플레이 가능성을 넘어 숙련의 경험으로
AI가 실행 가능한 게임을 생성한다고 해서 플레이어가 계속 돌아와 실력을 키우고 싶어지는 것은 아닙니다. 초보자가 점차 능숙해지는 과정을 만들려면 실제 플레이를 관찰하고 규칙과 난이도를 거듭 조정해야 합니다. PlayCraft는 이 설계 과정을 일부 자동화하려는 프레임워크입니다. 한 에이전트가 게임을 플레이하고, 다른 에이전트가 그 경험을 바탕으로 게임을 수정합니다.
플레이와 제작을 반복하는 구조
PlayCraft는 플레이 단계와 제작 단계를 번갈아 수행합니다. 플레이 단계에서는 시각 기반 에이전트가 화면을 관찰하고 조작을 사용해 게임 목표를 달성하려고 합니다. 여러 에피소드에 걸쳐 기억을 유지하며 플레이하고, 매 에피소드가 끝날 때 진행 상황, 결과, 선택한 판단, 성찰을 보고합니다. 승패만 남기는 대신 플레이가 어떻게 전개됐는지도 설계에 활용하려는 방식입니다.
제작 단계에서는 크래프터 에이전트가 이 보고서를 읽고 플레이어의 능력을 추정합니다. 숙련 수준별로 어떤 성과를 낼지 예측한 뒤, 이를 목표 학습 진행 경로와 비교합니다. 두 결과 사이에 차이가 있으면 더 나은 판단과 조작을 통해 플레이어가 발전할 기회를 마련하도록 게임을 수정합니다. 즉, 단순히 게임을 어렵게 만드는 것이 아니라 연습이 실제 성장으로 이어지게 하는 것이 목표입니다.
이 과정의 주요 특징은 다음과 같습니다.
- 결과뿐 아니라 과정도 활용: 플레이 기록과 성찰을 통해 성과만으로는 드러나지 않는 문제를 파악하려 합니다.
- 숙련 단계에 맞춘 설계: 플레이어의 능력을 추정하고 목표로 삼은 학습 경로와의 차이를 살핍니다.
- 새로운 플레이로 검증: 수정에 사용한 경험과 별개인 새로운 실행에서 게임을 평가합니다.
결과와 남은 질문
연구진은 세 가지 에이전트 지능 설정에서 게임을 새로 실행하고 학습 증가량과 학습 기울기를 측정했습니다. 논문 요약에 따르면 초기 게임과 비교해 PlayCraft는 대부분의 게임에서 두 지표를 개선했습니다. 두 지표의 매크로 평균에서도 모든 지능 설정에서 기준 방법보다 나은 결과를 보였다고 합니다. 이는 자동 게임 생성의 목표를 ‘플레이할 수 있는가’에서 ‘플레이어가 플레이를 배우고 숙련할 수 있는가’로 넓히려는 시도입니다.
다만 제공된 요약에는 평가한 게임의 수와 종류, 구체적인 수정 사례, 지표의 상세 정의가 없습니다. 따라서 모든 장르에 효과가 적용되는지, 실제 사람도 에이전트와 같은 이점을 얻는지는 단정할 수 없습니다. 후속 연구에서는 사람을 대상으로 한 플레이 테스트와 디자이너의 판단을 함께 비교할 필요가 있습니다. 현재로서는 플레이 경험을 설계에 반영하고 새로운 실행으로 변화를 확인하는 게임 프로토타이핑 지원 방식으로 보는 것이 타당합니다.
댓글
로그인 상태 확인 중…
댓글 불러오는 중…