谷歌經常談論「下一個十億用戶」之類的事情，特別是它設計的產品和功能將如何幫助他們進入該公司的生態系統。Stadia研發創意總監Erin Hoffman-John最近在接受外媒採訪時表示，她的團隊更關注「下一個十億玩家群」。
如果谷歌將要觸達這部分用戶，Hoffman-John表示這將從它為創作者們提供的工具開始。
Hoffman-John說，「我們認為，為了讓遊戲能夠接觸到真正廣泛的受眾，並讓所有類型的新入行開發人員參與到這個過程中，我們必須讓遊戲開發變得更容易，讓更小的團隊更有效率」。
為此，Hoffman-John的團隊一直致力於機器學習方面的研究，以幫助解決開發者們遇到的一些常見的痛點和瓶頸。這個團隊主要由遊戲開發人員和一些工程師組成，以幫助將谷歌現有的一些技術應用到遊戲創意原型中。
Hoffman-John表示她們看這項工作是從「相當長遠」的角度，甚至證明他們探索的技術都需要兩年至五年的時間才能做到，與投放到市場並且用於一款發布遊戲的時間相比少很多。
她展示了一個叫做Chimera的項目作為Stadia調研和研發團隊從事工作的案例，有點類似空中樓閣的想法是，某一天機器學習工具可以讓一個20人的開發團隊打造一個像《魔獸世界》一樣龐大而複雜的遊戲。但Hoffman-John很快就承認，這有點遙遠，所以她的想法是從使用機器學習來簡化一些小小項目的研發開始，比如卡牌收集遊戲（CCG）的《萬智牌》。
Hoffman-John指出，對於許多真正的CCG來說，大部分的工作和預算都是由繪製和設計各種卡牌的外包美術師來完成的。Hoffman-John說，在這樣的策略遊戲中，大約70%的開發時間和投入都花在了重複性的內容製作上，比如製作一些差異化比較小的怪物來填滿遊戲世界。
Hoffman-John說，「這並不是遊戲開發者真正想做的有創意的事情，填補一個內容工作流程是你必須做的事情，這樣可以讓遊戲世界更豐富」。
所以，在做Chimera項目的時候，Stadia團隊想要讓機器學習為他們創造這些怪獸。團隊從《此人不存在（This Person Does Not Exist）》使用的對抗性網絡中獲得了靈感，後者用一個根據真人照片培訓的機器學習模型來製作假照片。
Hoffman-John表示，Chimera使用了同樣的規則，美術師創造了一些動物模型並且把一款CCG遊戲卡牌的構成分為一些規則：場景從上方照亮，生物用幀和動態姿勢展現，攝像頭角度來自下方讓它看起來更強大。然後他們使用一個機器學習模型來訓練識別高品質的姿勢，另一個模型可以為每張卡牌找到背景的風景圖，並應用樣式過濾器來給它們做出手繪的外觀。
將這些加在一起，Chimera可以為開發者生成數十種不同的卡牌。這時候，美術師開始從呈現給他們的大量選擇中挑出他們喜歡的，並告訴項目製作一個融合這些特色的新卡牌。這個工具還可以給他們微調生物的能力，這無疑是非常必要的。
Hoffman-John說：「如果我們讓機器把動物粘在一起，你就會得到我們團隊所說的夢魘燃料。」他們太可怕了，它們極為恐怖，但那不是我們想要的。如果你讓機器做它自己的事情，它會給你一些遠遠超出美術師意圖的東西。因此，如果我們只是想讓開發者更強大，我們就必須讓他們知道如何非常具體地指導人工智慧（為他們工作）。」
這些工具允許開發人員調整混合和匹配的動物部分，組成Chimera的合成獸。它們可以告訴系統在不同的部分加上翅膀或去掉它們，使一部分更像鳥，或使另一部分更像魚。
Hoffman-John把這個過程稱為「與機器對話」，而且它並不是項目中唯一一個這樣工作的部分。除了機器學習在資源創作方面的應用，Chimera還研究了它在遊戲設計方面的潛力，除了使用機器學習幫助創建卡牌的視覺效果外，Hoffman-John還依靠機器學習來告知卡牌遊戲本身的玩法機制。
對於競技遊戲來說，在向廣泛用戶群發布一款產品後才發現平衡問題的情況並不少見。讓一款遊戲被經驗豐富的開發人員和遊戲測試人員看起來比較平衡是一碼事，但讓它看起來對數千萬玩家，讓一款遊戲看起來平衡是一回事；而對於成千上萬的玩家來說，在遊戲發布日尋求積累優勢則是另一回事。
Hoffman-John表示，機器學習可以幫你，因為它可以使用多種策略對一個遊戲進行數百萬次的測試，並找出那些可能比設計者想要的更強大的策略。對於Chimera，她故意創建了一個有問題的玩法系統，這個系統的能力可能會過大或者難以測試，並使用機器學習模型來幫助完善它。
「有了這個系統，我就可以嘗試一些瘋狂的東西，然後機器就會告訴我出了什麼問題，使用這些能力的獲勝機率有多大，然後我們就可以把它們削弱回去」，Hoffman-John說，「我們可以做到所有這些，而不需要將其發布給玩家。通常情況下，你必須把它發布出來，這樣會讓人們不高興，因為它會讓人覺得這種能力出了什麼問題。因為系統太複雜了，我無法預測會發生什麼」。
這並不是機器學習應用於遊戲研發的唯一案例，育碧就曾在2018年的時候談過使用機器學習為《榮耀戰魂（For Honor）》測試，但這符合研發團隊創造簡化研發過程目標的技術。
Chimera項目最明顯的應用就是為美術師和遊戲策劃們而設計，但Hoffman表示Stadia研究和研發團隊的目標是找到機器學習適用於遊戲研發所有方面的的最佳方法。
「在我們進行的過程中，我們試圖將[發現]提煉成關於機器學習本身使用的原則」，她說，「我認為我們還沒有完全達到目標，因為我們還在摸索。但一般來說，當你遇到需要數十萬種可能性的情況時，你就需要一些幫助來將這些可能性轉化為你想要的東西，這就是機器學習的作用所在。你可以把它看作是程序生成之外的下一步，在《無人深空》這樣的遊戲里，你就看到了程序生成的極限」。
所以，如果像Stadia研發團隊的實驗取得了成果，機器學習甚至可以讓小團隊有能力製作那種過去需要大兵團式的研發團隊才能製作的遊戲，那對遊戲預算有什麼影響？
「這就對所有遊戲的研發提出了有趣的宏觀問題」，Hoffman-John說，「你可以假設我們只要撥一下撥號就可以了。我認為這可能成為現實，但是當你給開發人員更多能力的時候，很大的可能是，他們就會做更多的事情。我不確定這個網絡是否會降低成本，只是這些成本會被用做其他事情，希望這能讓遊戲變得更好」。
不管怎樣，她強調機器學習對這個行業的全面影響在一段時間內不會被人知道，她的團隊正在做的工作仍處於初級階段。
「有很多我們不知道的地方，我想讓我們興奮的是把這些東西交給開發人員，看看他們是如何創意使用的」，Hoffman說，「這也意味著所有這些東西都很遙遠。甚至我們也不知道該怎麼辦。我們只是希望把這些工具交給開發人員，看看他們想用它們做什麼」。