セッション分野

ENG(エンジニアリング)

セッション関連分野

GD

キーワード

AI/ML

セッション難易度

求められるスキル

Basic knowledge of machine learning and reinforcement learning is not essential but would be helpful.

必須ではございませんが、ML（機械学習）やRL（強化学習）に関する基本的な知識があることと望ましいです。

得られる知見

The audience understands how LLM VLM agents evolve RL-based game balancing, how to implement it practically, and how the future of game development would change with it.

聴講者は、RLを用いたLLM/VLMエージェントによって、ゲームバランス調整作業の進化を学ぶことができます。また、それをいかにして実装し、それによってゲーム開発の未来がどのように変わっていくのかを知ることができます。

写真撮影 / SNS投稿

通訳の種類

同時通訳

アイコンについて

お気に入り登録

Reinforcement Learning (RL) has demonstrated significant potential as an effective tool for game balancing due to its robustness, adaptability, and applicability across various game genres. However, the complexity inherent to RL algorithms often limits direct interaction by game designers, who typically rely on extensive support from AI engineers. Furthermore, as games expand in scale and complexity, the volume and dimensionality of analytical data generated by RL agents increase substantially, exacerbating the challenge for designers in interpreting agent outputs. This complexity can be substantially reduced by integrating Visual Language Model (VLM) and Large Language Model (LLM)-based agents as intuitive interfaces. These LLM-driven agents can seamlessly interact with external tools, interpret human language commands into precise RL objectives (e.g. reward functions), and critically analyze vast, multidimensional analytical outputs from RL systems. Consequently, game designers receive comprehensive and easily interpretable insights, enabling more -effective, intuitive, and agile game balancing workflows.

強化学習（RL）は、その堅牢性、適応性、様々なゲームジャンルへの応用性から、ゲームバランス調整のための効果的なツールとして多大な可能性を示してきました。しかし、RLアルゴリズムは複雑であるため、ゲームデザイナーが直接操作することは難しく、AIエンジニアのサポートに頼るのが一般的です。さらに、ゲームの規模が拡大し、複雑性が増すにつれて、RLエージェントによって生成される分析データの量と次元は著しく増加し、エージェントの出力結果を解読するゲームデザイナーの負担は大きくなります。視覚言語モデル（VLM）と大規模言語モデル（LLM）ベースのエージェントを直感的なインターフェースとして統合することで、この複雑さを大幅に軽減することができます。これらのLLM駆動のAIエージェントは、外部ツールとシームレスに相互作用し、人間の言語のコマンドを正確なRL目標（報酬関数）に変換し、RLシステムからの膨大で多次元的な出力を解析することができます。その結果、ゲームデザイナーは、包括的で理解しやすい知見を得ることができ、より効果的で直感的かつアジャイルなゲームバランス構築のためのワークフローを実現することができます。