Benvenuti in NeuraGame, la rubrica che tratta di intelligenza artificiale nell’industria del gaming. L’obiettivo è quello di andare a snocciolare, in maniera dettagliata, le questioni più interessanti che legano questi due mondi. Sia per gli sviluppatori, che per gli appassionati di questi argomenti.
Oggi partiamo parlando dell’AI generativa e dell’impatto che questa sta già avendo nell’industria. E soprattutto: come cambia la creatività? Questa non è più solo una caratteristica umana? Direi di partire proprio da qui.
Una macchina sa essere creativa?
Partiamo definendo in maniera precisa cosa intendiamo per “creatività”. Sul Vocabolario Treccani leggiamo che la creatività è definita come la “capacità di creare con l’intelletto, con la fantasia.”
A questo punto, ha senso chiedersi: una macchina sa essere creativa? In un articolo scientifico del 1998, chiamato “Creativity and Artificial Intelligence”, Margaret Boden evidenzia tre forme di creatività:
- Creatività combinatoria: consiste nel combinare idee preesistenti in modi nuovi e inaspettati. Questa rappresenta la forma di creatività più semplice da modellare all’interno delle macchine, poiché richiede la rielaborazione di dati già esistenti. Per fare un esempio, le analogie o i giochi di parole derivano da questa precisa forma di creatività.
- Creatività esplorativa: coinvolge l’esplorazione di uno spazio concettuale ben definito, con l’obiettivo di scoprire nuove possibilità all’interno di esso. In questo caso, l’intelligenza artificiale è in grado di esplorare uno spazio di possibilità in modo sistematico, ma non può valutare la bellezza o il valore dell’output (su quest’ultimo punto ritorneremo a breve). Per fare un esempio, le opere d’arte che seguono determinati schemi grafici derivano da questa forma di creatività.
- Creatività trasformativa: modifica le regole stesse dello spazio concettuale, permettendo di generare idee che prima sembravano impossibili. Questa, secondo Boden, è la forma più difficile da modellare nell’AI, poiché richiede una trasformazione delle regole stesse del sistema. Per fare un esempio, la scoperta della teoria della relatività deriva da questa forma di creatività.
Ora, dal 1998 al 2025 di cose ne sono cambiate, ma ritengo che questa sia una buona base di partenza per fare qualche ragionamento. Ad esempio, è facile trovarsi d’accordo sul fatto che l’intelligenza artificiale funzioni particolarmente bene per quanto riguarda il primo tipo di creatività, quella combinatoria. La capacità di rielaborare una grande mole di dati, d’altra parte, è una delle grandi forze dell’AI per come la conosciamo oggi. Risulta quindi sensato affermare che una macchina sa essere creativa, se parte da un input umano alla ricerca di un output creativo dal punto di vista combinatorio.
Per quanto riguarda la creatività esplorativa, vale la pena spendere qualche parola in più sul concetto di ragionamento e auto-valutazione. Le più recenti architetture sulle quali si basano modelli come o1 di OpenAI o DeepSeek-R1, si differenziano dalle versioni passate per la capacità di seguire una catena logica di pensiero al fine di valutare un output, piuttosto che limitarsi a una generazione probabilistica.
Ciò significa che, con il tempo, i modelli stanno imparando a motivare le loro scelte. Per fare un esempio concreto: come emerge dall’articolo scientifico pubblicato dagli sviluppatori, DeepSeek-R1 ha la capacità di suddividere il proprio ragionamento in passaggi e verificare autonomamente se la soluzione proposta ha senso. Il modello è quindi in grado di riconoscere un errore e di ripercorrere i propri pensieri per correggerli, costituendo così quello che è stato nominato un “Aha moment”. È interessante sottolineare come questa sia un’abilità emergente, che non era stata esplicitamente programmata, ma che è sorta grazie al rinforzo positivo dato dall’auto-correzione.
Questo passaggio ci è servito per evidenziare come, tramite il ragionamento, l’AI possieda attualmente una forma primitiva di auto-valutazione, che permette al modello di scegliere gli output migliori in base a premi e penalità (Reward Modeling). L’auto-valutazione dell’output non si basa più puramente su metriche statistiche, ma include una forma di ragionamento adattivo che migliora nel tempo.
È questo il vero motivo per il quale i Large Language Models (LLMs, ovvero i modelli che stanno alla base di ChatGPT e DeepSeek) hanno il potenziale (e sottolineo potenziale) per riuscire a creare risposte e idee realmente originali. E da qui, nasce la creatività nelle macchine.
Cosa significa “bello” per una macchina?
Ora arriviamo al vero grande problema dell’AI: non sa cosa sia “bello”. Certo, è in grado di fornirci risposte originali e, come abbiamo potuto vedere poco fa, anche creative. Ma continua a mancare una vera comprensione soggettiva di cos’è bello e cosa no. Per questo motivo, è ancora fondamentale il ruolo dello sviluppatore, del designer o dell’utente generico che fa uso dell’AI generativa.
La macchina ha ancora bisogno di input umani, per far nascere qualcosa di veramente bello. È, questa, creatività? Forse, da questo periodo storico in poi nascerà un nuovo modo di intendere l’essere creativi, e includerà sempre più l’interazione tra essere umano e macchina, per potenziare le idee che, in primis, arrivano sempre dalla nostra mente.
È importante sottolineare come le scorse righe varranno fino al momento in cui i modelli di intelligenza artificiale non saranno in grado di apprendere (è possibile?) il terzo tipo di creatività descritto dalla Boden, ovvero quella trasformativa. Per fare un altro esempio di quest’ultima, parliamo brevemente del linguaggio cinematografico: prima il cinema era visto come un’estensione del teatro, con riprese statiche e senza un montaggio complesso. La rottura trasformativa arrivò con il montaggio associativo di Eisenstein e il montaggio parallelo di Griffith, che cambiarono in modo in cui il cinema racconta le storie.
Ecco, se un giorno le macchine dovessero riuscire ad apprendere anche questo tipo di creatività, forse il nostro ruolo cambierà. Sarà un bene o un male? Mi dispiace lasciarvi con più domande che risposte, ma penso che al momento nessuno abbia la verità assoluta tra le proprie mani (possiamo provare a chiedere a ChatGPT se già lo sa).
L’AI generativa nello sviluppo dei videogiochi
Ora passiamo alle cose un po’ più pratiche e un po’ meno filosofiche. L’AI generativa viene, ad oggi, utilizzata all’interno dell’industria dei videogiochi principalmente in tre modi:
- Creazione di ambienti e mondi di gioco
- Sviluppo di personaggi e narrazioni emergenti
- Generazione di asset grafici e sonori
Possiamo inquadrare l’uso dell’AI generativa da parte di sviluppatori e designer come una forma avanzata di creatività esplorativa (facendo riferimento alle tre forme precedentemente esplorate). In questo senso, l’uomo definisce lo spazio concettuale e l’AI lo esplora generando combinazioni innovative.
Per quanto riguarda la creazione di ambienti e mondi di gioco, gli algoritmi di machine learning sono in grado di analizzare modelli di paesaggi esistenti e generare, di conseguenza, nuove mappe, città o biomi. Un esempio lampante è No Man’s Sky. Gli sviluppatori definiscono i limiti dello spazio creativo, e l’AI genera variazioni all’interno di esso. Con i recenti sviluppi dell’AI, gli sviluppatori possono affidarsi a modelli sempre più avanzati in grado anche di cambiare il mondo in base alle azioni del giocatore, rendendo unica ogni esperienza.
L’AI generativa viene poi utilizzata per migliorare la creazione e gestione di NPC, al fine di renderli più realistici e interattivi con il giocatore. I personaggi, ad esempio, possono rispondere alle azioni in modo più naturale, senza essere “ingabbiati” in risposte chiaramente predefinite e a volte poco coerenti con il modo di pensare e vivere l’avventura da parte del videogiocatore. AI Dungeon, ad esempio, è un gioco di ruolo che sfrutta i Large Language Models (come GPT-4o) per generare storie in tempo reale.
L’interazione tra videogiocatore e personaggi non giocanti è forse la componente in cui vedo maggiori margini di sviluppo da parte delle software house, per arrivare a un punto in cui giocare di ruolo offrirà opportunità che, al momento, neanche riusciamo a immaginare.
Un altro campo in cui l’AI generativa può risultare rivoluzionaria è poi quello della generazione di asset grafici e sonori. Strumenti come Midjourney e modelli come Stable Diffusion, ad esempio, sono in grado di generare illustrazioni e design, in maniera particolarmente accurata e in pochi secondi.
Insomma, le aree in cui l’industria può fare uso dell’AI generativa per creare o migliorare i propri prodotti sono numerose. Siamo ancora in una fase in cui non è semplice comprendere come utilizzare questi modelli a proprio favore, ma è ormai sotto gli occhi di tutti che sta diventando sempre più la norma sfruttare questo tipo di aiuto al fine di sviluppare prodotti e servizi, con l’obiettivo di soddisfare le esigenze degli utenti.
Per quanto riguarda la creatività, il mio auspicio è che in un mondo in cui la possibilità di immaginare e creare si sta sempre più democratizzando, vengano fuori quei talenti che, con questi strumenti, hanno finalmente la possibilità di dare vita ai propri progetti.
Chissà che non sia proprio l’AI generativa (in combinazione con una mente già creativa di suo) a risollevare un’industria che, ora più che mai, ha bisogno di idee, freschezza e tanta, ma tanta creatività.
Scrivi un commento