Digital resources in the Social Sciences and Humanities OpenEdition Our platforms OpenEdition Books OpenEdition Journals Hypotheses Calenda Libraries OpenEdition Freemium Follow us

Spielende Maschinen: Die Evolution und Zukunft der künstlichen Intelligenz in Videospielen

Dieser Text ist ein Beitrag zum Sammelband „Geisteswissenschaften und Digitale Spiele: Debatten, Data & Desiderata“, der anlässlich des zehnjährigen Jubiläums des Arbeitskreises herausgegeben wird. Eine kurze Einleitung und Übersicht über alle bereits erschienenen Beiträge findet sich hier.

Einleitung

Die Faszination für künstliche, menschenähnliche Intelligenz ist tief in der Kulturgeschichte verwurzelt. Ein frühes und prägnantes Beispiel hierfür ist der sogenannte „Schachtürke“, ein Schach spielender Automat, den Wolfgang von Kempelen 1770 am Wiener Hof von Kaiserin Maria Theresia präsentiert hat. Die Maschine, eine Holzfigur in orientalischer Kleidung, schien in der Lage zu sein, jeden menschlichen Gegner zu besiegen. Über Jahrzehnte tourte der Automat durch Europa und spielte gegen Persönlichkeiten wie Benjamin Franklin und Friedrich den Großen. Erst Jahre später wurde das Geheimnis gelüftet: Im Inneren des Automaten saß ein menschlicher Schachmeister, der die Züge ausführte.[1] Der Schachtürke war eine meisterhafte Illusion, die jedoch wichtige Erkenntnisse offenbarte: die menschliche Bereitschaft, an die Existenz künstlicher Intelligenz zu glauben – und die Neigung, die Fähigkeiten von Maschinen zu überschätzen. Diese historische Episode soll den Auftakt bilden für die Betrachtung der Beziehung zwischen künstlicher Intelligenz (KI) und Videospielen, einer Geschichte, die von ähnlichen Illusionen, aber auch von echten technologischen Durchbrüchen geprägt ist.

Dieser Beitrag zeichnet in Folge die wechselseitige Entwicklungsgeschichte von KI und Videospielen nach. Dabei wird eine wichtige Differenzierung vorgenommen: zwischen der ‚intelligenten Programmierung‘ der frühen Spiele – also regelbasierten Systemen, die menschliches Verhalten simulierten – und der ‚künstlichen Intelligenz‘ im heutigen Sinne, die auf maschinellem Lernen, neuronalen Netzen und der Fähigkeit zur Generalisierung basiert. Von den einfachen Algorithmen der Arcade-Ära über die Siege von KI-Systemen gegen menschliche Weltmeister_innen bis hin zu den aktuellen Entwicklungen im Bereich der Sprachmodelle und der prozeduralen Inhaltsgenerierung werden sowohl die Potenziale als auch die ethischen Herausforderungen beleuchtet, die mit der zunehmenden Integration von KI in die Welt der Spiele einhergehen.

Die Anfänge: Intelligente Programmierung in der Arcade-Ära

Die ersten Videospiele waren eng mit der akademischen Forschung verbunden. Bereits 1950 entstand mit Bertie the Brain ein Tic-Tac-Toe-Automat, ein Jahr später folgte Nimrod, ein Röhrencomputer, der das mathematische Spiel Nim beherrschte.[2] 1952 wurde an der Universität Manchester ein Dame-Programm entwickelt, das von Guinness World Records als eines der ersten Videospiele der Geschichte geführt wird.[3] Spannend ist in diesem Zusammenhang auch die Arbeit von Arthur Samuel, dessen Dame-Programm von 1956 bereits mittels einer frühen Variante von Reinforcement Learning lernte, auf einem mittleren bis guten Niveau zu spielen – zumindest besser als sein eigener Entwickler. Reinforcement Learning (RL) beschreibt hierbei ein Lernverfahren, bei dem ein KI-Agent aus seinen Aktionen und deren Konsequenzen lernt, um ein Ziel möglichst gut zu erreichen – ähnlich wie Lernen durch Versuch und Irrtum. Samuels Arbeit gilt daher als eines der ersten auf RL basierenden KI-Programme.[4] Mit Spacewar! (1962) entstand am MIT schließlich das erste interaktive Videospiel, das zwei Spieler_innen gegeneinander antreten ließ.[5] Der kommerzielle Durchbruch gelang Atari dann 1972 mit Pong, einem einfachen Tennisspiel, das die Grundlage für die aufstrebende Arcade-Industrie legte. Innerhalb von vier Jahren wuchs Atari von einer Investition von 750 Dollar zu einem Zwei-Milliarden-Dollar-Unternehmen.[6]

In dieser Ära war ‚wahrgenommene KI‘ manchmal auch ein direktes Resultat der Hardware-Beschränkungen, und gerade hier zeigt sich, wie eng Technik und frühes digitales Spieldesign miteinander verwoben waren. Ein prägnantes Beispiel ist Space Invaders (1978), das auf einem Intel-8080-Mikroprozessor mit 2 MHz lief und maximal 24 Objekte gleichzeitig animieren konnte. Die zunehmende Geschwindigkeit der angreifenden Aliens im Spielverlauf war dabei ursprünglich kein beabsichtigtes Designmerkmal, sondern ein Nebeneffekt: Wenn Spieler_innen Gegner eliminierten, sank die Prozessorlast – und das Spiel wurde schneller. Dieses aus einer Hardware-Limitation entstandene Spielmechanik-Element wurde letztendlich zu einem Markenzeichen des Spiels.[7] Wirtschaftlich war Space Invaders ein enormer Erfolg: Bis 1982 hatte das Spiel über 3,8 Milliarden Dollar eingespielt, und 1980 veranstaltete Atari die erste große Videospielmeisterschaft mit über 10.000 Teilnehmer_innen.[8]

Nennenswert ist auch Pac-Man (1980). Die vier Geister (Blinky, Pinky, Inky und Clyde) waren jeweils mit einer eigenen ‚Persönlichkeit‘ ausgestattet, realisiert durch unterschiedliche Zielberechnungsalgorithmen.[9] Diese deterministischen Verhaltensweisen erzeugten die Illusion einer koordinierten Jagd. Das Verhalten der Geister ähnelt dem Prinzip der Finite State Machines (FSM), die in den frühen 1990er Jahren als Standardtechnik in das Videospieldesign eingeführt wurden, um das Verhalten von NPCs (also nicht-spielbaren Charakteren) zu steuern.[10] Manikanta et al. zeigen in ihrem Paper aus 2025, wie FSM in einer heutigen Version von Pac-Man funktionieren würden.[11] Auch eines meiner ganz persönlichen Lieblingsspiele am Nintendo Entertainment System (NES), Duck Hunt (1984), nutzte einfache algorithmische Prinzipien: Die Enten flogen in zufälligen Mustern mit zunehmender Geschwindigkeit, was eine steigende Herausforderung erzeugte. Diese frühen Beispiele zeigen, dass Spiel-KI (oder eben eigentlich „nur“ intelligente Programmierung) von Anfang an nichtmenschliche Intelligenz simulieren sollte, sondern eine glaubwürdige Illusion von Intelligenz schaffen wollte. Wie Rana et al. es formulieren: „Graphics technology makes the game look real but AI makes the game feel real and behave humanely.“[12] Die Atari-Ära und der anschließende Videospiel-Crash von 1983, verursacht durch ein Überangebot an minderwertigen Spielen, verdeutlichen, wie eng technologische Innovation, spielerische Herausforderung und wirtschaftlicher Erfolg miteinander verwoben waren.[13]

Wenn Maschinen die Besten der Besten schlagen

Die Entwicklung von KI in Spielen erreichte einen Wendepunkt, als Computerprogramme begannen, menschliche Meister_innen in strategischen Spielen zu besiegen. Bleiben wir beim Dame-Spiel, welches als vergleichsweise simpel einzustufen ist: Ein erster Erfolg war der Sieg des Dame-Programms Chinook gegen den Weltmeister Marion Tinsley im Jahr 1994.[14] Nur drei Jahre später, am 11. Mai 1997, gab es einen Durchbruch bei Schach. Der von IBM entwickelte Supercomputer Deep Blue bezwang den amtierenden Schachweltmeister Garri Kasparow in einem Sechs-Partien-Match. Filipović beschreibt dieses Ereignis als den Moment, in dem „KI-ausgestattete Maschinen ihre Macht gegen den Menschen in der Öffentlichkeit zeigten“.[15] Roy et al. betonen in ihrem Überblick zur Geschichte der KI in Spielen, dass diese frühen Siege auf spezialisierten Algorithmen und roher Rechenleistung basierten – ein Ansatz, der bei komplexeren Spielen an seine Grenzen stoßen sollte. Dennoch trieben bereits diese simplen Ansätze die Entwicklung von KI-gesteuerten Gegnern, adaptivem Verhalten und strategischer Planung voran.[16]

Fast zwei Jahrzehnte später, im Jänner 2016, gelang DeepMind – einem Tochterunternehmen von Google – ein weiterer Durchbruch. Ihr Programm AlphaGo besiegte den europäischen Go-Champion Fan Hui mit 5:0 deutlich – das erste Mal, dass ein Computerprogramm einen professionellen Go-Spieler ohne Handicap besiegte.[17] Zwei Monate später gewann AlphaGo gegen den südkoreanischen Go-Meister Lee Sedol mit 4:1.[18] Go ist um ein Vielfaches komplexer als Schach: Während der durchschnittliche Verzweigungsfaktor beim Schach in der Größenordnung von 30 liegt, beträgt er bei Go rund 250. Die Spielbaumkomplexität von Schach wird auf 10120 bis 10123 geschätzt, für Go hingegen auf ca. 10360. Auch die Anzahl legaler Positionen verdeutlicht den Unterschied: Bei Schach gibt es schätzungsweise 1044, bei Go auf einem 19×19-Brett ca. 2,08 × 10170 – zum Vergleich: Das beobachtbare Universum enthält schätzungsweise 1080 Atome. Aufgrund dieses ungleich größeren Suchraums ist ein reiner Brute-Force-Ansatz bei Go unmöglich.[19] AlphaGo kombinierte daher Monte-Carlo-Baumsuche mit tiefen neuronalen Netzen und RL. Die Weiterentwicklung MuZero erreichte übermenschliche Leistungen in Go, Schach, Shogi und in 57 Atari-Spielen, ohne die Spielregeln im Voraus zu kennen – ein möglicher Beleg für eine gewisse Generalisierungsfähigkeit moderner KI-Architekturen.[20]

Diese Erfolge übertrugen sich in der Folge auch auf die Welt der Videospiele und des E-Sports. Am 13. April 2019 besiegte OpenAI Five das amtierende Weltmeister-Team OG im Echtzeit-Strategiespiel Dota 2 – ein Spiel, dessen Preisgeld bei der Weltmeisterschaft 2019 über 35 Millionen Dollar betrug.[21] Dota 2 stellt für KI eine besondere Herausforderung dar: Spiele laufen mit 30 Bildern pro Sekunde über etwa 45 Minuten, dies bedeutet rund 20.000 Entscheidungsschritte pro Partie. Das System lernte durch Self-Play und verarbeitete dabei Batches von etwa zwei Millionen Frames alle zwei Sekunden.[22] In öffentlichen Spielen gegen die Community gewann OpenAI Five 99,4 Prozent von über 7.000 Partien.[23] Ähnliche Erfolge erzielte DeepMind mit AlphaStar, das in StarCraft II Grandmaster-Niveau erreichte,[24] und mit Agenten, die in Quake III Arena im Capture-the-Flag-Modus menschliche Spieler_innen übertrafen. Selbst nach zwölf Stunden Übung konnten zwei professionelle Spieletester_innen – trotz voller Kommunikation untereinander – nur 25 Prozent der Spiele gegen das Agenten-Team gewinnen.[25]

Sprachmodelle und die Zukunft des Storytellings

Die jüngsten Fortschritte bei großen Sprachmodellen (Large Language Models, LLMs) eröffnen neue Möglichkeiten für die narrative Gestaltung von Videospielen. Traditionell basieren Dialoge und Handlungsstränge auf vordefinierten Skripten und Entscheidungsbäumen. LLMs ermöglichen es, dynamische und interaktive Erzählungen zu schaffen, die auf die Eingaben der Spieler_innen in Echtzeit reagieren. Ein frühes Beispiel für interaktive Erzählung ist Façade (2005), das Hagemann als „Vorreiter in der automatischen Sprachverarbeitung in Spielen” beschreibt.[26] Spiele wie AI Dungeon (2019) nutzen LLMs, um endlose, von den Spieler_innen gelenkte Abenteuer zu generieren: Das LLM erzeugt Open-End-Story-Texte auf der Grundlage von Spielereingaben, und unterschiedliche Verhaltensweisen lösen unterschiedliche Weltzustände und Charakterreaktionen aus.[27] Im Spiel Suck Up! (2023) werden die Konversationen nicht vorgefertigt, sondern durch eine Interaktion zwischen den Eingaben der Spieler_innen und einer KI erzeugt, die auf einem LLM basiert.[28] Forscher_innen an der Stanford University entwickelten 2023 darüber hinaus das Projekt Generative Agents, bei dem 25 KI-Agenten in einer virtuellen Stadt lebten, soziale Beziehungen bildeten, sich an vergangene Ereignisse erinnerten und ihre Tage planten – alles angetrieben von einem LLM.[29] Ob solche Systeme jedoch tatsächlich zu einer tieferen Spielerfahrung führen oder lediglich eine technische Spielerei darstellen, bleibt abzuwarten. Die AAA-Spieleindustrie experimentiert bereits mit diesen Möglichkeiten: Ubisofts Forschungsabteilung, mit dem von Star Trek inspirierten Namen La Forge, entwickelt mit Ghostwriter ein Werkzeug, das Autor_innen bei der Erstellung von NPC-Dialogen unterstützen soll.[30]

An dieser Stelle lohnt sich ein tieferer Blick auf die prozedurale Inhaltsgenerierung (Procedural Content Generation, PCG), die durch LLMs eine neue Dimension erhält. Während PCG traditionell zur Erzeugung von Landschaften, Dungeons oder Level-Layouts eingesetzt wird, können LLMs nun auch narrative Inhalte wie Quests, Charakterhintergründe oder ganze Handlungsstränge generieren.[31] Ein frühes Beispiel für prozedurale Generierung ist das Weltraumspiel Elite (1984) von David Braben und Ian Bell, das acht Galaxien mit insgesamt 2048 Sternsystemen aus einem einzigen Anfangsdatenpunkt (dem sogenannten ‚Seed‘) generiert – und das auf nur 22 Kilobyte Speicher. Elite gilt als eines der ersten Spiele mit einer prozedural generierten Welt und wurde dafür 2015 sogar mit einem Guinness-Weltrekord ausgezeichnet.[32] Ein mehr als nennenswertes Beispiel aus den letzten 20 Jahren ist Dwarf Fortress (2006) von Bay 12 Games, das mit minimalistischer ASCII-Grafik eine komplexe Simulation bietet: Das Spiel generiert prozedural ganze Fantasywelten mit Geologie, Klima, Zivilisationen und einer sich über Jahrhunderte erstreckenden Geschichte. Dwarf Fortress beeinflusste zahlreiche nachfolgende Titel wie Minecraft und RimWorld und wurde 2012 in die Sammlung des Museum of Modern Art aufgenommen.[33] Weitere Beispiele sind Spelunky (2008), Rogue Legacy (2013), Caves of Qud (2015) sowie No Man’s Sky (2016), das ein Universum mit Milliarden von prozedural generierten Planeten erschafft.[34]

Allerdings sind mit diesen Technologien auch Herausforderungen verbunden, die es nicht zu unterschätzen gilt. LLMs neigen zu Konfabulation[35] und logischen Inkonsistenzen: Ein Experiment zeigt, dass die Gedächtniskohärenz von LLMs nach fünf Interaktionsrunden auf 50 Prozent sinkt und 30 Prozent der generierten Handlungen logische Widersprüche aufweisen.[36] Zudem birgt eine übermäßige Abhängigkeit von KI das Risiko, dass Inhalte an Tiefe und künstlerischer Kohärenz verlieren.

Spiele als Trainingsgelände für KI

Die Beziehung zwischen KI und Videospielen ist keine Einbahnstraße – und gerade dieser Aspekt macht die Thematik so spannend. Spiele dienen als wertvolle Umgebungen für die KI-Forschung, weil sie komplexe, aber kontrollierbare ‚Sandkästen‘ bieten, in denen neue Algorithmen getestet und bewertet werden können. Wie Li und Zhang argumentieren, gibt es dafür zwei Hauptgründe: Erstens sind Spiele dazu geschaffen, die menschliche Intelligenz zu testen und herauszufordern. Zweitens bieten sie eine kostengünstige Plattform zur Validierung verschiedener Algorithmen, da das Ausprobieren in der realen Welt oft zu kostspielig wäre.[37] Plattformen wie das Arcade Learning Environment (ALE) für Atari-Spiele oder das Framework General Video Game AI (GVGAI) stellen Hunderte von Spielen zur Verfügung, um die Leistung von KI-Algorithmen zu benchmarken.[38] RL hat sich hierbei als besonders erfolgreich erwiesen. MuZero nutzte RL – wie oben bereits erwähnt – beispielsweise, um 57 verschiedene Atari-Spiele auf übermenschlichem Niveau zu meistern, ohne die Spielregeln zu kennen.[39] Ein entscheidender Vorteil von Spielen als Trainingsumgebung ist dabei die Möglichkeit, den Lernprozess zu beschleunigen: Während ein Roboter in der realen Welt nur in Echtzeit lernen kann, können in einer Spielsimulation Tausende von Instanzen parallel und mit vielfacher Geschwindigkeit ablaufen.[40] Die in diesen virtuellen Welten erlernten Fähigkeiten sind oft auf reale Probleme übertragbar – etwa auf die Steuerung von Robotern oder auf logistische Herausforderungen.[41]

Ein spezifisches Anwendungsfeld, das in diesem Zusammenhang Erwähnung verdient, ist die Spieler_innenmodellierung. In einer Studie zu Tom Clancy’s The Division konnten die Motivationen der Spieler_innen – Kompetenz, Autonomie, Verbundenheit, Präsenz – mit einer Genauigkeit von bis zu 94 Prozent vorhergesagt werden.[42] Solche Modelle können genutzt werden, um das Spielerlebnis dynamisch anzupassen. Westera et al. zeigen im Rahmen des europäischen RAGE-Projekts, wie wiederverwendbare KI-Komponenten für Serious Games entwickelt werden können – darunter Echtzeit-Emotionserkennung, automatische Schwierigkeitsanpassung und sogenanntes Stealth Assessment (also die unauffällige Bewertung von Spieler_innenkompetenzen während des Spielens).[43] Auch die Wegfindung (Pathfinding) wird in Spielen stetig weiterentwickelt. In The Last of Us (2013) sorgt eine ausgefeilte KI dafür, dass die Begleitfigur Ellie sich glaubwürdig durch die Spielwelt bewegte: Die Entwickler_innen bei Naughty Dog implementierten ein System, bei dem Kandidatenpositionen durch mehrere Sätze von Navmesh-Raycasts generiert und bewertet werden, um sicherzustellen, dass Ellie stets in der Nähe der Spieler_innen bleibt, ohne den Spielfluss zu stören.[44]

Pro und Kontra der KI im Gaming-Ökosystem

Die zunehmende Integration von KI in die Spieleentwicklung bietet durchaus Vorteile, wirft aber gleichzeitig tiefgreifende ethische, kreative und soziale Fragen auf. Laut einer Umfrage von Alharthi nutzen über 90 Prozent der befragten Entwickler_innen KI-Werkzeuge für Ideation und Brainstorming sowie 83 Prozent für die Erstellung von Assets.[45] Doch es gibt auch erhebliche Bedenken: Alharthi dokumentiert, dass über 60 Prozent der befragten Spieleentwickler_innen befürchten, dass generative KI die Originalität von Spieldesign reduzieren könnte. Ein Teilnehmender seiner Studie formulierte es so: „A big worry is that AI might take away some of the human creativity that’s at the heart of game design.“[46] Es besteht letztendlich die Gefahr, dass KI nicht zur Unterstützung, sondern zum Ersatz menschlicher Kreativität eingesetzt wird, was zu einer Homogenisierung der Spielelandschaft führen könnte.

Ein weiterer kritischer Bereich ist das Thema der KI-gestützten Moderation in Multiplayer-Spielen. Toxisches Verhalten – von Cybermobbing über Belästigung bis hin zu Betrug – ist in Online-Spielen weit verbreitet und hat nachweislich negative Auswirkungen auf das Wohlbefinden und die Bindung von Spieler_innen. Angesichts rasant wachsender Communitys, deren Größe mitunter der Bevölkerung ganzer Länder entspricht, stoßen menschliche Moderationsteams und einfache automatisierte Filter (wie etwa Schimpfwort-Wörterbücher) zunehmend an ihre Grenzen. Um Interaktionsvolumina von teils Milliarden Nachrichten pro Monat bewältigen zu können, setzen Spieleentwickler daher verstärkt auf KI-gestützte Systeme, die kontextsensitiver und proaktiver auf Regelverstöße reagieren sollen. Sparrow et al. identifizieren in ihrer Studie vier problematische Rollen, die KI-Moderationssysteme hierbei einnehmen können: die „unzuverlässige Polizei“ (unreliable police), den „skrupellosen Gouverneur“ (unscrupulous governor), den „gefühllosen Richter“ (unfeeling judge) und den „unermüdlichen Assistenten“ (relentless assistant).[47] Spieler_innen berichten von einem „Black-Box-Effekt“, bei dem sie bestraft werden, ohne die Gründe nachvollziehen zu können. Ein Teilnehmer beschrieb den Berufungsprozess als „kompliziert“ und „nicht lohnenswert“.[48] Besonders problematisch ist die Beobachtung, dass kommerzielle Interessen die Moderation beeinflussen können: Ein Befragter bemerkte, dass Unternehmen zögern, besonders zahlungskräftige und -freudige Spieler_innen – sogenannte „Whales“ – zu bestrafen, da dies Umsatzverluste bedeuten würde.[49]

Darüber hinaus birgt der Einsatz von KI zur Analyse von Spieler_innenverhalten das Risiko der Manipulation. Sogenannte „Dark Patterns“ – also Designentscheidungen, die Spieler_innen zu ungewollten Handlungen verleiten – könnten durch KI noch effektiver und personalisierter gestaltet werden. Melhart et al. weisen in diesem Zusammenhang darauf hin, dass Dark Patterns im Spieldesign, ausbeuterische Monetarisierungsstrategien und die Intransparenz von Spielen als Black Boxes die Nachvollziehbarkeit einschränken und eine Reihe ethischer Probleme aufwerfen.[50] Schließlich werfen generative KI-Systeme Fragen des Urheberrechts und der Authentizität auf: Wem gehört ein von einer KI generiertes Kunstwerk? Und kann überhaupt sichergestellt werden, dass KI-generierte Inhalte nicht auf urheberrechtlich geschütztem Material basieren?[51]

Ausblick und Conclusio

Die gemeinsame Reise der künstlichen Intelligenz und der Welt der Videospiele ist eine Geschichte von Wechselwirkungen, Durchbrüchen und stetiger Weiterentwicklung. Von der intelligenten Programmierung, die den Geistern in Pac-Man ihre Persönlichkeit verlieh, über Deep Blue und AlphaGo bis zu den lernenden KI-Systemen von heute – die Entwicklung spiegelt den stetigen Wunsch wider, glaubwürdige und herausfordernde virtuelle Welten zu erschaffen. Die Zukunft verspricht eine noch tiefere Integration: Generative KI-Systeme könnten nicht nur einzelne Elemente, sondern ganze Spielerfahrungen in Echtzeit erschaffen, die sich an die Vorlieben, den Spielstil und sogar die emotionale Verfassung der Spieler_innen anpassen.[52] NPCs könnten zu Gesprächspartner_innen werden, mit eigenen Erinnerungen, Motivationen und der Fähigkeit, uns zu überraschen. Gleichzeitig werden Spiele weiterhin als Testumgebungen für KI-Forschung dienen, wobei die Erkenntnisse aus virtuellen Welten zunehmend in reale Anwendungen einfließen werden. Ein vielversprechender Ansatz für die Zukunft könnten in diesem Zusammenhang Small Language Models (SLMs) sein. Im Gegensatz zu den ressourcenintensiven Large Language Models lassen sich SLMs auf handelsüblicher Hardware ausführen, verbrauchen deutlich weniger Energie und ermöglichen durch ihr fokussiertes Training eine bessere Kontrolle über Wissensgrenzen – was das Problem der Konfabulation reduzieren kann. Braas und Esterle zeigen, wie SLMs mit modularen Speichersystemen für NPC-Dialoge eingesetzt werden können, ohne dass bei jedem Gespräch das gesamte Modell neu geladen werden muss.[53] Solche Ansätze könnten KI-gestützte Spielerfahrungen ermöglichen, welche womöglich von den Spieler_innen eine höhere Akzeptanz erhalten. Außerdem wäre es dann möglich, auch auf Geräten ohne Cloud-Anbindung KI-Anwendungen einzusetzen und damit die Spielewelten zu demokratisieren, ohne die sonst zu befürchtende Abhängigkeit von Großkonzernen und spezifischen LLM-Anbietern.

Doch mit diesen Möglichkeiten kommen auch Verantwortlichkeiten. Die Spielebranche und die Forschungsgemeinschaft stehen vor der Aufgabe, die Potenziale der KI zu nutzen, ohne die kreativen, ethischen und sozialen Implikationen aus den Augen zu verlieren.[54] Die Frage ist nicht mehr, ob KI die Zukunft der Videospiele prägen wird, sondern vielmehr, wie wir diese Zukunft gestalten wollen. Die Geschichte von KI und Spielen wird so oder so weitergeschrieben – manche würden vielleicht sagen: ‚weitergeprompted‘.

Literaturverzeichnis

Alharthi, Sultan A. „Generative AI in Game Design: Enhancing Creativity or Constraining Innovation?“ Journal of Intelligence 13, Nr. 6 (2025): Art. No. 60. https://doi.org/10.3390/jintelligence13060060

Allis, Louis Victor. Searching for Solutions in Games and Artificial Intelligence. Dissertation, Rijksuniversiteit Limburg, 1994. http://fragrieu.free.fr/SearchingForSolutions.pdf

Boyle, Robert. From Spacewar! to Twitch.tv: The Influence of Competition in Video Games and the Rise of eSports. Senior Thesis, Dominican University of California, 2019. https://doi.org/10.33015/dominican.edu/2019.HIST.ST.04

Braas, Martin, und Lukas Esterle. „Fixed-Persona SLMs with Modular Memory: Scalable NPC Dialogue on Consumer Hardware“. arXiv:2511.10277, 2025. https://doi.org/10.48550/arXiv.2511.10277

Britannica. „The Mechanical Turk: AI Marvel or Parlor Trick?“ https://www.britannica.com/story/the-mechanical-turk-ai-marvel-or-parlor-trick

Browsh, J. Review of Atari Age: The Emergence of Video Games in America by Michael Z. Newman (MIT Press). Lateral 6, Nr. 2 (2017). https://doi.org/10.25158/l6.2.14

DeepMind. „AlphaStar: Grandmaster Level in StarCraft II Using Multi-Agent Reinforcement Learning“. DeepMind Blog, 30. Oktober 2019. https://deepmind.google/discover/blog/alphastar-grandmaster-level-in-starcraft-ii-using-multi-agent-reinforcement-learning/

Dyckhoff, Max. „Ellie: Buddy AI in The Last of Us“. In Game AI Pro 2: Collected Wisdom of Game AI Professionals, hrsg. von Steve Rabin, 431–441. Boca Raton: CRC Press, 2015.

Dyckhoff, Max. „Ellie: Buddy AI in The Last of Us“. Vortrag, Game Developers Conference, San Francisco, März 2014. https://www.gdcvault.com/play/1020364/Ellie-Buddy-AI-in-The

Filipović, Aleksandar. „The Role of Artificial Intelligence in Video Game Development“. Kultura Polisa 20, Nr. 3 (2023): 50–67. https://doi.org/10.51738/Kpolisa2023.20.3r.50f

Hagemann, Simon. „Les jeux vidéo en tant qu’art à l’époque de l’IA générative“. Interfaces numériques 14, Nr. 1 (2025). https://doi.org/10.25965/interfaces-numeriques.5491

Hu, Chengpeng, Yunlong Zhao und Jialin Liu. „Game Generation via Large Language Models“. Proceedings of the 2024 IEEE Conference on Games. New York: IEEE, 2024. https://doi.org/10.1109/CoG60054.2024.10645597

Hu, Chengpeng, Yunlong Zhao, Ziqi Wang, Haocheng Du und Jialin Liu. „Games for Artificial Intelligence Research: A Review and Perspectives“. IEEE Transactions on Artificial Intelligence 5 (2024): 5949–5968. https://doi.org/10.1109/TAI.2024.3410935

Hu, Zhaojun. „Research on the Application of Large Language Models in Interactive Game Storyline Generation“. Proceedings of CONF-CDS 2025 Symposium, 229–236. Oxford: EWA Publishing, 2025. https://doi.org/10.54254/2755-2721/2025.PO25184

Jaderberg, Max, Wojciech M. Czarnecki, Iain Dunning, Luke Marris, Guy Lever, Antonio Garcia Castaneda, Charles Beattie et al. „Human-Level Performance in 3D Multiplayer Games with Population-Based Reinforcement Learning“. Science 364, Nr. 6443 (2019): 859–865. https://doi.org/10.1126/science.aau6249

Jiang, Chengzi. „Artificial Intelligence in Games: Enriching Game Content and Enhancing Player Experience“. WEP Transactions on Computer Science and Intelligent Systems Research 9 (2025): 385–391. https://doi.org/10.62051/22cf0v54

Li, Wenxin, und Haifeng Zhang. „Algorithms for Game AI“. Algorithms 18, Nr. 6 (2025): Art. No. 363. https://doi.org/10.3390/a18060363

Lu, Zhouxiang. „The Birth and Development of Sports Video Games From the 1950s to the Early 1980s“. Sport History Review 54, Nr. 2 (2023): 200–224. https://doi.org/10.1123/shr.2022-0037

Manikanta, Adapala Rishi, Baba Ameer Shaik, Yaswanth Kancharla, Revanthsai Gurram und Gayathri Ramasamy. „AI-Driven Game Mechanics: Implementing Finite State Machines in Pac-Man“. Proceedings of the 2025 IEEE International Conference on Interdisciplinary Approaches in Technology and Management for Social Innovation. New York: IEEE, 2025. https://doi.org/10.1109/IATMSI64286.2025.10985319

Melhart, David, Ahmad Azadvar, Alessandro Canossa, Antonios Liapis und Georgios N. Yannakakis. „Your Gameplay Says It All: Modelling Motivation in Tom Clancy’s The Division“. Proceedings of the 2019 IEEE Conference on Games, 1–8. New York: IEEE, 2019. https://doi.org/10.1109/CIG.2019.8848123

Melhart, David, Julian Togelius, Benedikte Mikkelsen, Christoffer Holmgård und Georgios N. Yannakakis. „The Ethics of AI in Games“. IEEE Transactions on Affective Computing 15, Nr. 1 (2024): 79–92. https://doi.org/10.1109/TAFFC.2023.3276425

OpenAI. „Dota 2 with Large Scale Deep Reinforcement Learning“. arXiv:1912.06680, 2019. https://doi.org/10.48550/arXiv.1912.06680

Pittman, Jamey. „The Pac-Man Dossier“. Game Developer, 2009. https://www.gamedeveloper.com/design/the-pac-man-dossier

Rana, Priya, Parthik Bhardwaj und Jyotsna Singh. „Artificial Intelligence (AI) in Video Games“. International Journal of Computer Applications 181, Nr. 19 (2018): 1–3. https://doi.org/10.5120/ijca2018917818

Rodriguez Torrado, Ruben, Philip Bontrager, Julian Togelius, Jialin Liu und Diego Perez-Liebana. „Deep Reinforcement Learning for General Video Game AI“. Proceedings of the 2018 IEEE Conference on Computational Intelligence and Games. New York: IEEE, 2018. https://doi.org/10.1109/CIG.2018.8490422

Roy, Anushka, G. Sanjana Reddy und Nethravathi Byrappa. „Artificial Intelligence and its Application in Games“. International Research Journal of Modernization in Engineering Technology and Science 5, Nr. 7 (2023): 1333–1337. https://doi.org/10.56726/IRJMETS43219

Schrittwieser, Julian, Ioannis Antonoglou, Thomas Hubert, Karen Simonyan, Laurent Sifre, Simon Schmitt, Arthur Guez et al. „Mastering Atari, Go, Chess and Shogi by Planning with a Learned Model“. Nature 588, Nr. 7839 (2020): 604–609. https://doi.org/10.1038/s41586-020-03051-4

Science Museum Group. „Revolutionary British Video Game Elite Turns 40“. Science Museum Blog, 20. September 2024. https://blog.sciencemuseumgroup.org.uk/revolutionary-british-video-game-elite-turns-40/

Shannon, Claude E. „XXII. Programming a Computer for Playing Chess“. Philosophical Magazine 41, Nr. 314 (1950): 256–275.

Silver, David, Aja Huang, Chris J. Maddison, Arthur Guez, Laurent Sifre, George van den Driessche, Julian Schrittwieser et al. „Mastering the Game of Go with Deep Neural Networks and Tree Search“. Nature 529 (2016): 484–489. https://doi.org/10.1038/nature16961

Sparrow, Lucy A., Ren Galwey, Dahlia Jovic, Taylor Hardwick und Mahli-Ann Butt. „Towards Ethical AI Moderation in Multiplayer Games“. Proceedings of the ACM on Human-Computer Interaction 8, Nr. CHI PLAY (2024): Art. No. 344. https://doi.org/10.1145/3677109

Toosi, Amirhosein, Andrea Bottino, Babak Saboury, Eliot Siegel und Arman Rahmim. „A Brief History of AI: How to Prevent Another Winter (A Critical Review)“. PET Clinics 16, Nr. 4 (2021): 449–469. https://doi.org/10.1016/j.cpet.2021.07.001

Tromp, John. „Number of Legal Go Positions“. tromp.github.io, abgerufen am 19. April 2026. https://tromp.github.io/go/legal.html

Valverde, Sergi, Blai Vidiella, Andrej Spiridonov und R. Alexander Bentley. „The Cultural Macroevolution of Arcade Video Games: Innovation, Collaboration, and Collapse.” Evolutionary Human Sciences 7 (2025). https://doi.org/10.1017/ehs.2025.10015

Westera, Wim, Rui Prada, Samuel Mascarenhas, Pedro A. Santos, João Dias, Manuel Guimarães, Konstantinos Georgiadis et al. „Artificial Intelligence Moving Serious Gaming: Presenting Reusable Game AI Components“. Education and Information Technologies 25 (2020): 351–380. https://doi.org/10.1007/s10639-019-09968-2

Yin, Qiyue, Jun Yang, Kaiqi Huang, Meijing Zhao, Wancheng Ni, Bin Liang, Yan Huang, Shu Wu und Liangsheng Wang. „AI in Human-computer Gaming: Techniques, Challenges and Opportunities“. Machine Intelligence Research 20, Nr. 3 (2023): 299–317. https://doi.org/10.1007/s11633-022-1384-6

„Dwarf Fortress“. Wikipedia, zuletzt bearbeitet am 14. Jänner 2026. https://en.wikipedia.org/wiki/Dwarf_Fortress

Ludografie

AI Dungeon. Nick Walton, 2019.

Caves of Qud. Freehold Games, 2015.

Dota 2. Valve Corporation, 2013.

Duck Hunt. Nintendo, 1984.

Dwarf Fortress. Bay 12 Games, 2006.

Elite. Acornsoft/Firebird, 1984.

Façade. Michael Mateas und Andrew Stern, 2005.

Minecraft. Mojang Studios, 2011.

No Man’s Sky. Hello Games, 2016.

Pac-Man. Namco, 1980.

Pong. Atari, 1972.

Quake III Arena. id Software, 1999.

RimWorld. Ludeon Studios, 2018.

Rogue Legacy. Cellar Door Games, 2013.

Space Invaders. Taito, 1978.

Spacewar! MIT, 1962.

Spelunky. Mossmouth, 2008.

StarCraft II. Blizzard Entertainment, 2010.

Suck Up! Proxima, 2023.

The Last of Us. Naughty Dog/Sony Computer Entertainment, 2013.

Tom Clancy’s The Division. Ubisoft, 2016.

Abstract

Dieser Beitrag untersucht die wechselseitige Beziehung zwischen künstlicher Intelligenz und Videospielen von den Anfängen der Arcade-Ära bis zu den aktuellen Entwicklungen im Bereich der Sprachmodelle. Ausgehend von den einfachen, aber effektiven KI-Systemen in Klassikern wie Space Invaders und Pac-Man werden die Durchbrüche der KI-Forschung nachgezeichnet, die in den Siegen von Deep Blue, AlphaGo und OpenAI Five über menschliche Weltmeister_innen gipfelten. Der Beitrag beleuchtet das Potenzial von Large Language Models für dynamisches Storytelling und prozedurale Inhaltsgenerierung, wobei auch die damit verbundenen Herausforderungen kritisch betrachtet werden. Darüber hinaus wird die Bedeutung von Spielen als Trainingsumgebung für KI-Systeme hervorgehoben. Eine ausgewogene Diskussion der Vor- und Nachteile der KI-Integration in Spielen, einschließlich ethischer Bedenken bezüglich Transparenz, Arbeitsplatzverlust und Manipulation, rundet den Beitrag ab.

Biografie

Alexander Pfeiffer leitet das Kompetenzzentrum für Emergente Technologien in der Sicherheitsforschung an der Universität für Weiterbildung Krems. Er promovierte an der University of Malta im Bereich Künstliche Intelligenz und an der Wirtschaftsuniversität Wien in Wirtschaftswissenschaften. Von 2019 bis 2021 war er als Postdoc-Stipendiat am Massachusetts Institute of Technology (MIT) tätig (MIT Education Arcade). Seine Forschungsschwerpunkte umfassen KI, Game Studies und Blockchains. Er ist Chair der FROG-Konferenz (Future and Reality of Gaming) und Mitgründer der B&P Emerging Technologies Consultancy Lab Limited. Er bezeichnet sich selbst als „Ludic Scientist“.


[1] „The Mechanical Turk: AI Marvel or Parlor Trick?“, Britannica, https://www.britannica.com/story/the-mechanical-turk-ai-marvel-or-parlor-trick.

[2] Lu Zhouxiang, „The Birth and Development of Sports Video Games From the 1950s to the Early 1980s“, Sport History Review 54, Nr. 2 (2023): 202.

[3] Lu, „Birth and Development“, 203: „It was later listed by Guinness World Records as the ‘first video game’ in history.“

[4] Amirhosein Toosi et al., „A Brief History of AI: How to Prevent Another Winter (A Critical Review)“, PET Clinics 16, Nr. 4 (2021): 455–456: „With the help of reinforcement learning, Arthur Samuel’s checker player of 1956 quickly learned to play at a medium level of skill, better than its own developer.“

[5] Lu, „Birth and Development“, 205; Robert Boyle, From Spacewar! to Twitch.tv: The Influence of Competition in Video Games and the Rise of eSports (Senior Thesis, Dominican University of California, 2019), 10.

[6] Lu, „Birth and Development“, 210; Boyle, From Spacewar! to Twitch.tv, 12–13: „Within four years of introducing PONG, Atari grew from a small $750 investment to a $2 billion ‘wonder company’.“

[7] Sergi Valverde et al., „The Cultural Macroevolution of Arcade Video Games: Innovation, Collaboration, and Collapse“, Evolutionary Human Sciences 7 (2025): 4: „In Space Invaders (Taito, 1978), which ran on an Intel 8080 microprocessor […] clocked at 2 MHz, only 24 objects could be animated simultaneously. […] As the player eliminated enemies, the processing burden decreased—causing the game to speed up. What became a signature gameplay mechanic emerged directly from hardware limitations, not intentional design.“

[8] Boyle, From Spacewar! to Twitch.tv, 18: „By 1982, [Space Invaders] had earned more than $3.8 billion in revenue with a net profit of $450 million“; „Atari hosted the first major video game competition, the Space Invaders Championship, with over 10,000 participants“.

[9] Jamey Pittman, „The Pac-Man Dossier“, Game Developer, 2009, https://www.gamedeveloper.com/design/the-pac-man-dossier.

[10] Aleksandar Filipović, „The Role of Artificial Intelligence in Video Game Development“, Kultura Polisa 20, Nr. 3 (2023): 55: „[T]he Finite-State Machine (FSM) algorithm, was introduced into video game design in the early 1990s.“

[11] Adapala Rishi Manikanta et al., „AI-Driven Game Mechanics: Implementing Finite State Machines in Pac-Man“, Proceedings of the 2025 IEEE International Conference on Interdisciplinary Approaches in Technology and Management for Social Innovation (2025).

[12] Priya Rana, Parthik Bhardwaj und Jyotsna Singh, „Artificial Intelligence (AI) in Video Games“, International Journal of Computer Applications 181, Nr. 19 (2018): 1.

[13] Valverde et al., „Cultural Macroevolution“, 8: „In 1983, a home console crash and the arcade industry downturn were system-wide failures caused by unsustainable early innovation“; J. Browsh, Review of Atari Age: The Emergence of Video Games in America by Michael Z. Newman (MIT Press), Lateral 6, Nr. 2 (2017).

[14] Qiyue Yin et al., „AI in Human-Computer Gaming: Techniques, Challenges and Opportunities“, Machine Intelligence Research 20, Nr. 3 (2023): 299: „Chinook […] defeated the world champion Marion Tinsley in 1994.“

[15] Filipović, „Role of Artificial Intelligence“, 56: „Deep Blue […] made history on May 11, 1997, by defeating the world chess champion Garry Kasparov in a six-game match“; Toosi et al., „Brief History of AI“, 460.

[16] Anushka Roy, G. Sanjana Reddy und Nethravathi Byrappa, „Artificial Intelligence and its Application in Games“, International Research Journal of Modernization in Engineering Technology and Science 5, Nr. 7 (2023): 1333: „The creation of chess-playing software like IBM’s Deep Blue, which defeated Garry Kasparov in 1997, was one of the famous examples of this period. This innovation demonstrated how AI might potentially outperform human players in strategic games.“

[17] David Silver et al., „Mastering the Game of Go with Deep Neural Networks and Tree Search“, Nature 529 (2016): 484–489.

[18] Toosi et al., „Brief History of AI“, 461: „In 2016, the AlphaGo program from DeepMind […] defeated Lee Sedol, the world’s best Go player, in a five-game match.“

[19] Vgl. Claude E. Shannon, „XXII. Programming a Computer for Playing Chess,” Philosophical Magazine 41, Nr. 314 (1950 ): 258; Louis Victor Allis, Searching for Solutions in Games and Artificial Intelligence (Dissertation, Rijksuniversiteit Limburg, 1994), 171–174; John Tromp, „Number of Legal Go Positions”, tromp.github.io, abgerufen am 19. April 2026, https://tromp.github.io/go/legal.html.

[20] Julian Schrittwieser et al., „Mastering Atari, Go, Chess and Shogi by Planning with a Learned Model“, Nature 588, Nr. 7839 (2020): 604: „When evaluated on Go, chess and shogi, without any knowledge of the game rules, MuZero matched the superhuman performance of the AlphaZero algorithm.“

[21] OpenAI (Berner, Christopher et al.), „Dota 2 with Large Scale Deep Reinforcement Learning“, arXiv:1912.06680 (2019), 1: „On April 13th, 2019, OpenAI Five became the first AI system to defeat the world champions at an esports game. […] The prize pool for the 2019 international championship exceeded $35 million.“

[22] OpenAI (Berner, Christopher et al.), „Dota 2“, 1–2: „Dota 2 games run at 30 frames per second for approximately 45 minutes […] yielding approximately 20,000 steps per episode. […] OpenAI Five leveraged existing reinforcement learning techniques, scaled to learn from batches of approximately 2 million frames every 2 seconds.“

[23] OpenAI (Berner, Christopher et al.), „Dota 2“, 2: „OpenAI Five won 99.4 % of over 7000 games against the Dota 2 community.“

[24] DeepMind, „AlphaStar: Grandmaster Level in StarCraft II Using Multi-Agent Reinforcement Learning“, DeepMind Blog, 30. Oktober 2019, https://deepmind.google/discover/blog/alphastar-grandmaster-level-in-starcraft-ii-using-multi-agent-reinforcement-learning/.

[25] Max Jaderberg et al., „Human-Level Performance in 3D Multiplayer Games with Population-Based Reinforcement Learning“, Science 364, Nr. 6443 (2019): 859, 865: „Even after twelve hours of practice, professional game testers could only win 25 % of games against the agent team.“

[26] Simon Hagemann, „Les jeux vidéo en tant qu’art à l’époque de l’IA générative“, Interfaces numériques 14, Nr. 1 (2025): 9: „Cette évolution avait déjà été amorcée par un jeu précurseur en matière de traitement automatique des langues: Façade (Michael Mateas et Andrew Stern, 2005).“

[27] Zhaojun Hu, „Research on the Application of Large Language Models in Interactive Game Storyline Generation“, Proceedings of CONF-CDS 2025 Symposium (2025): 230: „In AI Dungeon, the LLM generates open-ended story texts based on player inputs, and different behaviors trigger different world states and character reactions.“

[28] Hagemann, „Les jeux vidéo“, 2.

[29] Chengzi Jiang, „Artificial Intelligence in Games: Enriching Game Content and Enhancing Player Experience“, WEP Transactions on Computer Science and Intelligent Systems Research 9 (2025): 385–387: „Research workers at Stanford University proposed a fresh idea: generative agents. Multiple artificial intelligence agents they created can make virtual environment autonomous decisions.”

[30] Sultan A. Alharthi, „Generative AI in Game Design: Enhancing Creativity or Constraining Innovation?“, Journal of Intelligence 13, Nr. 60 (2025): 4: „Beyond procedural systems, AAA studios are now integrating AI tools into narrative design workflows. Ubisoft’s research division, La Forge, for instance, has developed Ghostwriter, a generative AI tool that assists narrative designers by producing first-draft NPC dialogue.“

[31] Chengpeng Hu, Yunlong Zhao und Jialin Liu, „Game Generation via Large Language Models“, Proceedings of the 2024 IEEE Conference on Games (2024), 1.

[32] Science Museum Group, „Revolutionary British Video Game Elite Turns 40“, Science Museum Blog, 20. September 2024, https://blog.sciencemuseumgroup.org.uk/revolutionary-british-video-game-elite-turns-40/.

[33] „Dwarf Fortress“, Wikipedia, zuletzt bearbeitet am 14. Jänner 2026, https://en.wikipedia.org/wiki/Dwarf_Fortress.

[34] Alharthi, „Generative AI in Game Design“, 3: „This approach has been successfully implemented in games like No Man’s Sky, which utilizes AI-generated planetary landscapes to create an expansive universe with billions of procedurally generated worlds.“

[35] Im vorliegenden Beitrag wird hierfür der Begriff Konfabulation verwendet. Gemeint sind modellgenerierte, plausibel wirkende, jedoch faktisch unzutreffende oder unbegründete Ausgaben, die im KI-Diskurs häufig unter dem Sammelbegriff ‚Halluzinationen‘ geführt werden; dieser Begriff wird allerdings von vielen als stark anthropomorphisierend empfunden und daher hier vermieden. Der Begriff ‚Konfabulation‘ entstammt der neuropsychologischen bzw. psychiatrischen Terminologie und bezeichnet das unbewusste Ergänzen von Erinnerungs- oder Wissenslücken durch subjektiv stimmige, aber faktisch unzutreffende Inhalte. (Im Unterschied zur Lüge ist damit keine bewusste Täuschungsabsicht verbunden.) Für den hier verwendeten Kontext erscheint der Begriff ‚Konfabulation‘ daher nicht nur weniger anthropomorphisierend, sondern auch inhaltlich präziser, insofern als nicht eine perzeptive Täuschung, sondern die plausible Generierung unbegründeter Inhalte beschrieben werden soll.

[36] Hu, „Research on the Application of Large Language Models“, 232: „Experiments show that the memory coherence of LLM drops to 50 % after 5 rounds of interaction […]. 30 % of LLM-generated plots exhibit logical contradictions.“

[37] Wenxin Li und Haifeng Zhang, „Algorithms for Game AI“, Algorithms 18, Nr. 6 (2025), 363: „First, games are born to test and challenge human intelligence […]. Second, solving complex real-world problems usually requires repeated trial and error, which can be very costly. By simulating or emulating real-world scenarios, games provide a low-cost or even free platform.“

[38] Ruben Rodriguez Torrado et al., „Deep Reinforcement Learning for General Video Game AI“, Proceedings of the 2018 IEEE Conference on Computational Intelligence and Games (2018), 1–8; Chengpeng Hu et al., „Games for Artificial Intelligence Research: A Review and Perspectives“, IEEE Transactions on Artificial Intelligence 5 (2024): 5949–5968.

[39] Julian Schrittwieser et al., „Mastering Atari, Go, Chess and Shogi by Planning with a Learned Model“, Nature 588, Nr. 7839 (2020): 604: „When evaluated on 57 different Atari games […] our new algorithm achieved a new state of the art.“

[40] Hu et al., „Games for Artificial Intelligence Research“, 5960: Pgx bietet „hardware-accelerated parallel game simulators“ mit „10–100 times higher throughput compared to other Python libraries“; OpenAI, „Dota 2“, 5: „[A]dding additional rollout workers appears to be a relatively cheap way to accelerate training“.

[41] Hu et al., „Games for Artificial Intelligence Research“, 5958: „Games can simulate real-world scenarios and enable us to make new attempts of AI safely at a low cost […]. Logistics problems are challenging in the real world […]. These problems can be easily modelled in games to validate the effectiveness and safety of algorithms“; OpenAI, „Dota 2“, 8: „This parallels the success of domain randomization in transferring policies from simulation to real-world robotics.“

[42] David Melhart et al., „Your Gameplay Says It All: Modelling Motivation in Tom Clancy’s The Division“, Proceedings of the 2019 IEEE Conference on Games (2019), 1: „The best achieved models reach near-certainty accuracy on unseen players, from 92 % up to 94 %.“

[43] Wim Westera et al., „Artificial Intelligence Moving Serious Gaming: Presenting Reusable Game AI Components“, Education and Information Technologies 25 (2020): 354–355: „Serious game AI functionalities include player modelling (real-time facial emotion recognition, automated difficulty adaptation, stealth assessment), natural language processing (sentiment analysis and essay scoring on free texts), and believable non-playing characters.“

[44] Max Dyckhoff, „Ellie: Buddy AI in The Last of Us“, in Game AI Pro 2: Collected Wisdom of Game AI Professionals, hrsg. von Steve Rabin (Boca Raton: CRC Press, 2015), 431–441; Max Dyckhoff, „Ellie: Buddy AI in The Last of Us” (Vortrag, Game Developers Conference, San Francisco, März 2014), https://www.gdcvault.com/play/1020364/Ellie-Buddy-AI-in-The.

[45] Alharthi, „Generative AI in Game Design“, 8: „The most common application was ideation and brainstorming, reported by 90.5 % of participants. Asset creation was the second most reported use case (83.3 %).“

[46] Alharthi, „Generative AI in Game Design“, 13: „A big worry is that AI might take away some of the human creativity that’s at the heart of game design.“

[47] Lucy A. Sparrow et al., „Towards Ethical AI Moderation in Multiplayer Games“, Proceedings of the ACM on Human-Computer Interaction 8, Nr. CHI PLAY (2024): Art. 344.

[48] Sparrow et al., „Towards Ethical AI Moderation“, 17.

[49] Sparrow et al., „Towards Ethical AI Moderation“, 15: „[I]f you actually punish these players that are so-called whales or top dogs [high-paying players], you’ll lose a lot of money.“

[50] David Melhart et al., „The Ethics of AI in Games“, IEEE Transactions on Affective Computing 15, Nr. 1 (2024), 79: „[D]ark patterns in game design, predatory monetisation strategies, and the black-box nature of games hinder transparency and raise several ethical concerns.“

[51] Alharthi, „Generative AI in Game Design“, 13–14.

[52] Jiang, „Artificial Intelligence in Games“, 388–390.

[53] Martin Braas und Lukas Esterle, „Fixed-Persona SLMs with Modular Memory: Scalable NPC Dialogue on Consumer Hardware“, arXiv:2511.10277 (2025).

[54] Hagemann, „Les jeux vidéo“, 12; Alharthi, „Generative AI in Game Design“; Sparrow et al., „Towards Ethical AI Moderation.“


OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren:
Alexander Pfeiffer (6. Mai 2026). Spielende Maschinen: Die Evolution und Zukunft der künstlichen Intelligenz in Videospielen. gespielt. Abgerufen am 18. Mai 2026 von https://doi.org/10.58079/166im


Das könnte dich auch interessieren …

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert

This site uses Akismet to reduce spam. Learn how your comment data is processed.