ゲームにおけるAIの歴史：敵の動きから生成まで

ルールで動く時代：アーケードから家庭用ゲーム機へ

ゲームAIの出発点は、プログラムで書き込まれた「ルール」でした。1978年に登場した『スペースインベーダー』の敵は、左右に移動しながら徐々に降下するという決まった動きしかしません。しかし当時のプレイヤーにとっては、それだけで「迫ってくる脅威」として十分に機能しました。

1980年の『パックマン』は、このルールの使い方をより精巧にした例です。4体のゴーストはそれぞれ異なる行動パターンを持ち、追いかける・先回りする・ランダムに動く・他のゴーストの補助をするという役割分担がありました。複雑な学習を使わずとも、ルールの組み合わせだけで「一緒に動いているように見せる」ことができると示した設計です。

家庭用ゲーム機の時代に入ると、RPGや戦略ゲームで「状況に応じた判断」が求められるようになりました。敵が残りHPに応じて逃げる、プレイヤーの位置によって攻撃方法を変えるといった分岐条件が増え、「if〜then（もし〜ならば〜する）」という条件分岐の積み重ねがゲームAIの主な手法になりました。この手法は「有限オートマトン（FSM）」とも呼ばれ、今でも多くのゲームで基礎として使われています。

3D空間と「賢く見せる」技術

1990年代後半、3Dゲームが普及するとAIに求められる問題が変わりました。2Dのマス目の上を動くだけでなく、立体的な空間を障害物を避けながら移動する必要が生まれたのです。

この課題に対して広まったのが「経路探索（パスファインディング）」です。「A*（エースター）」と呼ばれるアルゴリズムは、スタート地点からゴールまでの最短経路を効率よく計算する手法で、1960年代に研究され、ゲームでは1990年代から広く使われるようになりました。このアルゴリズムのおかげで、敵キャラクターが壁にぶつかり続けることなくプレイヤーを追いかけられるようになりました。

同じ時期に注目されたのが「ビヘイビアツリー（行動木）」です。条件分岐をツリー状に整理したこの手法は、複雑な行動パターンをプログラマーが管理しやすい形で書けるという利点がありました。2000年代のFPS（一人称シューティング）ゲームでは、敵兵士が遮蔽物に隠れながら移動し、仲間と連携して攻撃するといった動きが実現され、「AIが賢くなった」と感じさせる転換点になりました。

ただしここで重要なのは、「賢い」と感じさせることがゴールであって、実際に学習や判断をしていたわけではないという点です。ほとんどは精巧なルールの組み合わせであり、設計者があらかじめ想定した状況に対してのみ機能しました。

機械学習の導入：ゲームが「学ぶ」ようになった転換点

2010年代に入ると、機械学習（コンピューターがデータから規則性を学ぶ技術）がゲームAIに本格的に応用されるようになりました。特に注目されたのが「強化学習」という手法です。これは、AIが試行錯誤を繰り返しながら「報酬を最大化する行動」を自分で見つけていく仕組みです。

2016年、DeepMindが開発した「AlphaGo」が囲碁の世界チャンピオンに勝利したことは、強化学習の可能性を広く知らしめた出来事でした。囲碁は取りうる手の組み合わせが天文学的な数に上るため、ルールベースのAIでは人間のトッププレイヤーには到底太刀打ちできないとされてきました。深層学習（ニューラルネットワークを多層に重ねた技術）と強化学習を組み合わせることで、その壁が破られました。

ゲーム開発の現場では、強化学習はNPC（ノンプレイヤーキャラクター）の訓練にも使われ始めました。対戦型ゲームやスポーツゲームでの対戦AIが、プログラムされたルールではなく、膨大な対戦データや自己対戦を通じて動きを学ぶようになっています。プレイヤーの腕前に合わせて難易度が自然に変化する「動的難易度調整」への応用も進みました。

生成AIとゲーム：テキスト・画像・会話が変わる

2022年以降、大規模言語モデル（LLM）や画像生成AIが一般にも使えるようになったことで、ゲームAIはまた別の局面を迎えています。これまでのゲームAIが「どう動くか」の問題を解いてきたとすれば、生成AIは「何を生み出すか」という領域に踏み込んでいます。

最も変化が見えやすいのは会話です。NPCが固定のセリフしか話さない時代から、プレイヤーの問いかけに自然な文章で応答するNPCが実験的に登場しています。LLMを組み込んだNPCは、あらかじめ用意されていない質問にも文脈を踏まえて答えられるため、世界観への没入感が大きく変わる可能性があります。一方で、発言内容の制御や世界観との整合性を保つことは技術的な課題として残っています。

マップやアイテム、クエストを自動生成する「プロシージャル生成」自体は1980年代のローグライクゲームから存在しましたが、生成AIと組み合わせることで、文脈のある物語やビジュアルを即座に生み出せるようになりつつあります。ゲームの開発プロセスでも、背景画像やプロトタイプのコードをAIで生成する場面が増えており、制作コストと時間の変化はすでに始まっています。

個人開発者にとってこの流れは特に意味があります。以前は大きなチームが必要だった「それらしい会話をするキャラクター」や「多様なステージ」を、より少ない人数でも作れる環境が整いつつあるためです。

ゲームAIの歴史から見えること

ゲームAIの歴史をたどると、技術の複雑さが増すにつれて変わったこととと変わらないことが見えてきます。

変わってきたのは、AIが「事前に書かれたルール通りに動く存在」から「データや状況から自ら学ぶ存在」へと移行したことです。また「動かす」技術から「生み出す」技術へという拡張も起きています。

変わっていないのは、「プレイヤーが面白いと感じること」がゴールであるという点です。どれほど技術が高度になっても、プレイヤーをいらいらさせたり、理不尽に感じさせたりするAIは良いゲームAIとは呼べません。強すぎる将棋AIより、ちょうど良いレベルで戦えるAIの方がゲームとしての満足度は高いことがあります。技術の水準と「楽しさ」の設計は別の問いです。

現在の生成AIブームの中でも、ゲームAIの根本にある「プレイヤーにどんな体験を届けるか」という問いは変わっていません。歴史を知ることで、今の技術が何を解決しようとしていて、何がまだ解決されていないかを整理する軸を持てます。

次の行動

ゲームAIの基礎を知った上で、実際に自分でゲームを作ってみると、「敵の動き」や「キャラクターの反応」を設計する難しさと面白さが体験できます。アソバースではHTMLやZIPファイルで作ったゲームを投稿・公開できますので、AIツールを使って試作したゲームの発表の場として活用してみてください。まずは簡単なルールベースの敵AIを実装することから始めると、歴史の最初の一歩を自分の手で体験できます。

参考資料

• Ian Millington, John Funge 著『Artificial Intelligence for Games』（CRC Press）
• DeepMind「AlphaGo」公式研究ページ
• 三宅陽一郎 著『ゲームAI技術入門』（技術評論社）