こんにちは、やまだたいし( https://twitter.com/OrotiYamatano )です。
一方で、ゲーム内でAIを活用している事例は、まだそれほど多くありません。
なぜゲーム内AIの導入は進んでいないのか。
本記事は2025年ギルドアドベントカレンダー に投稿予定だったブログです。
後編はこちら
orotiyamatano.hatenablog.com
目次
本記事の対象者
本記事は、以下のような読者を想定しています。
Unity を用いたゲーム・ツール開発の経験がある
ローカル環境で AI を動かすことに関心がある
一方で、
商用利用を前提とした最適解
を提供するものではありません。
本記事の目的は、
Unity 上で SLM を実際に動かした場合、
どの程度の環境・労力で、どこまで出来るのか
を、実装・失敗・所感をまとめた上でソレが誰かの役に立てばな、というぐらいの記事です。
今回やったこと：AIが心理戦を仕掛けてくる「じゃんけん」
実際問題AIってどのくらい使えるの?
では、なぜ「じゃんけん」なのか。 それはルールがこれ以上なくシンプルで、
記事は前半と後半の二篇となります。
まずは前編、じゃんけんゲームの実装についてお話しします。
動作環境
AIを使ったゲームを作るにあたり
使用モデル
SLM：Phi-4 mini（ONNX）
github.com
ハードウェア・開発環境
OS：Windows 11 64bit
CPU：AMD Ryzen 7 8845HS
メモリ：16GB
GPU：GeForce 4060 Laptop GPU（未使用）
Unity Editor：6000.0.62f1(途中でUnity6000.3に)
検証形態：Editor 上での動作確認
なぜ LLM ではなく SLM を選んだのか
今回の検証では、ChatGPT などの LLM（Large Language Model）は使用していません。
具体的には、以下の点が気になりました。
利用料金が高い
速いものを使おうとすると、さらにお金がかかる
ユーザーが遊べば遊ぶほど、開発者の財布からAPI 利用料が消えていくモデルは、買い切り型ゲームや小規模な運営タイトルではリスクが大きすぎ
ネットワーク越しに AI を利用することへの不安ステークホルダー や、実際にゲームをプレイするユーザーの双方）
情報漏洩リスクやGPL 汚染の問題(ほぼ同一の内容をコード内に生成しGPL 汚染する)
外部サービスに強く依存している感覚がある
性能の高い AI を使うこと自体は可能ですが、
一方で、SLM（Small Language Model）であれば、
ローカル環境で動作させられる
大規模な演算装置を必要としない
という特徴があり、
もちろん SLM は万能ではありません。
Phi-4 mini の選定理由
SLM を使う方針を決めたあと、次に考えたのがどのモデルを選ぶかです。
候補としては、Llama 系、Gemma、Qwen、Phi 系など、いくつか選択肢がありましたが、 Microsoft の Phi-4 mini を選択しました。
選定理由は、
Microsoft 製であり、情報源が比較的明確であることONNX 形式のモデルが公式に提供されていること
C# / .NET での利用を前提とした情報が揃っていること
です。
理由は単純明快。「Microsoft 製だから、C# /.NET周りの導線がしっかりしている」です。Python 中心に回りがちですが、ゲーム開発者としてはC# で使いたい。Python の環境構築に頭を悩ませることなく、NuGetやライブラリを通じてスムーズにUnityへ組み込めること。
また、Phiにもいくつかありますが
家庭用端末で動かせること
CPU 実行を前提にできること
を考えると、
今回は使用モデルは CPU 実行版を利用しています。GPU 実行版のモデルも利用可能ですが、将来的にスマートフォン や、GPU リソースをグラフィックスに全振りしたいゲームへの組み込みを想定しています。
私は既存のAIも残りつつ、みなさんの周りには小さなツールとしてAIが残ると思っています。
企業で使うPCとみなさんが使うスマホ のような位置づけでしょうか。
ONNX Runtime GenAI 選定理由
Phi-4 mini を Unity 上で動かすにあたって、 推論ランタイムの選定 です。
今回は、ONNX Runtime GenAI を使用しています。
Unity から C# で扱える形で、現実的に選択できるランタイムだったためです。
Phi-4 mini は ONNX 形式で提供されており、
という前提を崩さずに検証ができます。
Unity で AI を扱う場合、
あくまで、
Unity Editor 上で動かせること
実装と検証を素早く回せること
を優先しています。
その点で ONNX Runtime GenAI は、
生成系 AI 向けの API が用意されている
ONNX Runtime をベースにしており、情報が追いやすい
先述の通り、C# で完結させたかったのでランタイムも
じゃんけんAIゲームについて
今回作成したのは、
いきなり複雑なゲームに AI を組み込むのではなく、
ルールが単純であること
を重視し、題材としてじゃんけんを選びました。
じゃんけんであれば、
といった情報を元に、
ゲームの基本的な流れは以下の通りです。
ゲームの実装
プレイヤーが「じゃんけんの手」を出した場合
以下の情報を入力として、
これまでの会話内容
ユーザーのメッセージの過激度
AI が保持しているモノローグ
勝敗結果を判定し、
勝敗結果に応じて、
これまでの勝敗履歴、モノローグ、会話内容をまとめて
AI が会話を生成する
プレイヤーが「メッセージ」を送った場合
メッセージ内容を元に、
ユーザーの過激度などの内部パラメータを更新する
AI が会話を生成する
じゃんけんの勝敗と会話は完全に独立しているわけではなく、
このように内部的に AI のモノローグ（心理状況）を別途持たせることで、
AIのコア部分実装
せっかくなので組み込み方法についても解説しておきます。
github.com
まず始めにモデルとなるaiのコアであるPhi4 miniをインストールします。
azure.microsoft.com
CPUで動かすかGPU で動かすかなどもこのモデルの情報により決定されます。
NuGetForUnityなどを使いONNX Runtime GenAIを入れていきます。
www.nuget.org
入れることで諸々のパッケージがインストールされます。
なお、ONNX Runtime GenAI を NuGet 経由で導入した際、 .NET 系 DLL と競合し、
当時は NuGet 側で導入された一部 DLL を削除することで回避できましたが、API Compatibility Level までは記録していません。
本記事執筆時点では再検証していないため、
実装の核となるのは、UniTaskを使って別スレッドで推論を回し、結果をパースする部分です。
using System;
using System.Linq;
using System.Text;
using System.Threading;
using System.Threading.Channels;
using Cysharp.Threading.Tasks;
using Microsoft.ML.OnnxRuntimeGenAI;
namespace AiRockPaperScissors.Domain
{
< summary >
</ summary >
public static class PhiExecutor
{
private static readonly string [] StopMarkers =
{
"<|end|>" ,
"<|user|>" ,
"<|system|>" ,
"<|assistant|>" ,
};
private const int TailWindowSize = 128 ;
internal sealed class InferenceResult
{
public InferenceResult(string text, int promptTokens, int generatedTokens)
{
Text = text;
PromptTokens = promptTokens;
GeneratedTokens = generatedTokens;
}
public string Text { get ; }
public int PromptTokens { get ; }
public int GeneratedTokens { get ; }
public int TotalTokens => PromptTokens + GeneratedTokens;
}
public static UniTask<string > InferFullAsync(Model model, string prompt, CancellationToken ct)
{
return InferFullAsync(
model,
prompt,
ct,
genParams =>
{
genParams.SetSearchOption("max_length" , 256 );
genParams.SetSearchOption("min_length" , 0 );
genParams.SetSearchOption("temperature" , 0.7f );
genParams.SetSearchOption("top_p" , 0.9f );
genParams.SetSearchOption("repetition_penalty" , 1.1f );
},
maxGeneratedTokensOverride: 64 );
}
public static async UniTask<string > InferFullAsync(
Model model,
string prompt,
CancellationToken ct,
Action<GeneratorParams> configure,
int ? maxGeneratedTokensOverride = null ,
System.Threading.Channels.ChannelWriter<string > streamWriter = null )
{
var result = await InferFullWithStatsAsync(
model,
prompt,
ct,
configure,
maxGeneratedTokensOverride,
streamWriter);
return result.Text;
}
internal static async UniTask<InferenceResult> InferFullWithStatsAsync(
Model model,
string prompt,
CancellationToken ct,
Action<GeneratorParams> configure,
int ? maxGeneratedTokensOverride = null ,
System.Threading.Channels.ChannelWriter<string > streamWriter = null )
{
return await UniTask.RunOnThreadPool(async () =>
{
Exception caughtException = null ;
try
{
ct.ThrowIfCancellationRequested();
using var genParams = new GeneratorParams(model);
configure? .Invoke(genParams);
using var tokenizer = new Tokenizer(model);
using var tokenStream = tokenizer.CreateStream();
using var generator = new Generator(model, genParams);
using var sequences = tokenizer.Encode(prompt);
generator.AppendTokenSequences(sequences);
var promptTokens = generator.GetSequence(0 ).Length;
var generatedTokens = 0 ;
var maxGeneratedTokens = maxGeneratedTokensOverride.GetValueOrDefault(- 1 );
var generatedTextBuilder =
new StringBuilder(Math.Max(256 , prompt.Length * 2 ));
var tailWindow = string .Empty;
while (true )
{
ct.ThrowIfCancellationRequested();
if (generator.IsDone())
{
return CreateInferenceResult(
generatedTextBuilder,
promptTokens,
generatedTokens);
}
generator.GenerateNextToken();
var generatedTokenIds = CopyTokens(generator);
if (generatedTokenIds.Length == 0 )
{
return CreateInferenceResult(
generatedTextBuilder,
promptTokens,
generatedTokens);
}
foreach (var val in generatedTokenIds)
{
if (maxGeneratedTokens > 0 && generatedTokens >= maxGeneratedTokens)
{
return CreateInferenceResult(
generatedTextBuilder,
promptTokens,
generatedTokens);
}
var decodedToken = tokenStream.Decode(val);
generatedTokens++ ;
generatedTextBuilder.Append(decodedToken);
if (streamWriter != null )
{
await streamWriter.WriteAsync(decodedToken, ct);
}
if (decodedToken.IndexOf('<' ) < 0 )
{
continue ;
}
tailWindow += decodedToken;
if (tailWindow.Length > TailWindowSize)
{
tailWindow = tailWindow[^ TailWindowSize..];
}
if (StopMarkers.Any(mark => tailWindow.Contains(mark, StringComparison.Ordinal)))
{
return CreateInferenceResult(
generatedTextBuilder,
promptTokens,
generatedTokens);
}
}
}
}
catch (Exception exception)
{
caughtException = exception;
throw ;
}
finally
{
streamWriter? .TryComplete(caughtException);
}
}, cancellationToken: ct);
}
private static InferenceResult CreateInferenceResult(
StringBuilder generatedTextBuilder,
int promptTokens,
int generatedTokens)
{
var text = generatedTextBuilder
.ToString()
.Replace("<|end|>" , string .Empty)
.Replace("<|user|>" , string .Empty)
.Replace("<|system|>" , string .Empty)
.Replace("<|assistant|>" , string .Empty)
.Trim();
return new InferenceResult(text, promptTokens, generatedTokens);
}
private static int [] CopyTokens(Generator generator)
{
return generator.GetNextTokens().ToArray();
}
< summary >
</ summary >
public static int CountTokens(Model model, string text)
{
if (string .IsNullOrEmpty(text))
{
return 0 ;
}
using var tokenizer = new Tokenizer(model);
using var sequences = tokenizer.Encode(text);
using var genParams = new GeneratorParams(model);
genParams.SetSearchOption("max_length" , 256 );
using var generator = new Generator(model, genParams);
generator.AppendTokenSequences(sequences);
return generator.GetSequence(0 ).Length;
}
}
}
モデルの読み込みは StreamingAssets から行う
var modelDir = $"{UnityEngine.Application.streamingAssetsPath}/Models/cpu-int4-rtn-block-32-acc-level-4/";
_model = new Model(modelDir);
learn.microsoft.com
Phi系は公式にあるとおりプロンプト規則を文書化する必要があります。(公式の参照モデルカードはphi3だけどほぼ同じ) Huggingface モデル カード に記載
このようにプロンプトの最後をチェックしなければ、ユーザーのセリフまで動的に生成してしまったり、プロンプトのシステムメッセージを誤読したりしてしまい精度が低くなる。
ちなみにこれが別スレッドで動かしているのはAIが思考中に画面が硬直化してしまうため。
ざっと出しましたが、簡単にいうと PhiExecutor.InferFullWithStatsAsync のprompt が
AI側がPaperなどと発言するのでその文字列をパースし該当の手を出したと確定させる。
という流れです。トーク ンオーバーになったりしますが、とりあえず今回は検証用として許容し公開しました。
実際にじゃんけんするようすを動画でみてみましょう。
検証動画
VIDEO youtu.be
検証の結果：SLMは組み込んでゲームに使えるのか?
で、結局どうだったかというと、正直「よくわからない！」 というのが答えでした。
会話面がとにかく統一感がない。
おそらく、プロンプトを英語に集約しきれなかったのが、
以前も言った通り、SLMに高度な意思決定を丸投げするのはまだ荷が重そうに感じました。
とはいえ、組み込むことは可能でした。GPU を使うことでパソコン等なら早い処理を見込めると思えるので、
まとめ
AIを直接触るのは高コストだが、今後ローカルSLMは使うことがかなり増えてきそう。GPU を使えば比較的に早く解答が出てくるはずだハンターハンター のグリードアイランドのNPC 並のCPUは作れそうだなぁと思いました。
次の記事はAIコーディングツールを使ったことについて所感です。
