구현된 NPC들 의 행동 패턴이 실세계의 늑대 사냥 행동 패턴과 유사함을 의미하는데, 이렇게 함으로써 플레 이어에게 보다 증가된 사용자 경험을 제공할 수 있다.

본 논문에서는 행동경제학에서 주로 사용되는 전망이론을 게임 인공지능 분야에 도입하여 인간의 인지적 특성을 사실적으로 표현하고자 하는 관점에서 NPC의 의사결정 모델을 제안한다. 이를 위하여 효용 이론의 한계로 지적되었던 기준점 설정의 문제, 민감도 체감성, 손실 회피의 특징을 분석하고, 이를 게임 상에서의 NPC 의사결정 모델에 반영한다. 본 논문에서는 제안 모델을 동적 지형분석에 적용하였으며, 실험을 통해 NPC의 다양한 개성 부과 및 창발적인 행위를 유도할 수 있음을 확인하였다.