사이트 전체 검색영역
  • Twitter
  • Facebook
  • YouTube
  • blog

해외통신원

문화산업 현장의 가장 뜨거운 소식을 전문가들이 진단합니다.

우리나라 문화계의 가장 최신 소식부터 흐름 진단까지 재밌고 알찬 정보를 각 분야별 전문가들이 전합니다.

인공지능과 게임

  • [등록일]2020-10-23
  • [조회] 1533

인공지능과 게임





근래에 회자되고 있는 최고의 기술 트렌드 키워드는 단연코 인공지능이라고 할 수 있다. 4차 산업혁명의 핵심으로 논의되는 인공지능 기술은, 짧지 않은 역사를 거쳐왔음에도 최근에 들어 갑작스레 마치 모든 것이 인공지능을 품어야 하는 것처럼 사회전반에 선입견을 던져주고 있다. 현재의 기술적 특이점을 이해하기 위해서는 다양하게 제시되는 인공지능 기술의 범주를 지금까지 해오던 과학의 여러 가지 문제해결 방법 중 한가지로 단순하게 생각해 볼 필요도 있으며, 이때 기술 자체보다 활용을 위한 문제의 범주와 특징을 이해하는 것이 더 중요하다고 볼 수 있다. 모바일과 비대면 시대를 맞아 변화하는 여가문화와 사회활동 속에서 흔하게 접하는 디지털 게임은, 이러한 인공지능의 적용 특성을 잘 보여주는 분야이다. 이에 따라 본고에서는 지능화 기술과 디지털 게임과의 연관성에서 고려되는 특징들과 산업적으로 활용하고자 하는 게임업계의 현황을 부분적으로나마 살펴보고자 한다.

---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------


*메인 이미지 출처: https://www.artiba.org/blog/ai-and-game-theory-a-primer


1. 들어가며


인공지능 기술의 확산과 인식제고는 몇 가지 결정적인 계기로부터 비롯되었는데, 그 중 일반인에게 가장 크게 각인된 사건은 지난 2016년의 <알파고> 신드롬일 것이다. 이는 이후 게임을 테스트베드로 활용하는 관점으로 2018년 Dota2 게임의 <OpenAI Five>, 2019년 <스타크래프트 2> 프로게이머를 대상으로 하는 <알파스타>까지 이어져왔다. 과거부터 게임은 기계와의 경쟁에서 인간만이 풀 수 있는 문제를 제시하기 위한 좋은 사례로서 활용되었으며 현재까지도 자주 인용되는 분야로서 그 위치가 공고한데, 이것을 인공지능의 목표수준 관점으로 본다면 구분을 좀 더 명확히 해볼 수 있다. 즉, 기존 인공지능의 목표는 튜링 테스트로 대변되는 ‘인간수준의 지능’을 기계에서 구현하는 것으로, 시각지능, 언어지능 등 인지과학적 접근에서 오랜 기간 집중하였던 목표이기도 하다. 그러나, 현재 추구되는 수정 목표는 이른바 ‘초지능 (Super Intelligence)’으로 명명된 인간수준 이상의 문제해결 능력을 갖는 범용 인공지능 (AGI; Artificial General Intelligence)으로 확장되고 있다.



모호하게 보일 수 있는 인간 수준의 초월성이라는 목표는, 게임과 같이 사람과 기계지능의 직접적인 경쟁 속에서 명확히 결정될 수 있다. 이러한 판단근거는 알파고 이벤트를 통해 대중에게 강렬하게 인식되었으며 본격적인 초지능의 현실화에 관한 논쟁이 뜨거워지는 계기가 되었다. 여기에서 주목할 점은, 인공지능 기술의 위력이 일반인에게 게임을 통해서 손쉽게 이해된다는 점이다. 활용성 측면에서 고수준의 기술적 파급력은 대상 분야의 일반화된 이해도가 밑거름이 되어야 하는데, 인공지능 기술 접목을 위한 테스트베드로 게임분야를 활용하려는 주된 이유 중 하나는 실험환경 구축의 용이성과 함께 대중에게도 쉽게 체감된다는 도메인의 특성이 중요하게 작용하고 있다.


2. 게임 인공지능 기술의 특징


앞서 기술되었던 인공지능의 목표와 게임분야의 연계성 특징은 근래의 게임기술 발전에서 기인된 것도 있지만, 그보다 더 큰 이유는 게임 사용자들에게 인공지능이란 낯설지 않은 단어이기 때문이다. 과거 디지털 게임이 시작되던 초창기부터 자동화된 대전 상대를 대상으로 게임을 진행하는데 익숙한 게이머들에게 인공지능의 활용은 이미 게임 속에서는 바로 곁에 접할 수 있는 일상화된 게임요소일 뿐이었다. 문제는, 이렇게 자동화된 대전 상대와 긴 시간을 함께 하면서 정률화된 규칙에 의해 구동되는 기존의 기술적 한계로는 그 효용성이 낮다는 것을 먼저 깨닫게 되었다는 점이다.


게임에서 인공지능 기술을 활용하기 위한 중요 특징은 기존의 압도적 계산능력을 바탕으로 하는 자동화 방안보다 무한한 가능성이 내포되어 시시각각 변화하는 게임 속 상황을 인식하고, 이에 대응하는 최적행동을 결정할 수 있도록 다양한 변화에 강건한 상황판단 엔진이 필요하다. 이것은 반사적으로 게임 뿐 아니라 실세계에 적용되는 기반 기술로서도 매우 유용한데, 게임 속에서 우선적으로 필요로 하고 있음을 의미하며 사용자, 환경구축, 기술적용 목표설정과 검증의 용이성 등 게임 인공지능만의 다양한 기술적 강점을 나타나게 한다.


게임 인공지능의 개념을 간략하게 정의해본다면 인공지능이 접목된 게임기술로 정리할 수 있으나, 이에 따라 활용분야는 매우 다양하게 제시될 수 있다. 이러한 산업적 활용에 대해, 다음과 같은 분야를 대상으로 먼저 그 기술적 특징을 살펴볼 수 있다.


2-1. 에이전트 학습

그동안 게임 인공지능 활용 분야의 대표적인 사례는 에이전트라고 불리는 게임 속 가상 플레이어의 능력을 구현하는 것이 우선 목표였으며, 기존의 정형화된 에이전트 운용을 벗어나기 위한 기계학습 방법을 적극적으로 모색해 왔다. 이를 위해서는 준지도학습(Semi- Supervised Learning) 범주의 강화학습(Reinforcement Learning) 방법이 널리 활용되어 왔으며, 근래에는 딥러닝 방식을 적용한 심층강화학습(Deep Reinforcement Learning)을 통해 높은 가능성을 확보하게 되었다.


이를 바탕으로 게임 인공지능 기술 생태계에서는 전 세계적으로 구글 딥마인드와 OpenAI의 양대 산맥이 형성되어 게임에 적용되었던 기반기술을 다양한 분야로 확대하기 위해 심도 깊은 연구가 진행되고 있다. 국내에서는 엔씨소프트의 <블레이드앤소울> 게임을 대상으로 구현된 <비무AI> 등 대형 게임사를 중심으로 다양한 사업화 시도가 진행되고 있으며, 특히 기존의 강화학습과함께 사용자 행동특징을 배우는 모사학습(Imitation Learning)을 적용하여 개성이 강한 다양한 에이전트를 생성하고자 하는 연구가 진행 중에 있다. 기술개발의 활성화 측면에서는 연구개발 환경의 확보도 매우 중요한데, 에이전트 학습을 위한 다양한 게임 환경들도 구축되어 공개되고 있다. 아타리(Atari)의 고전게임들을 활용하는 학습 플랫폼부터 블리자드社의 <스타크래프트2>를 대상으로 구축된 PySC2 LE, 유니티3D와 같은 게임저작도구를 통해 에이전트 학습을 수행할 수 있는 ML-Agent 환경 등이 대표적이다. 이 밖에도 리츠메이칸 대학의 FightingICE, 페이스북의 ELF 등 여러가지 에이전트 학습환경이 구축되어 공유되고 있으며, 이를 활용하는 게임 인공지능 기술경진대회(Competition)들 또한 다양하게 개최되고 있다.



최근에는 MDP(Markov Decision Process) 환경에서 얻고자 하는 보상함수(Reward Function)가 구하기 어렵거나 혹은 그 정의가 아예 불가한 경우에 대응하기 위해, 사용자 행동으로부터 보상함수를 추정하도록 메타 리워드 학습을 수행하는 역강화학습(IRL; Inverse Reinforcement Learning)이 게임을 포함하여 로봇, 자율주행 등 다양한 분야에 활용되기 위해 제안되고 있다.또한, 인게임 환경의 요소들이 주어지지 않고 가려져 있는 카드게임이나 맵정보의 안개 지역(Foggy Area)으로 인해 부분적으로만 상황파악이 가능하여 발생할 수 있는 불완전 정보(Imperfect Information)를 대상으로 하는 연구도 지속적으로 시도되고 있다. 카네기멜론 대학에서 제안되었던 리브라투스(Libratus)나 캐나다-체코 연구진의 딥스택(DeepStack)과 함께, 국내에서도 멀티플랫폼 카드게임인 하스스톤 환경에서의 연구와 삼성SDS의 DefogGAN 등 연구가 진행되고 있다.


이외에도 반복되는 시행착오에만 의존하는 강화학습의 약점을 보완하기 위해, 사용자 데이터에 기반하여 학습을 진행하는 오프라인 강화학습(Offline Reinforcement Learning), 다중 에이전트 학습(MARL; Multi-Agent Reinforcement Learning) 등 다양한 플레이어 모델(Player Model) 기반 기계학습 방법이 확장되고 있다.


2-2. 운영분석

온라인 멀티플랫폼을 기반으로 게임 서비스가 확장되면서, 대규모 사용자들이 참여하는 대형 콘텐츠를 어떻게 운영할 것인지의 문제는 이제 게임 자체를 개발하는 것 이상의 중요도가 부여되는 분야이다. 다양한 사용자들이 게임 속 가상세계에 참여하면서 기록되는 많은 행동 데이터들은 다른 분야에서 접할 수 없는 매우 세밀하고 정교한 내용을 포함하고 있는데, 이러한 데이터들을 분석하여 서비스 운영을 위한 KPI들을 산정하는 작업은 비즈니스 모델 측면에서는 매우 중요한 부분이다. 이에 따라, 게임업계에서도 대형 게임사들은 데이터 분석팀, 게임QA 분석팀, 인텔리전스랩 등 별도의 인력구조를 운영하고 있다.


서비스운영 분석의 범주가 게임 애널리틱스에서부터 사용자 행동예측 모델링을 위한 데이터마이닝 기술, 게임 QA(Quality Assurance) 범주까지 넓어지면서 대형 게임사 탭조이로 인수된 4Rocks, IGA Works와 같은 운영분석 지원회사에서 IGS, 오르고 소프트 등 게임QA 전문업체까지 다양한 게임 서비스 지원 업체들이 운영되고 있다. 해외에서도 마이크로소프트, 구글, Splunk 등의 범용화 데이터 분석 도구가 활용되고 있는데, 점점 기존의 통계적 집계방식에서 딥러닝, SVM, 랜덤포레스트 기법 등 다양한 기계학습방법을 적용하여 지표변화를 예측하고 대응하기 위한 운영시나리오 자동생성 단계까지 발전하고 있다.




특히, 복잡한 현실세계의 실제 현상을 반영할 수 있도록 고도화된 디지털 콘텐츠 형태의 게임 가상세계는 시간이 지날수록 운영자가 관리할 수 없을 정도의 복잡한 게임요소들을 포함하기 시작하면서, 이를 지원하기 위한 인공지능 기술의 활용은 이제 중요성을 강조하는 문제가 아닌 필수 요소로 인식되는 시점이 되고 있다. 이른바 오픈월드, 샌드박스, 로그라이크 게임 등으로 불리는 극도의 자유도가 부여되는 게임 콘텐츠 특징이 확산되면서, 게임 서비스를 지원하기 위한 지능형시스템들이 필요해지고 있다.


2-3. 절차적 생성

절차적콘텐츠 생성(PRC; Procedural Content Generation)은 그래픽, 캐릭터, 배경, 맵 생성 등 게임 리소스를 직접적으로 생성하는 중요 기술로 상대적으로 오랜 기간 연구가 진행된 분야이지만, 그 기술적 중요성에 비추어 앞으로도 지속적으로 인공지능 기술의 활용 가능성이 높은 매우 유망한 분야라고 볼 수 있다. 이미 대형 게임사들을 비롯하여 크고 작은 기술 활용을 위한 시도가 있지만, 그 중에서 2016년부터 발매가 시작된 헬로게임즈의 <노 맨즈 스카이>는 현실감 넘치는 배경의 자동생성 기법으로 거의 무한대에 가까운 행성계를 운영하였으며, 국내에서는 다양한 섬지형을 자동으로 생성하는 동적인 맵 운영을 특징으로 하였으나 얼마 전 서비스가 종료된 넥슨의 모바일게임 <듀랑고> 등을 볼 수 있다. 다만, 서비스를 운영하는 관점에서 먼저 짚어보아야 할 실제적인 문제는, 콘텐츠의 자동생성은 필연적으로 운영의 어려움을 함께 발생시킨다는 점이다.


게임서비스를 효율적으로 운영하기 위해서, 절차적 생성 기술은 앞서 논의되었던 다른 게임 인공지능 기술들과의 협업이 필요하다. 단적인 예로, 자동으로 생성된 게임요소들이 기존의 요소들과 잘 연계되어 돌아가는지, 생성된 레벨에 해결책은 있는 것인지, 해결책이 있더라도 그 난이도가 얼마나 되는지를 검증하고 판단할 수 있는 자동화 방안이 함께 필요하며, 이를 위해서는 다양한 인공지능 기술의 협업이 필요하다. 이렇게 발생되는 요구사항에 따라 다양한 시도가 있었으며, 최근에는 복잡한 게임 구성요소를 기반으로 맵의 생성과 검증을 문제풀이 방법 탐색의 관점에서 접근하는 <Baba is Y’all> 게임 기반연구가 발표되기도 했다.



2-4. 매치메이킹

게이머들의 숙련도를 측정하고 분류하여, 유사한 레벨의 상대편을 찾아주거나 대전 상대가 되어주는 에이전트의 숙련도를 조절하는 것은 게임 진행에 있어서 사용자에게 직접적인 재미를 부여하는 주요한 수단이다. 아울러, 게임 속의 행동경향들을 분류화하여 서로간의 상성전략을 인식하여 매치메이킹을 부여하는 것은 게이머들의 전술적 경향을 파악하는 기반기술이 동반되어야 한다. 이를 위해서는 스킬 레벨의 정의와 인식, 사용자 행동패턴의 자동분류, 에이전트 생성을 위한 파라미터 운용 등을 포함한다. 특히 숙련도의 정의와 인식에서 해당 숙련도를 결정하기 위한 요인분석은 e스포츠에서 플레이어의 랭킹과 팀플레이 속의 역할 비중, 기여도 등을 객관적인 지표로 분석할 수 있는 기반기술로 활용이 가능하며, 직무분석, 커리어 측정 등 다른 분야의 높은 활용성도 보유하고 있다. EloRating, MMR(Match Making Rating) 등이 숙련도 지표로 많이 활용되고 있으나, 해당 레벨을 결정하기 위한 게이머들의 행동요소들은 매우 다양한 속성간의 연관성을 분석하여 결정할 필요가 있다. 이를 지원하기 위해 마이크로소프트의 트루스킬2(TrueSkill 2)나 메타플레이 기반 숙련도 예측 및 에이전트 생성 연구 등 기계학습 방법을 적용하기 위한 시도가 지속되고 있다.


2-5. 어뷰징 탐지

부정한 사용자들을 탐지하기 위한 어뷰징 탐지 기법은, 넓은 범주에서 활용분야를 논의하자면 운영 분석 기술의 일환으로 설명할 수 있다. 다만, 해당 분야의 인공지능적 관점을 더해 차이점을 추가하자면, 활용 특성면에서 도덕적인 판단이 개입되는 부분이 있음을 생각해야 한다. 즉, 게이머 행동 의도의 선악을 판단하거나, 게임봇과 같이 자동 플레이를 통해 가상재화를 휩쓸어 가는 부정 사용자들을 탐지하기 위해 자동화 에이전트의 행동과 사람 행동을 구분하는 과정이 모호한 결정으로 될 수 있기 때문이다. 따라서, 이를 구분하기 위해서는 체계적인 요인분석을 통해 객관적인 근거를 제시할 수 있는 방안이 함께 구현되어야 한다.


현재로서는 어뷰징 탐지를 위한 전담조직을 운영하면서, 관리자를 지원하기 위한 방안으로서 수많은 사용자들의 데이터를 필터링하는 보조적 수단으로 지능형 시스템을 활용하고 있다. 특히 엔씨소프트와 넥슨, 넷마블 등 3N으로 통칭되는 국내 대형3사를 중심으로 오랜 기간 동안 관련 노하우를 쌓고 있으며, 다양한 인공지능 기술접목을 위한 시도를 지속하고 있는 것으로 판단된다. 아울러, 플레이어 모델링에 기반하여 행동결과를 예측하고 그에 따르는 행동패턴 범주화를 수행하는 연구가 국내 대학 및 연구소에서 진행되었으며, 해외에서는 게임 속 행동에서 실세계의 범죄발생을 예측하고 범죄행동 프로파일링을 분석하는 연구가 보고되기도 하였다.


3. 마치며


시작하며 언급하였던 ‘초지능’으로서의 기술적 특이성은 이제 점점 다음 단계의 인공지능을 적용하기 위해 보편화된 기준이 되리라 예상한다. 예를 들어, 점점 사용자 행동을 닮아가면서 사람과 구분이 되지 않는 인공지능의 활용이 확대되게 되면 어느 시점에서는 그 둘을 구분할 필요성이 제기될 것이며, 과거 <블레이드 러너>와 같은 SF 영화에서 사람과 인공지능을 구분하는 것은 창조적 행위와 함께 인간만이 할 수 있는 역할처럼 회자되었지만 실제 그 둘을 구분하는 것은 분명 미묘한 차이를 인식하는데 유리한 ‘사람보다 나은 인공지능’이 전담하게 될 가능성이 크기 때문이다. 이러한 기술적 특성은 판단결과를 책임지기 위한 요인분석과 지표제시라는 기능적 지원과 맞물려 매우 유용한 기술로 우리 생활에 자리 잡을 것으로 생각된다. 이미 페이크 영상, 가짜뉴스 판독 등에 인공지능을 적용하는 대표적인 문제들이 떠오르고 있는 것이 이를 증명하고 있다. 과거에 초지능으로 진입하기 위한 가능성을 보여주기 위해 게임의 역할이 주요하였듯이, 이러한 다음 단계의 지능적 관점에서 발생하는 문제들을 포괄적으로 해결하는 방법도 역시 게임을 활용하는 것이 유효하리라 예상된다. 실세계의 구성요소를 충실하게 반영하는 게임 속 가상세계를 활용하는 것은 다양한 속성을 종합적으로 활용하는 가장 효율적인 환경이기 때문이다. 이를 위해서, 향후 실세계의 현상을 포괄적으로 관측할 수 있는 인게임 데이터를 이용하는 연구의 확대 중요성은 강조되어야 한다. 이미 전 세계적으로나 국내에서도 그 필요성을 증명하듯 게임 인공지능 기술의 고도화를 서두르고 있는데, 이러한 기술개발에 팔걷고 나서는 국내 게임3사의 바쁜 걸음을 목격하곤 한다.


올해는 국내 게임산업을 위한 중요한 분기점이 되리라 생각한다. 15년 만에 전면개정되는 게임산업법과 게임 인공지능과 같은 첨단 기술의 필요성 도래, 세계적인 게임산업 판도의 변화는 국내산업에게 위기와 기회를 동시에 제시하고 있다. 다만, 인공지능 기술은 단지 게임산업에만 국한된 문제가 아니며, 앞서 설명하였듯이 이러닝, 정책 시뮬레이션, 국방 등 다른 분야를 선도하기 위한 게임산업의 역할이 중요해지는 시점이라고 주장하고 싶다. 이러한 고수준의 기술확보를 위해서는 게임 인공지능 기반기술 연구개발을 위한 기업지원과 장기적인 R&D 사업 정책의 확대가 그 어느 때보다 절실해지는 이유이다.



참고자료

김시소(2019). 「다양한 역할을 넘나들다, 게임 속 AI」.『한국콘텐츠진흥원콘텐츠 이슈 & 인사이트』.
연합뉴스. “AI '딥스택', 무제한 베팅 포커게임서 인간고수들 “싹쓸이“” 《연합뉴스》 2017.3.3.
옥찬호(2019). 「하스스톤강화학습 환경 개발기」. 『NDC』.
이상광, 김대욱, 장시환, 양성일(2019). 「역강화학습 기술 동향」.『한국전자통신연구원 전자통신동향분석』.
이상광, 장시환, 양성일(2017). 「모바일 게임 분석 기술 동향」.『한국전자통신연구원 전자통신동향분석』.
《‘초지능’은 과학인가, 공상인가?》(2017.2.15.).『카카오정책산업연구』.
「카카오 AI 리포트 14호」(2020).『카카오 AI 리포트』.
플레이지. “[AI와 게임 ①] 3N, 똑똑한 게임 개발 위해 인공지능 집중: 센터운영, 인공지능 연구개발 인력 지속 충원”. 《플레이지》. 2019.5.6.
“튜링테스트”, https://ko.wikipedia.org/wiki/%ED%8A%9C%EB%A7%81_%ED%85%8C%EC%8A%A4%ED%8A%B8
『한국공학한림원 산업미래전략보고서』(2020).
Charity, M., Khalifa, A., & Togelius, J. (2020). Baba is Y’all: Collaborative mixed-initiative level design, arXiv, Retrieved from:
https://arxiv.org/pdf/2003.14294.pdf
ciokorea. “포커'마저 정복... AI, 불완전 정보의 신세계에 진입하다”, 《ciokorea》. 2017.2.13.



글ㅣ양성일 한국전자통신연구원 차세대콘텐츠연구본부 책임연구원

     (출처 : 한류NOW 2020년 9+10월호)