Videopelien visualisointi generatiivisen
tekoälyn avulla – eettiset haasteet
Turun yliopisto
Tietotekniikan laitos
LuK-tutkielma
Tietojenkäsittelytiede
Joulukuu 2025
Lenni Maikola
Turun yliopiston laatujärjestelmän mukaisesti tämän julkaisun alkuperäisyys on tarkastettu Turnitin
OriginalityCheck -järjestelmällä.
TURUN YLIOPISTO
Tietotekniikan laitos
Lenni Maikola: Videopelien visualisointi generatiivisen tekoälyn avulla – eettiset
haasteet
LuK-tutkielma, 22 s.
Tietojenkäsittelytiede
Joulukuu 2025
Tässä tutkielmassa tutkittiin miten generatiivista tekoälyä hyödynnetään videope-
lien visualisoinnissa. Lisäksi perehdyttiin generatiivisen tekoälyn eettisiin haasteisiin
videopelien visualisoinnissa. Generatiivinen tekoäly on tekoäly, joka kykenee luo-
maan uutta merkittävää tietoa koulutusdatan perusteella ja sen avulla visualisoi-
mista videopeli tuotannon kontekstissa tarkoitetaan graafisen sisällön kuten kuvien,
pelitasojen ja animaatioiden luomista. Aihe on tärkeä tutkittavaksi sen ajankohtai-
suuden ja erityisemmin kasvavan kehityksen ja käytön takia.
Tutkimusmenetelmänä toimi kirjallisuuskatsaus, jonka aineistona olivat aiemmat
tutkimukset sekä tutkimuskirjallisuus. Tutkielmassa hyödynnettiin teoreettista vii-
tekehystä generatiivisen tekoälyn etiikan tutkimiseksi, joka sisälsi läpinäkyvyyden,
tarkastettavuuden, vastuullisuuden, lahjomattomuuden ja ennustettavuuden.
Tutkielmassa saatiin selville, että generatiivista tekoälyä hyödynnetään monipuoli-
sesti pelikehityksessä niin pelinkehittäjien tukena, kuin myös tehostamaan jo val-
miiksi automatisoituja tehtäviä. Eettisestä tarkastelusta selvisi myös ongelma lä-
pinäkyvyydessä erityisesti generatiivisen tekoälyn kouluttamiseen käytetyissä suu-
rissa tietojoukoissa, niiden aiheuttamien plagiointi epäilyjen takia. Läpinäkyvyy-
songelmiin on kuitenkin kehitetty parannuksia avoimien suurien tietojoukkojen ja
pelivalmistajien tietojenjakamisyritysten ansiosta.
Tutkielman tulokset osoittavat, että generatiivisen tekoälyn rooli videopelien visua-
lisoinnissa kasvaa jatkuvasti. Samalla sen hyödyntämisen yleistyessä on kuitenkin
entistä tärkeämpää lisätä keskustelua tekoälyn eettisistä kysymyksistä, jotta myös
etiikan muut osa-alueet voidaan ottaa huomioon ja kehittää tasapainoisesti tekno-
logisen kehityksen rinnalla.
Asiasanat: generatiivinen tekoäly, visualisointi, eettiset haasteet
Sisällys
1 Johdanto 1
2 Taustatietoja 4
2.1 Generatiivinen tekoäly . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Diffuusiomallit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3 Generoiva kilpaileva malli . . . . . . . . . . . . . . . . . . . . . . . . 5
2.4 Variaatioautoenkooderi . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3 Visualisointi videopeleissä 7
3.1 Videopelien visualisoinnin historiaa . . . . . . . . . . . . . . . . . . . 7
3.2 Visualisointi generatiivisella tekoälyllä . . . . . . . . . . . . . . . . . 11
4 Generatiivisen tekoälyn eettiset haasteet videopelien visualisoin-
nissa 14
4.1 Etiikan viitekehys . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.1.1 Läpinäkyvyys . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.1.2 Tarkastettavuus . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.1.3 Vastuullisuus . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
4.1.4 Lahjomattomuus . . . . . . . . . . . . . . . . . . . . . . . . . 16
4.1.5 Ennustettavuus . . . . . . . . . . . . . . . . . . . . . . . . . . 16
4.2 Etiikka käytännössä . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
i
5 Pohdinta 19
6 Yhteenveto 21
Lähdeluettelo 23
ii
Kuvat
3.1 Tennis for two oskilloskoopilla jäljiteltynä alkuperäisestä. . . . . . . . 8
3.2 Näyttötekniikan aikajana (Sambe 2013). Suomennettu ja mukailtu
tutkielmaa varten. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4.1 Tekoälyn etiikan viitekehys (Bostrom ja Yudkowsky 2018). Käsitteet
on suomennettu tutkielmaa varten. . . . . . . . . . . . . . . . . . . . 14
iii
1 Johdanto
Videopelien kehittäjät käyttävät visuaalisen ja graafisen suunnittelun keinoja pe-
leissään. Nämä keinot ovat tärkeä osa videopelien kehitystä ja kokemusta. Pelien
grafiikat eli visuaalit (engl. visuals) voivat olla ratkaiseva tekijä positiivisessa ja ne-
gatiivisessa pelikokemuksessa. (Okur, Kızıl ja Atamaz 2024) Grafiikat ovat vahvasti
yhteydessä videopelin kulkuun. Grafiikat parantavat pelin kulkua ja pelin kulku
mahdollistaa grafiikoiden tehdä pelistä syvällisemmän. Visuaalit vaikuttavat mer-
kittävästi pelin arvoon. (Badoni et al. 2022)
Viime vuosina tekoälyn, erityisesti generatiivisen tekoälyn, nopean kehityksen
ansiosta on onnistuttu luomaan monia erilaisia sovelluksia ja kohteita, joihin te-
koälyä voi käyttää. Generatiivinen tekoäly on mahdollistanut tekstin, kuvien sekä
videon luonnin syväoppimisen ja muuntajien avulla. (Gozalo-Brizuela ja Garrido-
Merchán 2023) Tämä kehitys on mahdollistanut pelienkehittäjille kuten myös ku-
luttajille uusia mahdollisuuksia ja kokemuksia, mutta se on myös nostanut esiin eet-
tisiä kysymyksiä ja haasteita. Osa tekoälyn eettisistä haasteista liittyy läpinäkyvyy-
den ja tarkastettavuuden puutteeseen malleissa. Läpinäkyvyyden puutteen lisäksi
ongelmia on ollut tekoälyn haitallisesta käytöstä, jossa hyväksikäytetään addiktiota
ja huolimatonta rahan käyttöä. (Melhart et al. 2023) Kuvia ja taidetta tuottavis-
ta generatiivisista tekoälymalleista on ilmennyt ongelmia plagioinnin kanssa, jonka
seurauksena taiteilijat ja kuvantekijät ovat olleet huolissaan teoksiensa väärinkäy-
töstä. (Ali ja Breazeal 2023)
LUKU 1. JOHDANTO 2
Videopelien tuotannossa sisällön tuotanto on vaativa ja kallis tehtävä. Se vaatii
eri alan ammattilaisia tekemään yhteistyötä, jotta peli valmistuu. Suuri osa pelin
sisältöön kuuluvasta työstä kuluu pelin graafiseen sisältöön eli visuaaleihin, johon
kuuluvat kaikki visuaaliset elementit tekstuureista käyttöliittymiin. Tiettyjä osia
pelin valmistuksessa on saatu kymmeniä vuosia sitten jo automatisoitua, mutta vi-
suaalisien elementtien luonnille se on tapahtunut vasta lähivuosina generatiivisen
tekoälyn kehityksen myötä. Kehitys on mahdollistanut sen, että generatiivinen kil-
paileva verkko, variaatioautoenkooderi ja diffuusiomallit on otettu käyttöön peli-
teollisuudessa. (Ribeiro, Carvalho ja Rodrigues 2025)
Tässä tutkielmassa tutkitaan generatiivisen tekoälyn hyödyntämistä videopelien
visualisointiin ja sen eettisiä haasteita. Tutkielmassa käsitellään käsitteitä ja histo-
riaa generatiivisesta tekoälystä ja sen etiikasta, jotta lukija saa ymmärryksen siitä,
mitä ne ovat ja miten ne voisivat olla yhteydessä toisiinsa. Tämän jälkeen käsitellään
videopelien visualisointia eli sitä, miten videopeleihin on luotu kuvia ennen tekoä-
lyä ja myöhemmin tekoälyn avulla. Tutkielmassa pohditaan myös eettisiä haasteita
ja kysymyksiä generatiivisen tekoälyn käytöstä videopelien visualisoinnissa. Lopuksi
pohditaan aiheen lopputulosta sekä tulevaisuutta ja käsitellään tutkielman yhteen-
vetoa. Tutkielman tutkimuskysymykset ovat:
TK1 Miten generatiivista tekoälyä hyödynnetään videopelien visualisoinnissa?
TK2 Mitä eettisiä haasteita generatiivisen tekoälyn käytössä videopelien visuali-
sointiin on?
Tutkielman menetelmänä toimii kirjallisuuskatsaus. Kirjallisuuskatsauksessa kä-
sitellään generatiivista tekoälyä, videopelien visualisointia ja niiden eettisiä haastei-
ta aiempien tutkimuksien ja tutkimuskirjallisuuden avulla. Generatiivinen tekoäly
ja sen käyttö videopeleissä on ajankohtainen aihe ja se jakaa mielipiteitä. Kuitenkin
kirjallisuutta eettisistä haasteista videopelien visualisoinnista generatiivisen tekoä-
LUKU 1. JOHDANTO 3
lyn avulla ei tutkielman hakutermeillä juurikaan löytynyt. Erityisesti tekoälyn etiik-
ka peleissä on vielä vähän tutkittu aihe ja nykyiset tutkimukset aiheesta pääasiassa
keskittyvät pelaajamallinnukseen ja eettiseen kehitykseen (Melhart et al. 2023)
Aineistohaku suoritettiin monesta eri suositusta tieteellisestä tietokannasta
(IEEE, Web of Science ja ACM). Keskeisimpiä lähteitä varten haussa käytettiin
variaatioita seuraavanlaisesta hakulausekkeesta: Generative AI AND video games
AND ethics. Hakutuloksia eri tietokannoista saatiin monia ja niitä täytyi rajata
aineistotyypin, kielen ja julkaisuajan mukaan.
Luvussa 2 esitellään taustatietoja generatiivisesta tekoälystä ja videopeleistä.
Generatiivisesta tekoälystä käsitellään ensinnäkin se mitä se tarkoittaa ja sitten ter-
mejä kuten diffuusiomallit, GAN ja muuntajat. Videopeleistä tutkitaan historiaa ja
sitä, miten ne ovat käyneet kanssakäymistä tekoälyn kanssa aiemmin. Sitten siirry-
tään lukuun 3, jossa käydään läpi videopelien visualisointia generatiivisen tekoälyn
avulla. Tarkoitus on selittää miten videopelejä on aiemmin visualisoitu eli miten
niihin on luotu grafiikat tai kuvat. Generatiivisen tekoälyn tuomaa muutosta erilai-
silla kuvageneraattoreilla tarkastellaan myös. Luvussa 4 pohditaan eettisiä haasteita
ja kysymyksiä, joita generatiivisen tekoälyn käyttämisestä syntyy varsinkin videope-
leissä. Seuraavaksi luvussa 5 pohditaan tutkielman tuloksia, jonka jälkeen viimeiseksi
luvussa 6 muodostetaan yhteenveto ja vastataan tutkielman tutkimuskysymyksiin.
2 Taustatietoja
Tässä luvussa esitetään generatiiviseen tekoälyyn liittyvät keskeiset taustatiedot,
joita hyödynnetään tutkielman myöhemmissä tarkasteluissa. Luvun tarkoituksena
on selventää, mitä generatiivisella tekoälyllä tarkoitetaan ja miten sen visualisointiin
hyödynnettävät mallit toimivat.
2.1 Generatiivinen tekoäly
Laskennallisia tekniikoita, jotka pystyvät luomaan uutta merkittävää sisältöä, kut-
sutaan generatiiviseksi tekoälyksi. Generatiivista tekoälyä hyödyntäviä järjestelmiä
voidaan käyttää taiteellisiin tarkoituksiin, kuten kuvien ja tekstin luomiseen, se-
kä älykkäinä järjestelminä, jotka auttavat ihmisiä vastaamalla erilaisiin kysymyk-
siin. (Feuerriegel et al. 2024)
Viime vuosina laskennallisen tehon merkittävä kasvu on mahdollistanut erilaisten
generatiivisen tekoälymallien kehittymisen ja laajamittaisen käytön monissa sovel-
luksissa. Tällaisia malleja ovat syvät neuroverkot, muuntajamallit ja muut kehityk-
selliset mallit, kuten vastakkaisasettelumallit (engl. Generative adversarial network,
GAN) ja variationaalinen autoenkoodari (engl. Variational autoencoder, VAE). Näi-
den mallien avulla on pystytty luomaan multimediasisältöä suuren tietomäärän avul-
la. (Gozalo-Brizuela ja Garrido-Merchán 2023)
Ennen generatiivisen tekoälyn aikakautta kaikki syväoppimismallit olivat pää-
asiallisesti kuvailevia. Ne keskittyivät yhteenvetoon sekä tiedonkuvioiden ja -
2.3 GENEROIVA KILPAILEVA MALLI 5
suhteiden esittämiseen. Mallit yrittivät selittää kuviot, ja tehdä ennustuksia ke-
räämästään tiedosta. Generatiivisen vastakkaisasettelumallin julkaisu vuonna 2014
merkitsi uusien mallien aikakautta ja nyt generatiivinen tekoäly tarjoaa uusia vas-
tauksia vaikeisiin ongelmiin. (Bengesi et al. 2024)
2.2 Diffuusiomallit
Generatiiviselle tekoälylle on kehitetty monta erilaista syvägeneroivaa mallia. Mal-
leista diffuusiomalli on saanut huomattavaa huomiota eri osa-alueilla, kuten kone-
näössä, luonnollisten kielten prosessoinnissa, audioprosessoinnissa, kaavioiden ge-
neroinnissa ja bioinformatiikassa. (Cao et al. 2024) Malleista GAN-mallit ovat ol-
leet parhaita kuvangenerointitehtävissä, mutta nyt diffuusiomallit on saatu tuotta-
maan parempia tuloksia monella eri alueella. Diffuusiomallit vaativat saman verran
tai jopa vähemmän laskentavoimaa saadakseen samantasoisia tuloksia kuin GAN-
mallit. (Dhariwal ja Nichol 2021)
Diffuusiotodennäköisyysmalli (lyh. diffuusiomalli) on parametrisoitu Markovin
ketju. Sitä koulutetaan variaatioinferenssin avulla tuottamaan näytteitä, jotka vas-
taavat alkuperäistä dataa rajallisen ajanjakson kuluessa. (Ho, Jain ja Abbeel 2020)
Diffuusiomallin kouluttaminen on kaksiosainen prosessi, jossa eteenpäindiffuusio
(engl. forward diffusion) lisää koulutusdataan Gaussilaista kohinaa ja taaksepäindif-
fuusio (engl. reverse diffusion) kääntää diffuusiota askeleittain taaksepäin luodak-
seen uutta näytedataa. (Bengesi et al. 2024)
2.3 Generoiva kilpaileva malli
Generatiivisen tekoälyn kehitys saavutti läpimurron, kun GAN julkaistiin vuonna
2014. Kun vanhat syväoppimismallit vain kuvailivat tietoa ja ennustivat sen avulla,
GAN luo uutta dataa, joka läheisesti vastaa koulutusdataa. (Bengesi et al. 2024)
2.4 VARIAATIOAUTOENKOODERI 6
GAN-mallien on ajateltu suoriutuvan kuvangenerointitehtävistä malleista parhai-
ten, mutta diffuusiomalleista on selvitetty se, että ne pystyvät suoriutumaan tietyis-
tä tehtävistä samantasoisesti tai jopa paremmin vähemmällä laskennallisella voimal-
la. (Dhariwal ja Nichol 2021)
Generatiivinen kilpaileva malli (GAN) on ohjaamaton generatiivinen malli, joka
muodostuu generaattorista ja diskriminaattorista. Generaattori ottaa vastaan kohi-
naa ja luo uutta tietoa, joka vastaa alkuperäistä tietoa. Diskriminaattori tarkkailee
tietoja, huomioi erot ja merkitsee ne oikeaksi tai vääräksi tiedoksi. Tämän jälkeen
prosessi optimoituu diskriminaattorin huomioiden perusteella ja alkaa alusta, kun-
nes erot tietojen välillä ovat huomaamattomat. (Bengesi et al. 2024)
2.4 Variaatioautoenkooderi
Autoenkoodari (engl. autoencoder) on generatiivinen malli, joka on tehty ominai-
suuksien erottamiseksi tiedosta toisten algoritmien käyttöön. Se ei pysty itsenään
generoimaan merkittävää tietoa, mutta sitä käytetään moneen sovellukseen ja pe-
rustana monelle mallille. Variationaalinen autoenkooderi (VAE) on eräs tällainen
malli. Se on nimensä mukaisesti samankaltainen malli kuin autoenkooderi, ja eroaa
siitä parannetuilla ominaisuuksilla. (Asesh 2023)
Autoenkooderin kehitykseen VAE-malliksi vaikutti variaatioinferenssin esittely.
Variaatioinferenssi on tilastollinen menetelmä, jota käytetään monimutkaisten to-
dennäköisyysjakaumien approksimointiin. Variaationaalinen autoenkoodari käyttää
variaatioinferenssiä kuvailemaan tietoa todennäköisyysjakaumalla. VAE eroaa au-
toenkooderista myös siinä, että sillä on enkooderi- ja dekooderitasojen lisäksi näy-
tekerros. Enkoodari on autoenkooderin osa, joka pienentää tietoa alemmille ulot-
tuvuuksille. Se luo uuden tason nimeltään koodi, joka sisältää tiivistettyä tietoa
ja syötetyn tiedon alimman mahdollisen ulottuvuuden esiintymän. (Bengesi et al.
2024)
3 Visualisointi videopeleissä
Tässä luvussa tarkastellaan videopelien visualisointia osana pelien teknologista ja
visuaalista kehitystä. Aluksi käsitellään videopelien visualisoinnin historiallista ke-
hitystä ja keskeisiä teknologisia vaiheita, joiden pohjalta nykyiset visuaaliset kei-
not ovat muodostuneet. Tämän jälkeen tarkastellaan, miten generatiivista tekoälyä
hyödynnetään videopelien visualisoinnissa ja millaisia uusia mahdollisuuksia se tuo
mukanaan.
3.1 Videopelien visualisoinnin historiaa
Videopelien visualisointi on saanut alkunsa teknologisten kehitysten sivutuotteena.
Ensimmäisenä videopelinä pidetään yhdysvaltalaisen William Higinbothamin vuon-
na 1958 kehittämää Tennis for two-peliä1 (Kuva 3.1).
Pelin visuaalinen ulkonäkö oli hyvin yksinkertainen, sillä sen visualisointiin käy-
tettiin oskilloskooppia. Pelissä pelaajat lyövät kirkasta palloa puolelta toiselle kes-
kellä olevan verkon yli imitoiden tennistä. Tennis for two:n jälkeen luotiin useita
erilaisia videopelejä kokeiluina ja testeinä, joita ei koskaan julkaistu yleiseen käyt-
töön.
Yhtenä suosittuna ja merkittävänä pelinä pidettiin Steve Russelin vuonna 1962
julkaisemaa Spacewar! -keskustietokonepeliä, joka inspiroi vuonna 1972 Nolan Bush-
1Brookhaven National Laboratoryn The First Video Game? -sivusto https://www.bnl.gov/
about/history/firstvideo.php
3.1 VIDEOPELIEN VISUALISOINNIN HISTORIAA 8
Kuva 3.1: Tennis for two oskilloskoopilla jäljiteltynä alkuperäisestä.
nellin luomaan ensimmäisen arcade pelin Computer Space. Siitä saaduilla tuotoilla
Bushnell julkaisi pelin PONG, joka oli suositumpi ja levisi laajemmalle kuin Com-
puter Space. (Wolf 2007)
Sambe (2013) esittävät tutkimuksessaan pelihalli (engl. arcade) videopelien vi-
sualisointi tekniikoita. He kertovat visualisointi tekniikoiden kehityksestä, rajoituk-
sista ja saavutuksista. (Kuva 3.2)
Kuva 3.2: Näyttötekniikan aikajana (Sambe 2013). Suomennettu ja mukailtu tut-
kielmaa varten.
3.1 VIDEOPELIEN VISUALISOINNIN HISTORIAA 9
Bushnell kehitti Computer Space pelinsä pelaamiseen arcade-laitteen, jossa lo-
giikka ja grafiikat olivat suoraan rakennettu transistori-transistori logiikka (TTL)
-piireille. Kuvan tuottamiseen ei tarvittu tietokonetta vaan se onnistui tavallisella
televisiolla signaalin muokkaamisen jälkeen. PONG yksinkertaisempana ja selkeäm-
pänä sai suuremman suosion kuin Computer Space, vaikka se oli kehitetty myös
TTL-piirien avulla. (Lowood 2009)
Keskeiseksi visualisointitavaksi TTL-piireille rakennetuille peleille muodostui ka-
todisädeputki (CRT), jota hyödynnettiin rasterigrafiikassa ja myöhemmin myös vek-
torigrafiikan tuottamisessa. Rasterigrafiikka perustui televisiosta tunnettuun rivis-
kannaukseen, jossa elektronisuihku eteni koko ruudun läpi rivi riviltä. Menetelmä
mahdollisti monimutkaisempien, täytettyjen ja värillisten kuvien piirtämisen, minkä
vuoksi rasteritekniikasta tuli 1980-luvulle tultaessa videopelien hallitseva visuali-
soinnin muoto. Vektorigrafiikassa kuva muodostui viivoista ja pisteistä, jotka elekt-
ronisuihku piirsi näytölle suoraan käskyjen mukaisesti. Tämä tekniikka muistutti
oskilloskoopin toimintaa ja soveltui hyvin nopeiden, selkeiden viivapiirrosten luomi-
seen, kuten peleissä Asteroids (1979) ja Battlezone (1980). (Wolf 2007)
Vuonna 1975 yhdysvaltalainen yritys Midway Manufacturing Co. julkaisi Gun-
fight-pelin. Peli pohjautui TTL-piirin sijaan keskussuorittimella bittikartoitettuihin
grafiikoihin (CPU bitmapped graphics). Tämä uusi peli inspiroi monia pelinkehittä-
jiä käyttämään CPU:ta pelien kehityksessä, erityisesti Japanissa. Tästä syntyneen
uudenlaisen joustavuuden avulla japanilaiset insinöörit Taito Corporation yritykses-
tä saivat luotua suosiota saaneen Space Invaders (1978) -pelin. Kaksi vuotta myö-
hemmin Atari julkaisi sprite-tekniikan. Sen sijaan, että koko kuvaruutu piirrettiin
bittikarttana CPU:lla, ruudun grafiikka muodostettiin käyttämällä spritejä, eli lait-
teistolla piirrettyjä grafiikkaobjekteja. Tämä mahdollisti sekä runsaasti enemmän
samanaikaisia objekteja että paljon nopeampaa liikettä. (Sambe 2013)
3.1 VIDEOPELIEN VISUALISOINNIN HISTORIAA 10
Aiemmista kahden ulottuvuuden peleistä alettiin siirtymään useampaan ulot-
tuvuuteen, mutta ei vielä kuitenkaan kolmanteen. Kahden ja puolen ulottuvuuden
grafiikat (2,5D-graphics) sisälsivät useampia liikkuvia 2D kerroksia, jotka saivat ai-
kaan syvyyden tunnetta. Tätä ilmiötä kutsutaan parallaksi-ilmiöksi. Tällä teknii-
kalla tuotettuja ja tunnettuja pelejä ovat esimerkiksi Moon Patrol (1982) ja Super
Mario Bros 3 (1990). (Wolf 2007)
Ensimmäisen kolmiulotteisia (3D) grafiikoita käyttävän videopelin I, Robot
(1983) julkaisi Atari, minkä jälkeen monet muutkin kehittäjät kiinnostuivat käyt-
tämään niitä. Kolmiulotteisia grafiikkoja hyödyntävissä peleissä käytetään 3D-
objekteja, joita voi tarkastella useista eri suunnista toisin kuin 2D-objekteja. Tämä
on mahdollista 3D-polygonien avulla. Varhaisissa 3D peleissä käytettiin digitaalista
signaaliprosessoria (engl. Digital signal processor, DSP) laskemaan polygonien koor-
dinaatteja. Koska usean polygonin riviin näyttämiseen tarvittiin melkein sata ker-
taa enemmän suorituskykyä kuin yksittäisen polygonin, siirtyivät pelien kehittäjät
yhteistyöhön näytönohjaimien valmistajien kanssa. (Wolf 2007; Sambe 2013)
Viimeisen kahden vuosikymmenen aikana eri valmistajien, kuten esimerkiksi Nvi-
dian ja AMD:n näytönohjaimien käyttö on vakiintunut. Kehitystä on tehty jatku-
vasti, sillä niiden suorituskyky ja samanaikainen tiedonkäsittelykyky on parantunut
huomattavasti. (Pekkilä et al. 2025) Tänä päivänä erilaiset pelien suunnitteluohjel-
mat kuten Unity tai Unreal Engine ovat kaikkien saatavilla. Näillä ohjelmilla pelien
kehittäjät voivat suunnitella pelejä ja ostaa hahmoja ja esineitä peleihinsä. (Gajews-
ki, El Mawas ja Heutte 2022) Myös 3D-mallinnuksesta on tehty kaikille saavutet-
tavaa, esimerkiksi ohjelmilla kuten Blender, jossa hahmoja, esineitä ja ympäristöjä
voi luoda ilmaiseksi. (Totten 2012)
3.2 VISUALISOINTI GENERATIIVISELLA TEKOÄLYLLÄ 11
3.2 Visualisointi generatiivisella tekoälyllä
Generatiivisella tekoälyllä tarkoitetaan laskennallisia tekniikoita, jotka pystyvät luo-
maan uutta ja merkittävää sisältöä. Visualisoinnin kontekstissa voidaan luoda teko-
älyavusteisia kuvia ja videoita. (Feuerriegel et al. 2024) Tarkemmin pelituotannos-
sa generatiivisella tekoälyllä on useita syvägeneroivia malleja, joita hyödynnetään
visualisoinnissa. Tässä tutkielmassa niistä käsitellään diffuusiomalleja, variaatioau-
toenkoodaria ja generatiivista kilpailevaa mallia. (Vivekananthan 2024) Tämän lu-
vun tarkoituksena on tarkastella näitä käsitteitä videopelien visualisoinnin näkökul-
masta. Käsitteet on määritelty aiemmin luvussa 2.
Jo 1980-luvulta pelien kehityksessä on käytetty tekniikoita pelien tasojen ja re-
surssien luomiseksi. Yksi suosituista tällaisista on proseduraalinen generointi (engl.
Procedural content generation, PCG). (Ribeiro, Carvalho ja Rodrigues 2025) PCG
tarkoittaa automaattista pelin sisällön luomista algoritmien avulla. Tätä tekniikkaa
on esimerkiksi käytetty peleissä kuten Diablo (1996) ja Borderlands (2009). (Toge-
lius et al. 2011) Vaikka PCG on auttanut pelien visuaalien luomisessa, on silti ollut
tarve tuoda enemmän automaatiota käsin piirtämisen tilalle. Tähän tarpeeseen on
otettu pelin kehitykseen mukaan koneoppimismalleja, kuten variaatioautoenkoodari
ja generatiivinen kilpaileva malli. (Ribeiro, Carvalho ja Rodrigues 2025) Tätä lisäys-
tä kutsutaan proseduraaliseksi generoinniksi koneoppimisen avulla (engl. Procedural
content generation via machine learning, PCGML) (Summerville et al. 2018).
2020-luvulla variaatioautoenkoodareita on käytetty kasvavin määrin pelien ta-
sojen luontiin. Niiden on todettu toimivan siihen tarkoitukseen tietyn tyyppisissä
peleissä, mutta ne eivät ole sopivia laajempaan ja hallitumpaan käyttöön, koska ge-
nerointi perustuu satunnaisotantaan (Sarkar ja Cooper 2021) Esimerkiksi Sarkar ja
Cooper (2020) esittivät tutkimuksensa tuloksia siitä, miten on mahdollista kouluttaa
VAE luomaan monipuolisempia tasoja Super Mario Bros., Kid Icarus, ja Mega Man
peleihin. Lisäksi Ha ja Schmidhuber (2018) esittelivät tutkimuksessaan World Mo-
3.2 VISUALISOINTI GENERATIIVISELLA TEKOÄLYLLÄ 12
dels arkkitehtuurin, jossa variaatioautoenkooderia oppii esittämään pelimaailman
visuaalisen ympäristön tiivistetyssä muodossa, jota muut mallin osat hyödyntävät
agentin toiminnan ohjaamisessa.
Generatiivisten kilpailevien mallien julkaisun jälkeen ne ovat saaneet ylistys-
tä uudenlaisesta lähestymistavastaan, varsinkin konenäön ja kuvankäsittelyn aloil-
la (Vivekananthan 2024). Vaikka GAN-mallia pidetään kestävänä, kärsii se tilan ro-
mahtamisesta (engl. mode collapse), lähentymättömyydestä (engl. non-convergence)
ja epävakaudesta. Korjatakseen näitä ongelmia on julkaistu lukuisia eri variaatioita
perus GAN mallista. Suosituimpia tällaisia malleja ovat cGAN, DCGAN, WGAN,
Cycle GAN ja StarGAN. (Bengesi et al. 2024)
Kuten aiemmin mainittu, GAN-malleja hyödynnetään proseduraalisessa gene-
roinnissa videopelien suunnittelussa. Tutkimuksessaan Migdał, Olechno ja Podgórs-
ki (2021) esittävät useita eri lähestymistapoja GAN-mallien käyttämiseen. Eräitä
tällaisia lähestymistapoja ovat esimerkiksi kuvanparannus (engl. image upscaling),
tyylinsiirto (engl. style transfer) ja kuvankäännös (engl. image translation). Kuvan-
parannusta pelin kehityksessä käytettäessä voidaan GAN-malleja, kuten ESRGAN-
mallia hyödyntäen parantaa tai muuttaa vanhempien pelien resoluutioita realisti-
semmiksi ja uudemmiksi. Tyylinsiirrossa GAN-mallia hyödyntäessä voidaan ilman
laadun heikentymistä vaihtaa pelissä olevien kuvien tai esimerkiksi kasvojen tyyliä.
Kuvankäännöksessä käytetään GAN-malleja vaihtamaan kuva täysin toiseksi kuvak-
si, kuten esimerkiksi lisäämään puita kenttiin. Esimerkiksi vuonna 2024 julkaistussa
Black Myth Wukong-pelissä hyödynnettiin GAN-malleja luomaan pelihahmoja ja
ympäristön yksityiskohtia analysoimalla suurta määrä kuvadataa. (Lu ja J. Wang
2024)
GAN-malleja on pidetty parhaimpana generatiivisen tekoälyn mallina kuvan tuo-
tannossa, mutta diffuusiomallit on saatu tuottamaan parempia tuloksia samalla tai
jopa vähemmällä määrällä laskentavoimaa. (Dhariwal ja Nichol 2021) Tämän ilmiön
3.2 VISUALISOINTI GENERATIIVISELLA TEKOÄLYLLÄ 13
seurauksena on aloitettu tutkimaan diffuusiomallien hyödyntämistä myös pelituo-
tannossa. Dai et al. (2024) esittävät tutkimuksessaan DDPM:ään (engl. denoising
diffusion probabilistic model) perustuvan diffuusiomallin, joka oppii luomaan pe-
liin tasoja vain yhden esimerkki tason avulla. Tutkimukset näyttävät sen pystyvän
luomaan suuren määrän tasoja vähemmällä määrällä artefakteja, kuin mitä GAN-
mallien avulla. Tutkijat ovat tutkimuksessaan käyttäneet pelejä, kuten Minecraft ja
Super Mario Bros. esimerkkeinä 2D- ja 3D-peleistä, johon tutkimuksen diffuusio-
mallia voi hyödyntää.
Diffuusiomallien kehittyessä ovat Rombach et al. (2022) luoneet mallin kehitys-
version, jonka he ovat nimenneet latentiksi diffuusio malliksi (engl. latent diffusion
model, LDM). Tässä mallissa diffuusiomalli luo kuvia koulutetun autoenkooderin
tiivistämässä latenttitilassa (engl. latent space), jonka jälkeen dekooderi palauttaa
kuvat täyteen resoluutioon. LDM tuottaa uskottavampia ja yksityiskohtaisempia
kuvia kuin aikaisemmat mallit ja sen latenttitilaa hyödyntäen on myös mahdollista
kouluttaa useita määriä diffuusiomalleja tai jopa tutkia täysin eri tehtäviä.
Stable diffusion on suosittu avoimen lähdekoodin latentti diffuusio malli. Sen
avulla käyttäjä voi esimerkiksi generoida tekstiä kuviksi, skaalata kuvia ja poistaa
kohinaa. Colado et al. (2023) esittävät tutkimuksessaan Stable diffusion käyttöä
muiden tekoäly työkalujen kuten ChatGPT:n kanssa luomaan hyötypelejä (engl. se-
rious games). Hyötypelit ovat videopelejä, joita voidaan käyttää opetuksessa. Stable
diffusionia käytettäisiin pelien visuaalien eli hahmojen, sijaintien ja tyylien luontiin.
4 Generatiivisen tekoälyn eettiset
haasteet videopelien visualisoinnissa
Aiemmin tässä tutkielmassa on tutustuttu videopelien visualisoinnin historiaan, ja
kuten mainittu, nykypäivänä generatiivista tekoälyä hyödynnetään videopelituotan-
nossa. Työkaluna generatiivinen tekoäly tuo mukanaan kuitenkin haasteita, erityi-
sesti eettisiä. Tässä luvussa perehdytään generatiivisen tekoälyn eettisiin haasteisiin
videopelien visualisoinnissa. Aihe on ajankohtainen ja tärkeä, sillä tekoälyn eettisis-
tä vaikutuksista videopelien tuotantoon on keskusteltu vielä melko vähän. (Melhart
et al. 2023)
Bostrom ja Yudkowsky (2018) esittävät tutkimuksessaan tekoälyn etiikan viite-
kehyksen, jossa sen eri osa-alueita ovat läpinäkyvyys (engl. transparency), tarkas-
tettavuus (engl. auditability), vastuullisuus (engl. responsibility), lahjomattomuus
(engl. incorruptibility) ja ennustettavuus(engl. predictability). Osa-alueet on havain-
nollistettu kuvassa 4.1, sillä tässä tutkielmassa tekoälyn eettisiä haasteita käsitellään
tämän viitekehyksen avulla, kuten monessa muussa tutkielmassa.
Kuva 4.1: Tekoälyn etiikan viitekehys (Bostrom ja Yudkowsky 2018). Käsitteet on
suomennettu tutkielmaa varten.
4.1 ETIIKAN VIITEKEHYS 15
4.1 Etiikan viitekehys
4.1.1 Läpinäkyvyys
Larsson ja Heintz (2020) kertovat tutkimuksessaan läpinäkyvyydellä olevan hyvin
tärkeä rooli tekoälyn luotettavuuden edistämisessä. Läpinäkyvyydellä tekoälyn kon-
tekstissa voidaan tarkoittaa algoritmista läpinäkyvyyttä tai systemaattista läpinä-
kyvyyttä ja avoimuutta tekoälysovelluksissa (Melhart et al. 2023).
Algoritmisella läpinäkyvyydellä viitataan siihen, että tekoälyn päätöksenteko
prosessi ja mallien sisäinen toiminta ovat ymmärrettävissä ja selitettävissä muo-
doissa ihmisille. (Das ja Rad 2020)
Larsson ja Heintz (2020) kertovat tutkimuksessaan tarpeesta tarkastella tekoä-
lyn läpinäkyvyyttä myös laajemmasta systemaattisesta lähestymistavasta. Läpinä-
kyvyys ei rajoitu vain algoritmeihin, vaan se edellyttää monitieteisen ymmärryksen
kehittämistä, jonka avulla pystyy valvomaan ja arviomaan tekoälyä yhteiskunnassa.
Tämä korostuu erityisesti videopelien visualisoinnissa, jossa generatiivinen tekoäly
tuottaa visuaalista sisältöä ja vaikuttaa suoraan pelaajan kokemukseen.
4.1.2 Tarkastettavuus
Melhart et al. (2023) mukaan tarkastettavuudella tarkoitetaan mahdollisuutta te-
koälymallien ja työkalujen oikeellisuuden tarkistamiselle kolmannen osapuolen toi-
mesta. Tekoälyn tekemien päätösten tulee olla jäljitettävissä ja riippumattomasti
arvioitavissa. Tutkijat kertovat, että erityisesti peliteollisuudessa läpinäkyvyyden
rajallisuuden lisäksi tarkastettavuus on vakava eettinen ongelma. Esimerkiksi vi-
noutunutta tietojoukkoa on lähes mahdotonta erottaa vinoutumattomasta ilman
tarkastettavuutta ja läpinäkyvyyttä.
4.1 ETIIKAN VIITEKEHYS 16
4.1.3 Vastuullisuus
Crowley et al. (2019) kertovat tutkimuksessaan tekoälyjärjestelmien olevan vain ar-
tefakteja, eikä niitä siksi voi pitää eettisesti tai laillisesti vastuussa. Vastuun tulisi
pysyä yksittäisillä ihmisillä tai ihmisyhteisöillä. Melhart et al. (2023) mukaan vas-
tuullisuudella tekoälyn etiikassa tarkoitetaan juuri selkeää vastuun valvontaa tekoä-
lyn algoritmeissa, koska sen tuotokset voidaan liittää yksilöihin tai organisaatioihin.
Haasteena vastuullisuudessa kuitenkin voi syntyä selkeän vastuunketjun kadotta-
mista alkuperäisen datan ja viimeisen tuotoksen välissä.
4.1.4 Lahjomattomuus
Videopelit ovat vuorovaikutteisuutensa takia jatkuvasti hyökkäyksien kohteena pa-
hantahtoisilta tekijöiltä. Tämän takia on tärkeää, että tekoälyjärjestelmät, erityi-
sesti ne joita käytetään videopelien kehityksessä, ovat vahvoja ja kestäviä niin ulko-
kuin sisäpuolista manipulointia vastaan. Tätä kestävyyttä manipulointia vastaan
kutsutaan lahjomattomuudeksi. (Melhart et al. 2023)
4.1.5 Ennustettavuus
Melhart et al. (2023) kuvailevat ennustettavuutta vähemmän keskusteltuna, mut-
ta silti tärkeänä tekoälyn etiikan osana. Ennustettavuudella tarkoitetaan sitä, että
tekoälyjärjestelmä ensinnäkin kykenee itsenäiseen ja algoritmiseen käytökseen en-
nustettavalla tavalla, mutta myös lopputulokseen, joka on ristiriidaton. Esimerkiksi
pelaajanmallinnuksessa (engl. player modelling) ennustettava tekoälyjärjestelmä voi
tehdä turvallisemman käyttöympäristön kaikille sen käyttäjille.
4.2 ETIIKKA KÄYTÄNNÖSSÄ 17
4.2 Etiikka käytännössä
Tässä alaluvussa tarkastellaan tarkemmin konkreettisempia ja yksityiskohtaisem-
pia riskejä tekoälyn käytöstä videopelien visualisoinnissa eettisestä näkökulmasta.
Vaikka viitekehyksessä eettisiä osa-alueita tarkasteltiin aiemmin erillisinä, erityises-
ti generatiivisen tekoälyn kontekstissa eri osa-alueiden eettiset haasteet ilmenevät
usein samanaikaisesti.
Melhart et al. (2023) tuovat esiin tutkimuksessaan peliteollisuuden eettisiä haas-
teita tekoälyn hyödyntämisessä. Tutkijoiden mukaan pelisuunnittelun ongelmat, ra-
hankeräysstrategiat ja pelien mustalaatikko luonne (engl. black-box nature) vähen-
tävät läpinäkyvyyttä ja luovat eettisiä kysymyksiä. Tämä myös vaikeuttaa pelaaja-
mallien (engl. player models) ja generoitujen visuaalisten elementtien arviointia ja
valvottavuutta.
Peliteollisuus on ollut hidas vastaamaan kasvaviin ongelmiin, mutta niiden pa-
rantamiseksi on kehitetty ratkaisuja (Melhart et al. 2023). Das ja Rad (2020) esittä-
vät tutkimuksessaan selitettävän tekoälyn (engl. Explainable Artificial Intelligence,
XAI). Selitettävä tekoäly on tekoälyn ala, joka jakaa työkaluja ja algoritmeja gene-
roidakseen korkealaatuisia ihmisten ymmärtämiä tekoälyn päätöksiä. Tämä mahdol-
listaa tekoälyn mustan laatikon luonteen vähentämistä luoden luotettavia ja selitet-
täviä syväoppimismalleja. Lisäksi läpinäkyvyysongelmien vähentämiseksi Melhart
et al. (2023) mainitsevat, että eräät pelivalmistajat kuten EA, Nintendo, Ubisoft ja
Riot Games ovat jakaneet dataansa tutkimuksia varten. Myös Microsoft julkaisee
Xbox läpinäkyvyysraportteja (engl. Xbox Transparency reports), jonka tavoitteena
on lisätä läpinäkyvyyttä ja luotettavuutta. Suurempien peliteollisuuden yrityksien
esimerkillisyys voi onnistuessaan saada muita yrityksiä tekemään samoin.
Laajempien läpinäkyvyysongelmien lisäksi visualisointi generatiivisen tekoälyn
avulla on kohdannut eettisiä haasteita esimerkiksi plagioinnin ja tekijänoikeuksien
kanssa, josta taiteilijat ja kuvanluojat ovat olleet tuohtuneita. (Ali ja Breazeal 2023)
4.2 ETIIKKA KÄYTÄNNÖSSÄ 18
Generatiivinen tekoäly hyödyntää suuria tietojoukkoja (engl. large datasets) luodak-
seen kuvia, videoita ja muuta mediaa. Nämä tietojoukot eivät kuitenkaan ole julki-
sesti saatavilla ja niiden käyttämästä datasta on noussut kasvava huoli. Epäillään,
että generatiiviset tekoälyjärjestelmät käyttävät kuvien luomiseen tekijänoikeuksia
rikkovaa dataa. (J. T. Wang et al. 2024; Schuhmann et al. 2022)
Tähän läpinäkyvyysongelmaan on kuitenkin kehitetty useita ratkaisuja. Esimer-
kiksi Schuhmann et al. (2022) esittävät tutkimuksessaan kehittämänsä julkisesti saa-
tavilla olevan suuren tietojoukon LAION-5B:n. Julkisen saatavuuden lisäksi tämä
tietojoukko sisältää suodattimia sopimattomien ja vesileimattujen tietojen pois ra-
jaamiseksi. Tutkijat myös kertoivat tietojoukkonsa olevan yhteensopiva mallien ku-
ten CLIP, GLIDE ja Stable Diffusion kanssa. Tämän tietojoukon ja sen kaltaisten
tietojoukkojen käytön voi tulkita lisäävän generatiivisen tekoälyn läpinäkyvyyttä,
tarkastettavuutta ja vastuullisuutta. (J. T. Wang et al. 2024) kertovat tutkimuk-
sessaan taloudellisesta ratkaisusta tekijänoikeusongelmaan. Tutkijat esittävät viite-
kehystä, joka suhteellisesti palkitsee tekijänoikeuksien omistajia heidän kontribuu-
tionsa mukaan. Viitekehyksen avulla tekoälyn kehittäjät saisivat käyttöönsä korkea-
laatuiseen koulutusdataan ja datan luojat saisivat korvauksen tekemästään työstä.
Tämän ratkaisun voi tulkita parantavan tekoälyn läpinäkyvyyttä.
5 Pohdinta
Kirjallisuuskatsauksen perusteella voi todeta, että generatiivisen tekoälyn hyödyntä-
minen videopelien visualisoinnissa voi tapahtua hyvin monipuolisesti. Sen eri malle-
ja käytetään eri tarkoituksiin. Variaatioautoenkoodereja pääasiallisesti tasojen luon-
tiin proseduraalisella generoinnilla. Vastakkaisasettelumallilla niin tasojen luontia,
pelaajanmallinnusta ja esimerkiksi kuvanparannuksessa monen muun sovelluksen
lisäksi. Diffuusiomalleilla kuvien ja muun median luomista esimerkiksi Stable Dif-
fusion mallilla. Generatiivinen tekoäly toimii vahvasti pelinkehittäjien tukena pa-
rantamaan jo olemassa olevia automaatiotehtäviä. Eettisiä haasteita tarkastellessa
esiintyy useasti läpinäkyvyys ja sen tärkeys niin peliteollisuuden, kuin koko teko-
älyn etiikassa. Rajallinen avoimuus koulutusdatassa aiheuttaa ongelmia käytetyn
viitekehyksen muissa osa-alueissa ja heikentää niitä. Kehitystä on nähtävissä yritys-
ten tiedonjako yrityksissä, mutta nämä yritykset eivät täysin riitä tähän kasvavaan
ongelmaan.
Tulevaisuudessa on todennäköistä että generatiivisen tekoälyn käyttö peliteolli-
suudessa lisääntyy entisestään. Tämän voi huomata esimerkiksi siitä kun Lu ja J.
Wang (2024) kertoo vuonna 2024 julkaistusta Black Myth Wukong -pelistä, jossa
pelihahmot ja ympäristöt oli luotu generatiivisella tekoälyllä. Käytön kasvaessa on
entistä tärkeämpää keskustella sen käytön etiikasta enemmän, koska kuten Melhart
et al. (2023) mainitsevat tutkimuksessaan, on tekoälyn eettisestä hyödyntämisestä
LUKU 5. POHDINTA 20
videopelituotannossa keskusteltu vielä vähän. Etiikasta keskustelu voisi saada yri-
tykset toimimaan eettisemmin läpinäkyvyydensä ja koulutusdatansa kanssa.
Tämän pohdinnan perusteella voidaan päätellä että vaikka generatiivinen tekoäly
on merkittävä visualisoinnin työkalu peliteollisuudessa, sen eettinen hyödyntäminen
vaatii lisää keskustelua ja läpinäkyvyyttä, jotta voidaan keskittyä tarkemmin muihin
eettisiin osa-alueisiin.
6 Yhteenveto
Generatiivisen tekoälyn vaikutus peliteollisuuteen on ollut merkittävä, sen kehityk-
sen tuomien sovelluksien ja käyttökohteiden myötä. Videopelien grafiikat ovat vah-
vasti yhteydessä pelin syvällisyyteen ja sen arvoon pelaajien silmissä. Grafiikat ovat
kehittyneet pelkistä kahden ulottuvuuden peleistä myös kolmiulotteisiksi ja genera-
tiivisen tekoälyn hyödyntäminen peliteollisuudessa on tuonut mukanaan niin graa-
fisia parannuksia ja tehokkuutta kuin myös eettisiä haasteita.
Tämän tutkielman tarkoituksena oli juuri selvittää miten generatiivista tekoä-
lyä hyödynnetään videopelien visualisoinnissa sekä mitä eettisiä haasteita siinä on.
Tässä luvussa tehdään tutkielman kirjallisuuskatsauksen yhteenveto, jossa tarkas-
tellaan tutkimuskysymyksiin kerätyt keskeisimmät vastaukset. Lisäksi yhteenvedon
jälkeen pohditaan tulevaisuuden mahdollisia sovelluksia ja haasteita generatiivisen
tekoälyn hyödyntämisestä videopelien visualisoinnissa.
Tutkielman ensimmäinen tutkimuskysymys oli "Miten generatiivista tekoälyä
hyödynnetään videopelien visualisoinnissa?". Videopelien visuaaleja eli grafiikoita
on luotu usealla eri tavalla. On siirrytty alun sähkömekaniikasta TTL-piireihin, CPU
bittikarttaan, Sprite-tekniikkaan, DSP-polygoniin ja viimeiseksi nykyajan GPU-
polygoneihin. Videopelien tasojen ja resurssien luontiin on käytetty proseduraalista
generointia, johon on automaation lisäämiseksi tuotu mukaan generatiivista tekoä-
lyä variaatio autoenkooderin ja vastakkaisasettelumallin avulla luoden proseduraa-
lisen generoinnin generatiivisen tekoälyn avulla. Generatiivisen tekoälyn avulla on
LUKU 6. YHTEENVETO 22
ollut mahdollista kouluttaa variaatio autoenkooderi luomaan monipuolisia tasoja pe-
leihin. Vastakkaisasettelumallia on käytetty esimerkiksi parantamaan tai muuttaa-
maan pelien grafiikoita eri malleillaan ja luomaan kokonaisia pelihahmoja. Viimei-
seksi on todettu mahdolliseksi hyödyntää diffuusiomalleja kuten esimerkiksi Stable
diffusionia luomaan peleihin visuaaleja.
Tutkielman toinen tutkimuskysymys oli "Mitä eettisiä haasteita generatiivisen
tekoälyn käytössä videopelien visualisointiin on?". Tutkielmassa käytettiin eettistä
viitekehystä, johon kuului läpinäkyvyys, tarkastettavuus, vastuullisuus, lahjomat-
tomuus ja ennustettavuus. Generatiivisen tekoälyn käytöstä videopelien tuotantoon
etiikan kontekstissa on keskusteltu vielä vähän, mutta sen tärkeys kasvaa jatkuvasti.
Eettisistä haasteista keskusteltiin niin peliteollisuuden ongelmista, kuin myös visua-
lisoinnin haasteista tekoälyn kanssa. Peliteollisuudessa kohdattiin haasteita pelien
suunnittelussa ja niiden mustanlaatikon luonteen kanssa. Näihin ongelmiin ratkai-
suiksi löytyi selitettävä tekoäly ja yrityksien tiedonjakaminen, jotka lisäsivät uskotta-
vuutta peliteollisuuteen jokaisella käytetyn etiikan viitekehyksen alalla. Visualisoin-
nissa generatiivisen tekoälyn kanssa ongelmaksi ilmeni plagiointi ja tekijänoikeus-
rikkomuksien huoli, joka johtui läpinäkyvyyden puutteesta suurien tietojoukkojen
datan kanssa. Tähän ratkaisuksi kehitettiin LAION-5B, joka on julkinen suuri tie-
tojoukko suodattimilla sopimatonta sisältöä varten ja viitekehys, joka suhteellisesti
palkitsee tekijänoikeuksien omistajia kontribuutionsa mukaan.
Kokonaisuudessaan generatiivinen tekoäly on kasvava ja monipuolinen apu vi-
deopelien visualisointiin. Sen malleilla on suuri vaikutus pelinkehitykseen eri osa-
alueilla. Riittämätön läpinäkyvyys sen käytöstä aiheuttaa haasteita ja ongelmia,
joihin kuitenkin on kehitetty parannuksia. Tutkimusta etiikan osa-alueisiin on tällä
hetkellä tehty eniten läpinäkyvyydestä, joka mahdollistaa jatkotutkimuksia muihin
osa-alueisiin.
Lähdeluettelo
Ali, Safinah ja Cynthia Breazeal (2023). Studying Artist Sentiments around AI-
generated Artwork. arXiv: 2311.13725.
Asesh, Aishwarya (2023). ”Variational Autoencoder Frameworks in Generative AI
Model”. Teoksessa: 2023 24th International Arab Conference on Information
Technology (ACIT), s. 01–06. doi: https : / / www . doi . org / 10 . 1109 /
ACIT58888.2023.10453782.
Badoni, Pankaj, Avita Katal, M. Sweety Reddy ja Mudit Bhargava (2022). ”Graphics
vs Gameplay: A Comparative Analysis in Gaming”. Teoksessa: 2022 2nd Inter-
national Conference on Intelligent Technologies (CONIT), s. 1–8. doi: https:
//www.doi.org/10.1109/CONIT55038.2022.9847843.
Bengesi, Staphord, Hoda El-Sayed, MD Kamruzzaman Sarker, Yao Houkpati,
John Irungu ja Timothy Oladunni (2024). ”Advancements in Generative AI:
A Comprehensive Review of GANs, GPT, Autoencoders, Diffusion Model, and
Transformers”. IEEE Access 12, s. 69812–69837. doi: https://www.doi.org/
10.1109/ACCESS.2024.3397775.
Bostrom, Nick ja Eliezer Yudkowsky (2018). ”The Ethics of Artificial Intelligence”.
Teoksessa: Artificial Intelligence Safety and Security. Chapman ja Hall/CRC.
Cao, Hanqun, Cheng Tan, Zhangyang Gao, Yilun Xu, Guangyong Chen, Pheng-
Ann Heng ja Stan Z. Li (2024). ”A Survey on Generative Diffusion Models”.
LÄHDELUETTELO 24
IEEE Transactions on Knowledge and Data Engineering 36.7, s. 2814–2830. doi:
https://www.doi.org/10.1109/TKDE.2024.3361474.
Colado, Iván J. Pérez, Víctor M. Pérez Colado, Antonio Calvo Morata, Rubén Santa
Cruz Píriz ja Baltasar Fernández Manjón (2023). ”Using New AI-Driven Tech-
niques to Ease Serious Games Authoring”. Teoksessa: 2023 IEEE Frontiers in
Education Conference (FIE), s. 1–9. doi: https://www.doi.org/10.1109/
FIE58773.2023.10343021.
Crowley, James, AP O’Sullivan, Andrzej Nowak, Catholijn Jonker, Dino Pedreschi,
Fosca Giannotti ja Yvonne Rogers (2019). ”Toward AI systems that augment
and empower humans by understanding us, our society and the world around
us”. Report of 761758, s. 1–32.
Dai, Shiqi, Xuanyu Zhu, Naiqi Li, Tao Dai ja Zhi Wang (maaliskuu 2024). ”Proce-
dural Level Generation with Diffusion Models from a Single Example”. Procee-
dings of the AAAI Conference on Artificial Intelligence 38.9, s. 10021–10029.
doi: https://www.doi.org/10.1609/aaai.v38i9.28865.
Das, Arun ja Paul Rad (2020).Opportunities and Challenges in Explainable Artificial
Intelligence (XAI): A Survey. arXiv: 2006.11371.
Dhariwal, Prafulla ja Alexander Nichol (2021). ”Diffusion Models Beat GANs
on Image Synthesis”. Teoksessa: Advances in Neural Information Processing
Systems. Toim. M. Ranzato, A. Beygelzimer, Y. Dauphin, P.S. Liang ja
J. Wortman Vaughan. Vol. 34. Curran Associates, Inc., s. 8780–8794. url:
https : / / proceedings . neurips . cc / paper _ files / paper / 2021 / file /
49ad23d1ec9fa4bd8d77d02681df5cfa-Paper.pdf.
Feuerriegel, Stefan, Jochen Hartmann, Christian Janiesch ja Patrick Zschech (helmi-
kuu 2024). ”Generative AI”. Business & Information Systems Engineering 66.1,
s. 111–126. issn: 2363-7005, 1867-0202. doi: https://www.doi.org/10.1007/
s12599-023-00834-7.
LÄHDELUETTELO 25
Gajewski, Sebastian, Nour El Mawas ja Jean Heutte (2022). ”A Systematic Lite-
rature Review of Game Design Tools”. Teoksessa: Proceedings of the 14th In-
ternational Conference on Computer Supported Education - Volume 2: CSE-
DU. INSTICC. SciTePress, s. 404–414. isbn: 978-989-758-562-3. doi: https:
//www.doi.org/10.5220/0011137800003182.
Gozalo-Brizuela, Roberto ja Eduardo C. Garrido-Merchán (2023). A survey of Ge-
nerative AI Applications. arXiv: 2306.02781.
Ha, David ja Jürgen Schmidhuber (maaliskuu 2018). ”World Models”. Versio 1.1.
doi: https://doi.org/10.5281/zenodo.1207631.
Ho, Jonathan, Ajay Jain ja Pieter Abbeel (2020). Denoising Diffusion Probabilistic
Models. arXiv: 2006.11239.
Larsson, Stefan ja Fredrik Heintz (2020). ”Transparency in artificial intelligence”.
Internet policy review 9.2, s. 1–16. doi: https://doi.org/10.14763/2020.2.
1469.
Lowood, Henry (heinäkuu 2009). ”Videogames in Computer Space: The Complex
History of Pong”. IEEE Annals of the History of Computing 31.3, s. 5–19. issn:
1934-1547. doi: https://doi.org/10.1109/MAHC.2009.53.
Lu, Jiayun ja Junhui Wang (12. joulukuuta 2024). ”Research on the Application of
Generative Artificial Intelligence in the Video Game Field”. Applied and Compu-
tational Engineering 112, s. 194–203. issn: 2755-273X. doi: https://doi.org/
10.54254/2755-2721/2025.18133.
Melhart, David, Julian Togelius, Benedikte Mikkelsen, Christoffer Holmgård ja
Georgios N. Yannakakis (2023). The Ethics of AI in Games. arXiv: 2305.07392.
Migdał, Piotr, Bartłomiej Olechno ja Błażej Podgórski (2021). Level generation and
style enhancement – deep learning for game development overview. arXiv: 2107.
07397.
LÄHDELUETTELO 26
Okur, Mine, Raif Kızıl ja Elif Atamaz (30. kesäkuuta 2024). ”The art of graphic
design in video games: beyond the visual”. Revista Amazonia Investiga 13.78,
s. 9–26. doi: https://doi.org/10.34069/AI/2024.78.06.1.
Pekkilä, Johannes, Oskar Lappi, Fredrik Robertsén ja Maarit J. Korpi-Lagg (2025).
”Stencil Computations on AMD and Nvidia Graphics Processors: Performance
and Tuning Strategies”. Concurrency and Computation: Practice and Experience
37.12-14, e70129. doi: https://doi.org/10.1002/cpe.70129.
Ribeiro, Rafael, Alexandre Valle de Carvalho ja Nelson Bilber Rodrigues (2025).
”Image-Based Video Game Asset Generation and Evaluation Using Deep Lear-
ning: A Systematic Review of Methods and Applications”. IEEE Transactions
on Games 17.3, s. 622–630. doi: https://www.doi.org/10.1109/TG.2024.
3487054.
Rombach, Robin, Andreas Blattmann, Dominik Lorenz, Patrick Esser ja Björn
Ommer (2022). High-Resolution Image Synthesis with Latent Diffusion Models.
arXiv: 2112.10752.
Sambe, Yukiharu (2013). ”A brief history of arcade video game display technologies”.
Synthesiology English edition 6.2, s. 94–104. doi: https://www.doi.org/10.
5571/syntheng.6.94.
Sarkar, Anurag ja Seth Cooper (2020). Sequential Segment-based Level Generation
and Blending using Variational Autoencoders. arXiv: 2007.08746.
— (2021). Generating and Blending Game Levels via Quality-Diversity in the Latent
Space of a Variational Autoencoder. arXiv: 2102.12463.
Schuhmann, Christoph, Romain Beaumont, Richard Vencu, Cade W Gordon, Ross
Wightman, Mehdi Cherti, Theo Coombes, Aarush Katta, Clayton Mullis, Mitc-
hell Wortsman, Patrick Schramowski, Srivatsa R Kundurthy, Katherine Crow-
son, Ludwig Schmidt, Robert Kaczmarczyk ja Jenia Jitsev (2022). ”LAION-5B:
An open large-scale dataset for training next generation image-text models”.
LÄHDELUETTELO 27
Teoksessa: Thirty-sixth Conference on Neural Information Processing Systems
Datasets and Benchmarks Track. url: https://openreview.net/forum?id=
M3Y74vmsMcY.
Summerville, Adam, Sam Snodgrass, Matthew Guzdial, Christoffer Holmgård, Amy
K. Hoover, Aaron Isaksen, Andy Nealen ja Julian Togelius (2018). Procedural
Content Generation via Machine Learning (PCGML). arXiv: 1702.00539.
Togelius, Julian, Emil Kastbjerg, David Schedl ja Georgios N. Yannakakis (2011).
”What is procedural content generation? Mario on the borderline”. Teoksessa:
Proceedings of the 2nd International Workshop on Procedural Content Genera-
tion in Games. PCGames ’11. Bordeaux, France: Association for Computing
Machinery. isbn: 9781450308724. doi: https : / / www . doi . org / 10 . 1145 /
2000919.2000922.
Totten, Chris (2012). Game Character Creation with Blender and Unity. John Wiley
& Sons, Incorporated. isbn: 978-1-118-22690-2.
Wang, Jiachen T., Zhun Deng, Hiroaki Chiba-Okabe, Boaz Barak ja Weijie J. Su
(2024). An Economic Solution to Copyright Challenges of Generative AI. arXiv:
2404.13964.
Vivekananthan, Sanchayan (2024). Comparative Analysis of Generative Models: En-
hancing Image Synthesis with VAEs, GANs, and Stable Diffusion. arXiv: 2408.
08751.
Wolf, Mark J. P. (2007). The Video Game Explosion: A History from PONG to
PlayStation and Beyond. 1. painos. Westport, Conn: Greenwood. isbn: 978-0-
313-33868-7.