최근 모바일 게임 시장의 급격한 성장과 기술 발전으로 게임 개발 주기가 짧아지면서, 개발 효율성을 높이기 위한 AI 도입이 가속화되고 있다. 특히 게임의 재미를 결정하는 핵심 요소인 ‘난이도 조절’ 영역에서 생성형 AI와 강화학습을 결합한 현장 중심의 연구 결과가 발표되어 주목을 받고 있다.
■ 왜 타워 디펜스 게임인가?
가천대학교 대학원 안혜영 박사는 논문을 통해 모바일 타워 디펜스 장르를 연구 대상으로 선정했다고 밝혔다. 타워 디펜스 게임은 유닛 간의 복잡한 상호작용과 점진적인 난이도 상승이 특징으로, 적절한 난이도 조정이 유저 경험(UX) 향상과 몰입도 유지에 결정적인 역할을 하기 때문이다.
■ 2단계 자동 생성 시스템: ChatGPT부터 강화학습까지
본 연구는 난이도 데이터를 생성하고 검증하기 위해 두 가지 단계의 방법론을 설계했다.
- 1차 데이터 생성: ChatGPT(OpenAI)와 MistralAI의 API를 활용해 몬스터의 체력(HP), 이동 속도, 타워 배치 비용 등 기본 난이도 데이터를 자동으로 생성했다.
- 2차 데이터 강화: 생성된 1차 데이터를 UnityML의 PPO(Proximal Policy Optimization) 알고리즘을 활용한 심층 강화학습 에이전트가 직접 플레이하며 재가공했다. 에이전트는 효율적인 타워 배치 전략을 학습하며 게임의 난이도가 실제 플레이에 적합한지 검증하는 과정을 거쳤다.
| 비교 항목 | ChatGPT 기반 데이터 | MistralAI 기반 데이터 |
| 난이도 특성 | 비선형적이며 변동 폭이 큼 (비정형) | 점진적이고 선형적인 상승 (정형) |
| 학습 안정성 | 정책 탐색이 다양하나 수렴 속도가 상대적으로 느림 | 초기 학습 적응력이 뛰어나고 특정 정책에 빠르게 수렴함 |
| 유저 FGT 근접도 | 약 22% | 약 77% (상대적으로 우수) |
■ “단순 AI 생성보다 강화학습 거친 데이터가 유저 체감에 더 가까워”
연구팀은 생성된 데이터의 실효성을 검증하기 위해 실제 유저들을 대상으로 **포커스 그룹 테스트(FGT)**를 실시했다.
- 강화학습의 승리: 단순히 생성형 AI로 만든 난이도보다, 이를 강화학습으로 재가공한 2차 난이도 데이터가 유저들로부터 더 높은 적합성 점수를 받았다.
- 모델별 차이: 특히 ChatGPT보다 MistralAI를 통해 생성된 데이터를 강화학습했을 때 유저 FGT 결과가 가장 우수한 것으로 나타났다. ChatGPT는 난이도가 비선형적으로 변동하는 경향을 보인 반면, MistralAI는 더 안정적이고 체계적인 난이도 상승 곡선을 제공했기 때문이다.
■ 게임 개발 효율성 제고 기대
이번 연구는 난이도 생성 툴을 통해 기존의 수동 설정 방식에 소요되던 시간과 노력을 획기적으로 절감할 수 있음을 입증했다. 안혜영 박사는 “생성형 AI와 강화학습의 융합은 모바일 타워 디펜스 게임뿐만 아니라 다양한 장르로 확장 가능하다”며, “이를 통해 개발자들이 반복적인 작업에서 벗어나 더 창의적인 콘텐츠 설계에 집중할 수 있는 환경이 마련될 것”이라고 강조했다.
본 연구 결과는 급변하는 게임 산업 환경에서 중소 개발사나 1인 개발자들에게도 고품질의 밸런싱 도구를 제공할 수 있는 중요한 기술적 토대가 될 것으로 전망된다.
