Mitä MLMove opettaa suomalaisille pelistudioille

Kun Counter-Strike-botti liikkuu kuin pro – mitä siitä voi oppia Suomessa?

Kuvittele Counter-Strike-botti, joka ei jää jumiin oviaukkoon, ei juokse keskelle pommialuetta kuin harjoitusmaali, vaan

• liimaa itsensä seiniin katkaistakseen vihollisen näkölinjan
• tukkii choke pointit oikea-aikaisilla ”peakeilla”
• flänkkaa koordinoidusti tiimikavereiden kanssa
• perääntyy ja rotaaa kuin kokenut kilpapelaaja.

Juuri tätä tekee MLMove, tutkimusprojekti, jossa suurten kielimallien (LLM) taustalla oleva transformer-arkkitehtuuri opetettiin ohjaamaan Counter-Strike-bottien liikettä. Tekoäly ei kirjoita dialogia, vaan ennustaa näppäimistön tilaa 100 millisekunnin välein.

Tämä on suora osuma siihen, mistä Tekoäly suomalaisessa peliteollisuudessa -sarjassa puhumme: miten tekoäly voi parantaa pelattavuutta, NPC-käyttäytymistä ja pelaajakokemusta – ei vain halvalla tuotettua sisältöä, vaan aidosti parempia pelejä.

Tässä artikkelissa puretaan auki, miten MLMove toimii, miksi se on tärkeä suunnannäyttäjä ja mitä konkreettista suomalaiset pelistudiot – AAA:sta mobiiliin ja indestä e-urheilupeleihin – voivat siitä oppia.

---

MLMove lyhyesti: ”liikemalli”, ei supertekoäly

MLMove on Counter-Strike-botti, jonka erityisosaaminen on liike ja tiimipositiointi. Ampuminen ja taktiikat hoidetaan perinteisellä behavior tree -logiikalla, mutta:

• jokaisen hahmon sijainti
• liikesuunta ja -nopeus
• suhde tiimikavereihin ja karttaan

päätetään transformer-mallilla, joka on koulutettu ammattilaisten pelidatalla.

Mikä tekee MLMovesta poikkeuksellisen?

Suuri osa peliboteista käyttää:

• navmeshiä (navigation mesh) kulkukelpoisen alueen määrittelyyn
• käsin tehtyjä sääntöjä: ”mene tänne, kurki tästä kulmasta, rotaaa kun X tapahtuu”.

Tämä toimii hyvin perusliikkumisessa, mutta alkaa hajota, kun halutaan:

• käyttää kulmia, pikselitarkkoja ambush-paikkoja
• säätää etäisyyttä tiimikavereihin tilanteen ja kartan mukaan
• liikkua epälineaarisesti, ihmismäisenä ”jitterinä” eikä robottimaisena jalkamarssina.

MLMove kääntää ongelman ympäri: sen sijaan että suunnitellaan sääntöjä, se oppii suoraan siitä, miten pro-pelaajat liikkuvat tietyllä kartalla (Dust 2).

Malli ei ”ymmärrä” taktiikkaa ihmisen tavoin, vaan oppii tuottamaan seuraavan todennäköisen liikkeen, joka sopii yhteen tilanteen ja historian kanssa – aivan kuten kielimalli ennustaa seuraavan sanan lauseessa.

Tuloksena on liike, joka näyttää yllättävän inhimilliseltä, vaikka tekoäly ei tiedä, miksi joku kulma on meta tai miksi retake tehdään tietyllä ajoituksella.

---

Transformer pelimaailmassa: kielimallista liikkumismalliksi

Monelle suomalaiselle pelikehittäjälle transformer tarkoittaa ChatGPT:tä tai kuvageneraattoria. MLMove osoittaa, että sama arkkitehtuuri on erittäin hyödyllinen myös pelilogiikassa, kun ongelma rajataan fiksusti.

Miten data rakennettiin?

MLMove perustuu huolellisesti kuratoituun pelidataan ammattilaisotteluista Dust 2 -kartalla, erityisesti retake-tilanteisiin. Datasta siivottiin pois:

• warmupit, tauot, ”knife only” -läpsyttely
• epärelevantit tapahtumat, jotka eivät opeta tavoitteellista liikettä.

Jäljelle jäi noin:

• 17 000 retake-kierrosta
• 123 tuntia puhdasta, tavoiteorientoitunutta pelidataa.

Jokaiselta ajanhetkeltä tallennettiin mm.:

• jokaisen pelaajan sijainti, nopeus, suunta, HP, armor, elossa/kuollut
• pommitilanne ja kellonaika
• viimeisimmät laukaukset, osumat ja kuolemat.

Tämä kaikki kirjattiin 16 kertaa sekunnissa, jotta malli näkee liikkeen riittävän tarkasti.

Mitä malli ennustaa?

MLMove ei suoraan ennusta koordinaatteja, vaan näppäimistön tilaa:

• 16 eri liikesuuntaa
• 3 nopeustasoa
• hyppy / ei hyppy
• paikallaanolo.

Yhteensä siis 97 mahdollista toimintakonfiguraatiota, joista malli arpoo todennäköisimmän – ja tekee tämän kullekin hahmolle kolmessa ajassa kerralla:

1. heti nyt
2. 125 ms päästä
3. 250 ms päästä.

Tällä yksinkertaisella kikalla:

• vältetään toimintojen toistuva ”jumitus”
• ohjataan mallia kohti jatkuvaa, johdonmukaista liikkeen virtaa.

Tulokset: inhimillinen liike pienellä mallilla

Kun MLMovea verrattiin:

• ihmispelaajiin
• käsin sääntölogiikalla tehtyyn navmesh-bottiin
• Counter-Striken omaan bottiin,

asiantuntijapelaajat pitivät MLMovea selvästi ihmismäisimpänä. Se osasi:

• treidata frägejä tiimikaverin kuollessa
• välttää avoimia crossfire-linjoja
• pitää korkeaa maastoa ja defensiivisiä kulmia.

Malli ei silti ole täydellinen: välillä se on liian arka, välillä puskee yksin liian pitkälle. Mutta olennaista on tämä:

MLMove käyttää vain noin 5,4 miljoonaa parametria ja vie 21 Mt muistia. Se pyörii yhdellä CPU-ytimellä, alle 0,5 ms per pelisteppi.

Toisin sanoen: tämä on generatiivista tekoälyä, jonka voi oikeasti shipata peliin, myös konsoleille ja keskitason PC:ille.

---

Mitä MLMove tarkoittaa suomalaisille pelistudioille?

Suomessa puhutaan paljon generatiivisesta tekoälystä sisällöntuotannossa: konseptikuvat, dialogiluonnokset, live-ops-viestit. MLMove muistuttaa, että pelin sydän on pelattavuus – ja juuri siihen generatiivinen tekoäly voi vaikuttaa eniten.

Käydään läpi neljä aluetta, joissa MLMove-tyyppinen ajattelu on erityisen kiinnostava suomalaisesta näkökulmasta.

1. Inhimilliset NPC:t ilman jättimäistä pilvilaskentaa

Monen suomalaisen studion, varsinkin mobiili- ja indiepuolella, suurin este tekoälyn hyödyntämiselle on käytännöllinen:

• ei ole varaa jatkuvaan pilvipalvelu-inferenssiin
• konsolien ja mobiilin muistibudjetit ovat tiukat
• kehitystiimi on pieni, eikä kukaan ehdi ylläpitää monimutkaista palveluarkkitehtuuria.

MLMove osoittaa, että pieni, tarkkaan rajattu transformer voi:

• parantaa huomattavasti NPC-käyttäytymistä
• pysyä teknisesti kevyenä
• olla koulutettavissa yhdellä työasemalla tai pienellä GPU-klusterilla.

Suomalaisille studioille tämä tarkoittaa:

• ei ole pakko tähdätä ”yleis-AI:hin” – riittää, että mallilla ratkaistaan yksi tarkkaan rajattu ongelma (esim. vartijoiden liike, autopelaajien linjanhaku, laivaston muodostelmat)
• malli voi olla pelimoottoriin upotettu komponentti, ei ulkoinen palvelu.

2. Pelikohtainen pelattavuuden personointi

MLMove on koulutettu vain yhdelle kartalle, yhteen pelitilanteeseen (Dust 2 retaket). Se kuulostaa rajoittuneelta, mutta käytännössä se on sen vahvuus – ja antaa hyvän mallin pelattavuuden personointiin.

Suomalaisessa pelikehityksessä voisi tehdä vastaavaa esimerkiksi:

• opetetaan malli yhteen vaikeustasoon: miten keskimääräinen pelaaja liikkuu ja reagoi
• luodaan tästä variaatioita helpompaan ja vaikeampaan suuntaan
• personoidaan NPC-käyttäytymistä pelaajan taitotason mukaan.

Tämä liittyy suoraan sarjamme teemaan pelattavuuden personointi: pelaajan ei tarvitse valita vain ”Easy / Normal / Hard”, vaan peli voi:

• mukauttaa NPC:iden sijoittumista ja aggressiivisuutta
• hienosäätää reaktiivisuutta ja virheiden määrää
• säilyttää silti luonnollisen, ihmismäisen liikkeen.

3. Dataohjattu ”valmentaja” suomalaisille e-urheilijoille

Suomessa on vahva e-urheilukulttuuri – erityisesti FPS- ja tiimipeleissä. MLMove-tyyppinen malli, joka oppii pro-tason liikkumista, avaa mielenkiintoisen oven valmennus- ja analytiikkatyökaluille.

Mahdollisia sovelluksia:

• harjoitusbotit, jotka:
  • liikkuvat ja peakkaavat kuin pro-tason vastustaja
  • treidaavat frägejä realistisesti
  • pitävät samoja kulmia kuin huipputason tiimit
• harjoitustilat, joissa pelaaja voi:
  • verrata omaa sijaintiaan, rota-aikojaan ja kulmavalintojaan AI:n suosituksiin
  • nähdä ”haamujoukkueen” (ghost team), joka näyttää, miten retake tai execute olisi optimoitu.

Tämä ei koske vain Counter-Strike-tyyppisiä pelejä. Samalla periaatteella voisi kehittää:

• MOBA- ja taktisten tiimipelien rota-analytiikkaa
• urheilupeleihin tekoälyavusteisia taktiikkasimulaattoreita
• auto- ja rallipeleihin linjavalintoja näyttäviä kummitusautoja, jotka perustuvat e-urheilijoiden telemetriaan.

4. Uusi tapa suunnitella NPC-käyttäytymistä

Perinteisesti suomalaisetkin pelistudiot rakentavat NPC-logiikkaa:

• behavior tree -puilla
• FSM:illä (finite state machine)
• käsin tagatuilla navmesh-alueilla ja ”interest point” -paikoilla.

MLMove ehdottaa hybridimallia:

• traditionaalinen pelilogiikka määrittelee korkean tason tavoitteet (”puolusta pommia”, ”rotaa A:lle”)
• pieni transformer-malli päättää lyhyen aikavälin liikkeen detaljit (tarkka sijainti, kulma, suhteet tiimikavereihin).

Tämä voi olla suomalaisille studioille hyvä välivaihe:

• ei tarvitse heittää nykyistä AI-arkkitehtuuria roskiin
• voidaan korvata yksi vaikea osa-ongelma (”miksi nämä viholliset liikkuvat aina robottimaisesti?”)
• saadaan generatiivisen tekoälyn hyöty ilman, että koko peli muuttuu mustaksi laatikoksi.

---

Käytännön askelmerkit suomalaiselle studiol­le

Jos mietit, miten MLMove-ajatuksia voisi soveltaa omaan peliisi, tässä konkreettinen etenemispolku.

1. Rajaa ongelma erittäin tarkasti

Älä yritä rakentaa ”yleis-NPC-tietoisuutta”. Valitse:

• yksi kartta tai kenttä
• yksi pelitila tai tilanne (esim. loppupelin bossitaistelu, areenamatsi, kaupunkitaistelu)
• yksi osa-ongelma: liike, ei kaikkea AI-käyttäytymistä.

2. Kerää pelidataa suunnitelmallisesti

Tarvitset riittävän puhdasta dataa:

• pelaajien sijainnit, nopeudet, suunnat
• olennaiset tapahtumat (osumat, kuolemat, objektit kuten pommi tai lippu)
• aikaleimat tarpeeksi tiheällä taajuudella (10–20 Hz on usein riittävä).

Voit käyttää:

• sisäisiä pelitestauksia
• avoimia betoja
• jopa tallennettuja otteluita, jos sinulla on replaysysteemi.

3. Pidä malli pienenä ja ”on-device”

Suosi:

• pientä transformer-encoderia, ei jättimäistä dekoderiarkkitehtuuria
• CPU-inferenssiä tai kevyttä GPU:ta, ei pakollista pilvi-infraa
• muistibudjettia, joka on realistinen mobiilissa ja konsoleilla.

Tavoite ei ole rakentaa seuraavaa ChatGPT:tä, vaan pieni pelikohtainen työkalu.

4. Arvioi onnistumista pelaajan silmin

MLMovea arvioitiin näyttämällä pelivideoita sekä kokemattomille että huipputason pelaajille ja pyytämällä:

• arvioita inhimillisyydestä
• kirjallista palautetta: missä kohtaa botti paljastaa koneellisena käytöksen.

Suomalainen studio voi tehdä samaa:

• näytä A/B-videoita: perinteinen botti vs. generatiivinen liike
• kysy QA:lta, pelaajilta ja yhteisöltä: kumpi tuntuu ”aidommalta” – ei vain vaikeammalta.

---

Mihin suuntaan tämä vie suomalaista peliteollisuutta?

MLMove on hyvä muistutus siitä, että tekoäly pelissä ei ole vain grafiikkafilttereitä, generoitua dialogia tai halpoja assetteja. Kun malli kohdistetaan oikein, se voi:

• nostaa NPC-käyttäytymisen tasoa radikaalisti
• parantaa pelattavuutta – sarjamme keskeistä teemaa
• mahdollistaa uusia tuotteita: e-urheiluvalmentajia, analytiikkatyökaluja, adaptiivista vaikeustasoa.

Suomalaisille pelistudioille tämä on kutsu ajatella generatiivista tekoälyä:

• sovelluskohtaisena työkaluna, ei yleismallina
• pelimekaniikan ytimessä, ei vain sisällön ympärillä
• teknisesti realistisena, kun malli pidetään pienenä ja hyvin rajattuna.

Seuraavissa Tekoäly suomalaisessa peliteollisuudessa -sarjan kirjoituksissa sukellamme tarkemmin siihen, miten vastaavia malleja voi hyödyntää:

• pelattavuuden personoinnissa
• pelaaja-analytiikan ja live-ops-päätösten tukena
• pelien sisäisen ”valmentajan” rakentamisessa.

Kysymys, jonka jokainen suomalainen pelistudio voi nyt itseltään kysyä, kuuluu:

Jos MLMove voi opetella liikkumaan kuin Counter-Strike-pro yhdellä kartalla, mitä peli­kohtaisia taitoja sinun pelisi tekoäly voisi oppia pelaajiltasi – ja millaisen pelikokemuksen se mahdollistaisi vuonna 2026?