مصدر الصورة: تم إنشاؤه بواسطة الذكاء الاصطناعي غير محدود
رائع! نمت شجرة مهارات GPT مرة أخرى ، والآن يمكنك حتى القيام باللعبة مباشرة !؟
كما تعلمون ، لم يعد العصر الحالي هو العصر في الماضي عندما يمكنك الاستيلاء على السوق عن طريق صنع لعبة صغيرة. عملية تطوير اللعبة اليوم معقدة للغاية.
لنبدأ بالقوى العاملة ، يتم حساب أفراد كل فريق لعبة بالعشرات أو حتى المئات. شخص ما مسؤول عن البرمجة ، شخص مسؤول عن الفن ، شخص مسؤول عن الصيانة ، وهكذا.
تحتوي كل لعبة أيضا على قاعدة كود ضخمة ومكتبة مواد.
نتيجة لذلك ، يتطلب تطوير لعبة رائعة الكثير من الأشخاص والكثير من الوقت لإكمالها. وغالبا ما تكون هذه الفترة الزمنية عدة سنوات.
بشكل أكثر حدسية ، إنه المال.
طور فريق اللعبة تحفة فنية سيتذكرها الناس ويحبونها ، وستتجاوز الميزانية 100 مليون دولار.
خلاف ذلك ، فإن إنتاج الألعاب هو نوع من الكهرباء المولدة بالحب.
الآن ، تغيرت الأمور!
طور الباحثون نموذجا يسمى GameGPT ، والذي يمكنه دمج عوامل الذكاء الاصطناعي متعددة لأتمتة بعض العمليات في تطوير الألعاب.
ويؤدي الوكلاء المختلفون واجباتهم ويعملون بطريقة منظمة.
هناك وكلاء مسؤولون عن مراجعة خطة تصميم اللعبة وإجراء التعديلات والتعديلات المقابلة ؛ البعض مسؤول عن ترجمة المهام إلى رمز ملموس. البعض مسؤول عن التحقق من الكود الذي تم إنشاؤه في الخطوة السابقة ومراجعة نتائج التشغيل ؛ هناك أيضا وكلاء مسؤولون عن التحقق من أن جميع الأعمال تلبي التوقعات الأولية.
بهذه الطريقة ، من خلال تحسين سير العمل وتحلله ، يمكن ل GameGPT تبسيط عمل وكلاء الذكاء الاصطناعي. هذا النوع من الأداء أكثر كفاءة وأبسط بكثير في تحقيقه من وكيل قوي يقوم بكل شيء.
يقول الباحثون إن GameGPT يمكنه تبسيط بعض الجوانب المتكررة والجامدة لعملية تطوير الألعاب التقليدية ، مثل اختبار التعليمات البرمجية.
يمكن تحرير عدد كبير من المطورين من أعمال الفحص المعقدة والتركيز على روابط التصميم الأكثر تحديا التي لا يمكن استبدالها ب الذكاء الاصطناعي.
بالطبع ، لا تزال هذه الورقة في مرحلة أولية نسبيا. لا توجد نتائج أو تجارب ملموسة لإثبات تحسينات الأداء.
بمعنى آخر ، لم يطور أحد بالفعل لعبة باستخدام GameGPT ، ولا يزال النموذج في المرحلة المفاهيمية ، ومن الصعب تقييمه حتى تكون هناك نتائج تطبيق محددة وبيانات قابلة للقياس الكمي.
ومع ذلك ، فهو دائما اتجاه للعمل عليه.
قال بعض مستخدمي الإنترنت إن أفكار الناس حول LLM متحيزة إلى حد ما. الآن ، لدى الباحثين أداة تحل 100٪ من مشكلات البرمجة اللغوية العصبية ، بينما يهتم الناس فقط بأتمتة مهام سير عمل معينة.
على سبيل المثال ، تخيل لو كان رد فعل عالم اللعبة على قراراتك بشكل طبيعي أكثر مما يمكنك الحكم عليه في خمس دقائق كمحرك مشفر قائم على القواعد.
تخيل لو أن اللعبة يمكن أن ترتجل المهام الجانبية نيابة عنك بناء على القرارات التي تتخذها (مثل ذبح الأعداء بشكل عشوائي الذي تراه على طول الطريق ، وما إلى ذلك).
عندما ينشئ المطورون مثل هذا النظام ، فإنهم يستخدمون هندسة التلميح لتوجيه LLM بدلا من ترميز هذه الأشياء.
ومع ذلك ، فإن الغرض من ذلك ليس توفير التكاليف ، ولكن لجعل الألعاب في مرحلة لم يكن من الممكن فيها إنشاء المزيد من الألعاب من قبل (أليس هذا قليلا من الفم).
جيمجي بي تي
أولا ، دعنا نلقي نظرة على الإطار الكبير لنموذج GameGPT - العملية برمتها.
كما ترون ، يجسد المؤلف كل وكيل ، ويظهر بشكل أكثر وضوحا كيف يؤدون واجباتهم.
في أقصى الجانب الأيسر من العملية يوجد جانب المستخدم ، الذي يتم إدخاله في GameGPT ، ثم يقوم مدير التطوير والمراجعة بإجراء التخطيط الأولي.
ثم يتم إرسال المتطلبات إلى مهندسي التطوير ، وكذلك مهندسي محرك اللعبة ، لأداء مهام محددة وإنشاء التعليمات البرمجية.
أخيرا ، تحقق مما إذا كان هناك أي سهو ، وأرسلها مرة أخرى إلى الجانب الأيسر ، وقم بتشغيلها مرة أخرى. إذا لم يكن الأمر كذلك ، فتابع إلى اليمين وسيقوم المهندس المسؤول عن الفحص بإجراء الاختبار.
** الذكاء الاصطناعي لعبة التنمية؟ **
في الواقع ، قد تعود أساسيات تاريخ اللعبة الذكاء الاصطناعي المطورة إلى أبعد من ذلك.
يمكن إرجاع تطبيق الذكاء الاصطناعي في تطوير الألعاب إلى الألعاب الكلاسيكية مثل StarCraft و Diablo. في ذلك الوقت ، احتاج المطورون إلى أنظمة الذكاء الاصطناعي لإنشاء عوالم وشخصيات افتراضية تفاعلية.
أصبحت هذه الأنظمة معيارا لتطوير مثل هذه المنصات التفاعلية.
أكدت الأبحاث المبكرة المتعلقة الذكاء الاصطناعي في تطوير اللعبة على التحكم في الشخصيات غير اللاعبة (NPCs) ، ومع تطور تقنية معالجة اللغة الطبيعية (NLP) ، كان هناك بعض العمل الرائد باستخدام تقنيات التعلم العميق لتوليد المستويات.
واحدة من روائع MarioGPT ، التي ولدت بنجاح بعض المستويات في Super Mario Bros. من خلال نموذج GPT-2 مضبوط بدقة.
حققت LLM خطوات كبيرة هذا العام ، مع نتائج جيدة في كل من البرمجة اللغوية العصبية ورؤية الكمبيوتر (CV).
نحن نعلم أن تدريب LLM هو عملية متعددة المراحل. تتكون المرحلة الأولية من تدريب هذه النماذج في مجموعة واسعة النطاق ، مما يسهل اكتساب المهارات اللغوية الأساسية.
يتبع ذلك مرحلة أكثر أهمية ، وهي ضبط النموذج عن طريق توليد البيانات من مهام البرمجة اللغوية العصبية المختلفة من خلال التعليمات. يعزز تعديل التعليمات هذا قدرة تعميم النموذج في مجموعة واسعة من التطبيقات ، مما يسمح ل LLM بتحقيق أداء خال من الأخطاء في المهام التي لم يتم تنفيذها في التدريب السابق.
أخيرا ، تضمن مرحلة التعلم المعزز للتغذية الراجعة البشرية (RLHF) السلامة الهيكلية وموثوقية النموذج.
تحذير آخر هنا - تسمح مرحلة RLHF للنموذج بإنشاء محتوى يحاكي الأسلوب البشري ، مما يعزز تعدد استخداماته كعامل.
بالإضافة إلى ذلك ، عززت التطورات في LLM أتمتة الوكلاء في عملية تطوير البرمجيات. ركزت العديد من الدراسات على مسألة كيفية تطوير وكيل قائم على LLM يمكنه أداء مهام مختلفة.
على سبيل المثال ، استخدم AutoGPT وكلاء LLM للتعامل مع بعض مهام صنع القرار في العالم الحقيقي ، بينما استخدم HuggingGPT LLM واحدا كوحدة تحكم لتنسيق مهام الذكاء الاصطناعي الأكثر تعقيدا.
على الرغم من أن هذه الأساليب تعتمد على وكيل LLM واحد ، إلا أنها تضيف جميعها مراجعا (المراجع في المخطط الانسيابي أعلاه) لتحسين القرار.
أو خذ AutoGPT كمثال ، سيحصل النموذج على بعض الآراء المساعدة من المتعلم الخاضع للإشراف لتحسين أدائه ، ويمكن أيضا توصيل HuggingGPT ب GPT-4 لجعل المراجع يقيم دقة اتخاذ القرار.
هناك أمثلة أخرى ، مثل MetaGPT ، التي تقدم إطارا متعدد الوكلاء يمكن استخدامه لأتمتة تطوير البرامج المختلفة.
بالعودة إلى تطوير اللعبة الذي ناقشناه اليوم ، نحتاج إلى معرفة أنه على عكس تطوير البرامج العامة ، تحتاج صناعة تطوير الألعاب إلى مواكبة الاتجاهات ، لذلك يجب أن تكون عملية التطوير بأكملها أكثر دقة وإيجازا لتحقيق أفضل كفاءة.
بالإضافة إلى ذلك ، فإن التغيير والتبديل واستخدام LLM واحد لخدمة دورة التطوير الكاملة لتطوير اللعبة دون أوهام ودقة عالية أمر غير عملي ومكلف.
لذلك ، يتطلب إطار تطوير اللعبة الذكاء الاصطناعي مشاركة العديد من المراجعين ، مما يمكن أن يخفف بشكل فعال من الميول الهلوسة المتأصلة في نماذج اللغة.
وجد الباحثون أيضا أن نماذج اللغة لها قيود أخرى في تطوير الألعاب - التكرار. قد تقوم LLM بإنشاء مهام غير ضرورية وغير مفيدة أو مقتطفات التعليمات البرمجية عند إنشاء اللعبة.
لمعالجة مشكلة الوهم والتكرار بشكل فعال ، يتخذ بطل الرواية اليوم ، GameGPT ، بشكل استراتيجي مجموعة متنوعة من الأساليب للمشكلة ، بما في ذلك التعاون المزدوج ، وتعديل التعليمات من خلال المفردات الداخلية ، وفصل التعليمات البرمجية.
تجدر الإشارة إلى أن التعاون المزدوج ينطوي على التفاعل بين LLM ونماذج التعلم العميق الصغيرة ، فضلا عن المشاركة التعاونية بين الوكيل المسؤول عن التنفيذ ووكيل المراجع.
يقول الباحثون إن أوجه التآزر هذه أثبتت فعاليتها في التخفيف من وهم وتكرار GameGPT.
مقدمة عن الطريقة
بعد ذلك ، قام الباحثون بتشريح ابتكار GameGPT من العملية برمتها.
بادئ ذي بدء ، خلال مرحلة تصميم اللعبة ، بعد تلقي طلب المستخدم ، تتضمن مهام GameGPT إنشاء خطة تطوير للعبة بأكملها. تعد مرحلة التخطيط هذه إحدى الخطوات الرئيسية التي تؤثر بشكل كبير على التقدم السلس لعملية التطوير بأكملها.
يتم التخطيط لهذه المرحلة من قبل مدير تطوير الألعاب القائم على LLM والذي يأتي بخطة أولية ثم يقسمها إلى قائمة مهام.
تجدر الإشارة إلى أنه نظرا للقيود المتأصلة في LLM ، غالبا ما تقدم هذه الخطة الأولية الهلوسة ، مما يؤدي إلى مهام غير متوقعة ، بما في ذلك المهام غير المفيدة أو الزائدة عن الحاجة.
لمعالجة هذه المشكلات ، اقترح الباحثون أربع استراتيجيات يمكن أن تخفف من هذه التحديات التي كانت متعامدة مع بعضها البعض ويمكن تنفيذها في طبقات للحصول على نتائج أفضل.
السيناريو الأول: تصنيف الطلبات الواردة من أجل تحديد نوع اللعبة. حاليا ، يدعم إطار عمل GameGPT تطوير خمسة أنواع مختلفة من الألعاب ، وهي: الحركة والاستراتيجية ولعب الأدوار والمحاكاة والمغامرة.
لكل نوع ، يقدم الباحثون قوالب تخطيط موحدة توجه وكلاء إدارة تطوير الألعاب من خلال القوالب التي تحتوي على المعلومات ذات الصلة.
من خلال اعتماد هذا النهج ، يتم تقليل وتيرة المهام الزائدة عن الحاجة بشكل كبير ، في حين أن احتمال حدوث الهلوسة.
الاستراتيجية الثانية: تتضمن مشاركة وكيل فاحص البرنامج ، وهو وكيل آخر قائم على LLM. يعمل هذا الوكيل بتصميم دقيق لتقديم مراجعة شاملة لخطة المهمة.
هدفها الرئيسي هو تقليل حدوث الهلوسة والتكرار. يوفر برنامج تقييم الوكيل هذا ملاحظات لتحسين وزيادة دقته وكفاءته وبساطته.
في الوقت نفسه ، يمكن استخدام التعليمات التي تم إنشاؤها في هذا الجزء كمدخلات جديدة لوكيل مدير تطوير اللعبة ، مما يجعل خطة المهمة أكثر دقة وكمالا.
الإستراتيجية 3: اضبط LLM نفسه لوكيل مدير تطوير اللعبة من خلال تعليمات خاصة للتخطيط بشكل أفضل على مستوى تطوير اللعبة. الغرض من عملية الضبط الدقيق هذه هو السماح للنموذج بإنتاج خطة دقيقة وموجزة.
للراحة ، قام فريق البحث بجمع ودمج مجموعة بيانات داخلية تضمنت العديد من مجموعات المدخلات والمخرجات. على الرغم من أن هذه المجموعات لا تتوافق مع التنسيق القياسي من حيث الطول أو الهيكل ، إلا أنها تدور جميعها حول متطلبات تطوير اللعبة.
يتم توفير هذا الجزء من المزيج الثابت من قبل المطورين في الصناعة.
من خلال اعتماد هذا النهج ، قام الباحثون بشكل فعال بسد الفجوة بين المهارات اللغوية العامة ل LLM ومهارات تخطيط تطوير الألعاب.
الاستراتيجية 4: "شبكة الأمان" في مرحلة التخطيط. طوال عملية التخطيط ، يشارك وكيل مدير تطوير اللعبة دائما النتائج المؤقتة مع المستخدم على الواجهة الأمامية ، مما يسمح لبقية الوكلاء بمعرفة التطوير الجاري في جميع الأوقات.
لتعزيز ذلك ، قام الباحثون بدمج نهج تفاعلي يمكن المستخدمين من مراجعة الخطط وتصحيحها وتحسينها بناء على توقعاتهم. يضمن هذا النهج أيضا الاتساق بين خطة التصميم واحتياجات المستخدم.
مع هذه الاستراتيجيات بعيدا عن الطريق ، دعنا نلقي نظرة على مزايا GameGPT.
أولا ، تتطلب عملية تصنيف المهام في هذا النموذج دقة عالية في تحديد أنواع المهام والمعلمات المقابلة لها.
لذلك ، لضمان الدقة في هذه المرحلة ، أنشأ الباحثون وكيلا يسمى مهندس تطوير الألعاب. يتكون الوكيل من نموذجين يعملان معا للمشاركة في عملية تصنيف المهام.
يعمل هذا النهج التعاوني على تحسين دقة وفعالية تحديد المهام. في الوقت نفسه ، من أجل تجنب ظهور أوهام LLM وتحسين دقة تصنيف المهام ، قدم الباحثون قائمة بأنواع المهام التي قد تظهر في تطوير اللعبة.
لتصنيف هذا بشكل أفضل ، اعتمدوا نموذج BERT.
تم تدريب نموذج BERT بشكل كامل باستخدام مجموعة بيانات داخلية. تحتوي مجموعة البيانات هذه على عناصر بيانات مصممة خصيصا لمهمة تطوير اللعبة. يتم رسم الإدخال من قائمة محددة مسبقا ، ويتوافق الإخراج مع الفئة المحددة للمهمة.
تتم مراجعة أنواع المهام والمعلمات في هذه المرحلة ، ويتم تقديم وكيل يسمى مراجع المهام ، وهو مسؤول بشكل أساسي عن تحديد كل فئة وما إذا كانت المعلمات معقولة.
تتضمن عملية المراجعة مراجعة ما إذا كان نوع المهمة ضمن نطاق محدد مسبقا وما إذا كانت المهمة الأنسب. في الوقت نفسه ، يتحقق أيضا من قائمة المعلمات لمعرفة ما إذا كانت تتوافق مع المهمة.
في بعض السيناريوهات ، مثل بعض المواقف المستندة إلى معلومات المهمة السياقية ، أو حيث لا يمكن استنتاج معلمات طلب المستخدم ، تتخذ GameGPT نهجا استباقيا لحلها.
يجذب المراجع انتباه المستخدم من خلال تشغيل مطالبة على واجهة الواجهة الأمامية وطلب معلومات إضافية مطلوبة للمعلمات.
تتمثل فائدة هذا النهج التفاعلي في أنه يضمن سلامة تفاصيل الحجة حتى عندما يكون التفكير التلقائي غير كاف.
بالإضافة إلى ذلك ، هناك عامل آخر مسؤول عن تحديد التبعيات بين المهام وإنشاء رسم تخطيطي يلخص هذه العلاقات. بعد إنشاء الرسم البياني ، يتم استخدام خوارزمية لاجتياز الرسم البياني وتصفيته ، مما يؤدي إلى ترتيب تنفيذ مهمة محدد.
تضمن هذه العملية إمكانية تنفيذ النموذج بشكل منظم ومنهجي وفقا لتبعيات المهمة ، مما يؤدي إلى عملية تطوير متماسكة ومنظمة.
مشكلة أخرى هي أن استخدام LLM لإنشاء رمز طويل يحمل المزيد من الهلوسة وخطر التكرار. لحل هذه المشكلة ، قدم الباحثون طريقة جديدة لفصل الكود الذي يظهر في تصميم اللعبة ، وتبسيط عملية التفكير في LLM ، وبالتالي التخفيف بشكل كبير من الهلوسة والتكرار.
هذا النهج ليس من الصعب فهمه أيضا - سيقوم الباحثون بتقسيم البرنامج النصي المتوقع إلى العديد من مقتطفات التعليمات البرمجية الأقصر ل LLM لمعالجتها. طريقة الفصل هذه تبسط إلى حد كبير عمل LLM.
هناك أيضا طريقة تفكير فعالة تسمى التعلم السياقي ، والتي يمكن أن تخفف أيضا من الهلوسة بشكل فعال.
بالإضافة إلى ذلك ، تتضمن تقنية أخرى للتخلص من الهلوسة المطبقة في GameGPT إنشاء مجموعة من مقتطفات كود K لكل مهمة.
ثم يتم اختبار مقتطفات التعليمات البرمجية هذه في بيئة افتراضية وتقديمها للمستخدم في نفس الوقت. يتم استخدام كل من عملية الاختبار وتعليقات المستخدمين لتحديد مقتطفات التعليمات البرمجية الإشكالية وإزالتها ، تاركا فقط الخيار الأكثر قابلية للتطبيق للتنفيذ. يساعد هذا النهج أيضا على تقليل حدوث الهلوسة.
بالإضافة إلى ذلك ، يمتلك الباحثون مكتبة داخلية بها عدد كبير من مقتطفات التعليمات البرمجية المصممة لتطوير الألعاب. يتم التعليق على كل مقتطف شفرة بواسطة ملصق ، مما يوفر وصفا واضحا للغرض المقصود منه.
للتلخيص ، من أجل جعل الكود غير زائد عن الحاجة وليس هلوسة ، قام المطورون بإعدادين ، مسبقا وفي الحدث.
في الوقت نفسه ، تعد المكتبة المذكورة أعلاه أيضا موردا قيما لضبط النموذج. مراجعة التعليمات البرمجية وتحسينها بعد أن يقوم وكيل محرك اللعبة بإنشاء التعليمات البرمجية ، يقوم وكيل مراجعة التعليمات البرمجية بإجراء مراجعة ومراجعة شاملة لقاعدة التعليمات البرمجية.
يقوم الوكيل بإجراء تقييم شامل في محاولة لتحديد أي حالات قد تنحرف عن الطلب الأصلي ، أو هلوسة غير متوقعة في الكود.
بعد مراجعة شاملة ، لا يمكن للوكيل تحديد الاختلافات المحتملة فحسب ، بل يمكنه أيضا تقديم اقتراحات لتحسين الكود ، مما يؤدي إلى إصدار أكثر منطقية.
بعد عملية المراجعة ، ستتم مشاركة الكود المعدل ، بالإضافة إلى التعليقات الواردة من الوكيل ، مع مهندس محرك اللعبة والوكيل والمستخدم من خلال واجهة الواجهة الأمامية. إذا رأى المستخدم ذلك ضروريا ، فيمكنه تقديم اقتراحات تعديل التعليمات البرمجية مباشرة من خلال واجهة الواجهة الأمامية.
ثم يتم تمرير هذه التوصيات إلى وكيل مراجعة الكود ، الذي يقوم بتقييمها ودمجها بشكل انتقائي لزيادة إنشاء نهج تعاوني وتكراري لتحسين الكود.
أخيرا ، بمجرد إنشاء الكود والانتهاء من كل شيء ، تقع المسؤولية على عاتق وكيل اختبار محرك اللعبة ، المسؤول عن تنفيذ الكود الذي تم إنشاؤه.
في هذه المرحلة ، يتبع الوكيل أيضا تسلسل التنفيذ المحدد في المرحلة السابقة.
تتضمن عملية التنفيذ المحددة إرسال التعليمات البرمجية لكل مهمة فردية إلى محرك اللعبة ، وتنفيذها ، وتتبعها باستمرار أثناء التنفيذ ، وإنشاء سجلات.
بعد الانتهاء من جميع المهام المحددة في تسلسل التنفيذ ، يقوم العامل بدمج جميع السجلات التي تم إنشاؤها خلال التنفيذ.
والنتيجة هي ملخص موجز وشامل يتم تقديمه للمستخدم من خلال واجهة أمامية.
بالإضافة إلى ذلك ، يحدد وكيل مهندس الاختبار ويبلغ عن حدوث أي تراجع لوحظ أثناء التنفيذ. تعمل هذه الآثار الخلفية كمؤشرات رئيسية على أن الذكاء الاصطناعي يقوم بإجراء مزيد من التعديلات على عملية التنفيذ أو الكود ، مما يسمح بتحسين العملية بأكملها والمساعدة في إنتاج منتج نهائي مثالي.
أخيرا ، دعنا نلقي نظرة على صيغة إطار العمل لعوامل متعددة تعمل في نفس الوقت:
أولا ، في GameGPT ، كل وكيل لديه نظام ذاكرة خاص ، ولديه حق الوصول إلى المحتوى العام المشترك للحصول على المعلومات اللازمة لتوجيه عملية صنع القرار.
بالنسبة للعامل i مع الخطوة الزمنية t ، يمكن التعبير عن هذه العملية على النحو التالي:
حيث يتوافق pθi مع LLM أو نموذج الخبير المتعلق بالعامل i ، يمثل Oit ناتج أو تسليم العامل i في الخطوة الزمنية t ، ويشير Mit و Pt إلى جميع الذكريات الخاصة والسجلات العامة الضرورية خلال الخطوة الزمنية t ، على التوالي.
نظرا لخصائص صناعة تطوير الألعاب وقيود نموذج اللغة الكبيرة ، فإن وجود وكلاء متعددين بأدوار مختلفة في GameGPT أمر بالغ الأهمية.
بالنظر إلى أن دورات تطوير الألعاب غالبا ما تستغرق شهورا ، فإن الاعتماد على وكيل واحد يتمتع بذاكرة شاملة ومعلومات سياقية يمكن أن يقلل بشكل كبير من كفاءة نماذج اللغة ، بما في ذلك LLM.
نظرا لأن المشاريع أصبحت أكثر تعقيدا بمرور الوقت ، فإن هذا النهج يمثل تحديات قابلية التوسع. أيضا ، نظرا للقيود المفروضة على عدد العلامات التي تتعامل معها LLM ، ليس من العملي استخدام وكيل منفصل بذاكرة كاملة في مشاريع تطوير الألعاب الكبيرة.
أيضا ، فإن المشاكل المتأصلة مثل الهلوسة والتكرار التي لوحظت في LLMs تسلط الضوء على أهمية التعاون بين وكلاء متعددين ، وخاصة أولئك الذين لديهم أدوار حاسمة.
هذا التعاون مهم في التخفيف من التحديات التي تفرضها أوهام LLM والتكرار.
نتيجة لذلك ، تستخدم GameGPT مجموعة من الأدوار المختلفة لتسهيل تشغيلها ، بما في ذلك المسؤوليات طوال دورة تطوير اللعبة.
تتضمن هذه الأدوار مصمم محتوى اللعبة ، ومدير تطوير اللعبة ، ومدقق البرنامج ، ومهندس تطوير الألعاب ، ومدقق المهام ، بالإضافة إلى مهندس محرك اللعبة ، ومدقق الكود ، ومهندس اختبار محرك اللعبة المذكور أعلاه.
خلال عملية تطوير اللعبة ، تتولى كل شخصية مهام مختلفة.
موارد:
شاهد النسخة الأصلية
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
GameGPT يدخل إنتاج اللعبة! ألعاب تم إنشاؤها تلقائيا بالكامل ، يمكن تقليل الوقت بمقدار مائة ضعف
المصدر الأصلي: شين جي يوان
رائع! نمت شجرة مهارات GPT مرة أخرى ، والآن يمكنك حتى القيام باللعبة مباشرة !؟
كما تعلمون ، لم يعد العصر الحالي هو العصر في الماضي عندما يمكنك الاستيلاء على السوق عن طريق صنع لعبة صغيرة. عملية تطوير اللعبة اليوم معقدة للغاية.
لنبدأ بالقوى العاملة ، يتم حساب أفراد كل فريق لعبة بالعشرات أو حتى المئات. شخص ما مسؤول عن البرمجة ، شخص مسؤول عن الفن ، شخص مسؤول عن الصيانة ، وهكذا.
تحتوي كل لعبة أيضا على قاعدة كود ضخمة ومكتبة مواد.
نتيجة لذلك ، يتطلب تطوير لعبة رائعة الكثير من الأشخاص والكثير من الوقت لإكمالها. وغالبا ما تكون هذه الفترة الزمنية عدة سنوات.
طور فريق اللعبة تحفة فنية سيتذكرها الناس ويحبونها ، وستتجاوز الميزانية 100 مليون دولار.
خلاف ذلك ، فإن إنتاج الألعاب هو نوع من الكهرباء المولدة بالحب.
الآن ، تغيرت الأمور!
طور الباحثون نموذجا يسمى GameGPT ، والذي يمكنه دمج عوامل الذكاء الاصطناعي متعددة لأتمتة بعض العمليات في تطوير الألعاب.
ويؤدي الوكلاء المختلفون واجباتهم ويعملون بطريقة منظمة.
هناك وكلاء مسؤولون عن مراجعة خطة تصميم اللعبة وإجراء التعديلات والتعديلات المقابلة ؛ البعض مسؤول عن ترجمة المهام إلى رمز ملموس. البعض مسؤول عن التحقق من الكود الذي تم إنشاؤه في الخطوة السابقة ومراجعة نتائج التشغيل ؛ هناك أيضا وكلاء مسؤولون عن التحقق من أن جميع الأعمال تلبي التوقعات الأولية.
يقول الباحثون إن GameGPT يمكنه تبسيط بعض الجوانب المتكررة والجامدة لعملية تطوير الألعاب التقليدية ، مثل اختبار التعليمات البرمجية.
يمكن تحرير عدد كبير من المطورين من أعمال الفحص المعقدة والتركيز على روابط التصميم الأكثر تحديا التي لا يمكن استبدالها ب الذكاء الاصطناعي.
بالطبع ، لا تزال هذه الورقة في مرحلة أولية نسبيا. لا توجد نتائج أو تجارب ملموسة لإثبات تحسينات الأداء.
بمعنى آخر ، لم يطور أحد بالفعل لعبة باستخدام GameGPT ، ولا يزال النموذج في المرحلة المفاهيمية ، ومن الصعب تقييمه حتى تكون هناك نتائج تطبيق محددة وبيانات قابلة للقياس الكمي.
ومع ذلك ، فهو دائما اتجاه للعمل عليه.
قال بعض مستخدمي الإنترنت إن أفكار الناس حول LLM متحيزة إلى حد ما. الآن ، لدى الباحثين أداة تحل 100٪ من مشكلات البرمجة اللغوية العصبية ، بينما يهتم الناس فقط بأتمتة مهام سير عمل معينة.
على سبيل المثال ، تخيل لو كان رد فعل عالم اللعبة على قراراتك بشكل طبيعي أكثر مما يمكنك الحكم عليه في خمس دقائق كمحرك مشفر قائم على القواعد.
تخيل لو أن اللعبة يمكن أن ترتجل المهام الجانبية نيابة عنك بناء على القرارات التي تتخذها (مثل ذبح الأعداء بشكل عشوائي الذي تراه على طول الطريق ، وما إلى ذلك).
عندما ينشئ المطورون مثل هذا النظام ، فإنهم يستخدمون هندسة التلميح لتوجيه LLM بدلا من ترميز هذه الأشياء.
ومع ذلك ، فإن الغرض من ذلك ليس توفير التكاليف ، ولكن لجعل الألعاب في مرحلة لم يكن من الممكن فيها إنشاء المزيد من الألعاب من قبل (أليس هذا قليلا من الفم).
جيمجي بي تي
أولا ، دعنا نلقي نظرة على الإطار الكبير لنموذج GameGPT - العملية برمتها.
في أقصى الجانب الأيسر من العملية يوجد جانب المستخدم ، الذي يتم إدخاله في GameGPT ، ثم يقوم مدير التطوير والمراجعة بإجراء التخطيط الأولي.
ثم يتم إرسال المتطلبات إلى مهندسي التطوير ، وكذلك مهندسي محرك اللعبة ، لأداء مهام محددة وإنشاء التعليمات البرمجية.
أخيرا ، تحقق مما إذا كان هناك أي سهو ، وأرسلها مرة أخرى إلى الجانب الأيسر ، وقم بتشغيلها مرة أخرى. إذا لم يكن الأمر كذلك ، فتابع إلى اليمين وسيقوم المهندس المسؤول عن الفحص بإجراء الاختبار.
** الذكاء الاصطناعي لعبة التنمية؟ **
في الواقع ، قد تعود أساسيات تاريخ اللعبة الذكاء الاصطناعي المطورة إلى أبعد من ذلك.
يمكن إرجاع تطبيق الذكاء الاصطناعي في تطوير الألعاب إلى الألعاب الكلاسيكية مثل StarCraft و Diablo. في ذلك الوقت ، احتاج المطورون إلى أنظمة الذكاء الاصطناعي لإنشاء عوالم وشخصيات افتراضية تفاعلية.
أصبحت هذه الأنظمة معيارا لتطوير مثل هذه المنصات التفاعلية.
أكدت الأبحاث المبكرة المتعلقة الذكاء الاصطناعي في تطوير اللعبة على التحكم في الشخصيات غير اللاعبة (NPCs) ، ومع تطور تقنية معالجة اللغة الطبيعية (NLP) ، كان هناك بعض العمل الرائد باستخدام تقنيات التعلم العميق لتوليد المستويات.
واحدة من روائع MarioGPT ، التي ولدت بنجاح بعض المستويات في Super Mario Bros. من خلال نموذج GPT-2 مضبوط بدقة.
حققت LLM خطوات كبيرة هذا العام ، مع نتائج جيدة في كل من البرمجة اللغوية العصبية ورؤية الكمبيوتر (CV).
نحن نعلم أن تدريب LLM هو عملية متعددة المراحل. تتكون المرحلة الأولية من تدريب هذه النماذج في مجموعة واسعة النطاق ، مما يسهل اكتساب المهارات اللغوية الأساسية.
يتبع ذلك مرحلة أكثر أهمية ، وهي ضبط النموذج عن طريق توليد البيانات من مهام البرمجة اللغوية العصبية المختلفة من خلال التعليمات. يعزز تعديل التعليمات هذا قدرة تعميم النموذج في مجموعة واسعة من التطبيقات ، مما يسمح ل LLM بتحقيق أداء خال من الأخطاء في المهام التي لم يتم تنفيذها في التدريب السابق.
أخيرا ، تضمن مرحلة التعلم المعزز للتغذية الراجعة البشرية (RLHF) السلامة الهيكلية وموثوقية النموذج.
بالإضافة إلى ذلك ، عززت التطورات في LLM أتمتة الوكلاء في عملية تطوير البرمجيات. ركزت العديد من الدراسات على مسألة كيفية تطوير وكيل قائم على LLM يمكنه أداء مهام مختلفة.
على سبيل المثال ، استخدم AutoGPT وكلاء LLM للتعامل مع بعض مهام صنع القرار في العالم الحقيقي ، بينما استخدم HuggingGPT LLM واحدا كوحدة تحكم لتنسيق مهام الذكاء الاصطناعي الأكثر تعقيدا.
على الرغم من أن هذه الأساليب تعتمد على وكيل LLM واحد ، إلا أنها تضيف جميعها مراجعا (المراجع في المخطط الانسيابي أعلاه) لتحسين القرار.
أو خذ AutoGPT كمثال ، سيحصل النموذج على بعض الآراء المساعدة من المتعلم الخاضع للإشراف لتحسين أدائه ، ويمكن أيضا توصيل HuggingGPT ب GPT-4 لجعل المراجع يقيم دقة اتخاذ القرار.
هناك أمثلة أخرى ، مثل MetaGPT ، التي تقدم إطارا متعدد الوكلاء يمكن استخدامه لأتمتة تطوير البرامج المختلفة.
بالعودة إلى تطوير اللعبة الذي ناقشناه اليوم ، نحتاج إلى معرفة أنه على عكس تطوير البرامج العامة ، تحتاج صناعة تطوير الألعاب إلى مواكبة الاتجاهات ، لذلك يجب أن تكون عملية التطوير بأكملها أكثر دقة وإيجازا لتحقيق أفضل كفاءة.
بالإضافة إلى ذلك ، فإن التغيير والتبديل واستخدام LLM واحد لخدمة دورة التطوير الكاملة لتطوير اللعبة دون أوهام ودقة عالية أمر غير عملي ومكلف.
لذلك ، يتطلب إطار تطوير اللعبة الذكاء الاصطناعي مشاركة العديد من المراجعين ، مما يمكن أن يخفف بشكل فعال من الميول الهلوسة المتأصلة في نماذج اللغة.
وجد الباحثون أيضا أن نماذج اللغة لها قيود أخرى في تطوير الألعاب - التكرار. قد تقوم LLM بإنشاء مهام غير ضرورية وغير مفيدة أو مقتطفات التعليمات البرمجية عند إنشاء اللعبة.
لمعالجة مشكلة الوهم والتكرار بشكل فعال ، يتخذ بطل الرواية اليوم ، GameGPT ، بشكل استراتيجي مجموعة متنوعة من الأساليب للمشكلة ، بما في ذلك التعاون المزدوج ، وتعديل التعليمات من خلال المفردات الداخلية ، وفصل التعليمات البرمجية.
تجدر الإشارة إلى أن التعاون المزدوج ينطوي على التفاعل بين LLM ونماذج التعلم العميق الصغيرة ، فضلا عن المشاركة التعاونية بين الوكيل المسؤول عن التنفيذ ووكيل المراجع.
يقول الباحثون إن أوجه التآزر هذه أثبتت فعاليتها في التخفيف من وهم وتكرار GameGPT.
مقدمة عن الطريقة
بعد ذلك ، قام الباحثون بتشريح ابتكار GameGPT من العملية برمتها.
بادئ ذي بدء ، خلال مرحلة تصميم اللعبة ، بعد تلقي طلب المستخدم ، تتضمن مهام GameGPT إنشاء خطة تطوير للعبة بأكملها. تعد مرحلة التخطيط هذه إحدى الخطوات الرئيسية التي تؤثر بشكل كبير على التقدم السلس لعملية التطوير بأكملها.
يتم التخطيط لهذه المرحلة من قبل مدير تطوير الألعاب القائم على LLM والذي يأتي بخطة أولية ثم يقسمها إلى قائمة مهام.
تجدر الإشارة إلى أنه نظرا للقيود المتأصلة في LLM ، غالبا ما تقدم هذه الخطة الأولية الهلوسة ، مما يؤدي إلى مهام غير متوقعة ، بما في ذلك المهام غير المفيدة أو الزائدة عن الحاجة.
لمعالجة هذه المشكلات ، اقترح الباحثون أربع استراتيجيات يمكن أن تخفف من هذه التحديات التي كانت متعامدة مع بعضها البعض ويمكن تنفيذها في طبقات للحصول على نتائج أفضل.
السيناريو الأول: تصنيف الطلبات الواردة من أجل تحديد نوع اللعبة. حاليا ، يدعم إطار عمل GameGPT تطوير خمسة أنواع مختلفة من الألعاب ، وهي: الحركة والاستراتيجية ولعب الأدوار والمحاكاة والمغامرة.
لكل نوع ، يقدم الباحثون قوالب تخطيط موحدة توجه وكلاء إدارة تطوير الألعاب من خلال القوالب التي تحتوي على المعلومات ذات الصلة.
من خلال اعتماد هذا النهج ، يتم تقليل وتيرة المهام الزائدة عن الحاجة بشكل كبير ، في حين أن احتمال حدوث الهلوسة.
الاستراتيجية الثانية: تتضمن مشاركة وكيل فاحص البرنامج ، وهو وكيل آخر قائم على LLM. يعمل هذا الوكيل بتصميم دقيق لتقديم مراجعة شاملة لخطة المهمة.
هدفها الرئيسي هو تقليل حدوث الهلوسة والتكرار. يوفر برنامج تقييم الوكيل هذا ملاحظات لتحسين وزيادة دقته وكفاءته وبساطته.
في الوقت نفسه ، يمكن استخدام التعليمات التي تم إنشاؤها في هذا الجزء كمدخلات جديدة لوكيل مدير تطوير اللعبة ، مما يجعل خطة المهمة أكثر دقة وكمالا.
الإستراتيجية 3: اضبط LLM نفسه لوكيل مدير تطوير اللعبة من خلال تعليمات خاصة للتخطيط بشكل أفضل على مستوى تطوير اللعبة. الغرض من عملية الضبط الدقيق هذه هو السماح للنموذج بإنتاج خطة دقيقة وموجزة.
للراحة ، قام فريق البحث بجمع ودمج مجموعة بيانات داخلية تضمنت العديد من مجموعات المدخلات والمخرجات. على الرغم من أن هذه المجموعات لا تتوافق مع التنسيق القياسي من حيث الطول أو الهيكل ، إلا أنها تدور جميعها حول متطلبات تطوير اللعبة.
من خلال اعتماد هذا النهج ، قام الباحثون بشكل فعال بسد الفجوة بين المهارات اللغوية العامة ل LLM ومهارات تخطيط تطوير الألعاب.
الاستراتيجية 4: "شبكة الأمان" في مرحلة التخطيط. طوال عملية التخطيط ، يشارك وكيل مدير تطوير اللعبة دائما النتائج المؤقتة مع المستخدم على الواجهة الأمامية ، مما يسمح لبقية الوكلاء بمعرفة التطوير الجاري في جميع الأوقات.
لتعزيز ذلك ، قام الباحثون بدمج نهج تفاعلي يمكن المستخدمين من مراجعة الخطط وتصحيحها وتحسينها بناء على توقعاتهم. يضمن هذا النهج أيضا الاتساق بين خطة التصميم واحتياجات المستخدم.
مع هذه الاستراتيجيات بعيدا عن الطريق ، دعنا نلقي نظرة على مزايا GameGPT.
لذلك ، لضمان الدقة في هذه المرحلة ، أنشأ الباحثون وكيلا يسمى مهندس تطوير الألعاب. يتكون الوكيل من نموذجين يعملان معا للمشاركة في عملية تصنيف المهام.
يعمل هذا النهج التعاوني على تحسين دقة وفعالية تحديد المهام. في الوقت نفسه ، من أجل تجنب ظهور أوهام LLM وتحسين دقة تصنيف المهام ، قدم الباحثون قائمة بأنواع المهام التي قد تظهر في تطوير اللعبة.
لتصنيف هذا بشكل أفضل ، اعتمدوا نموذج BERT.
تم تدريب نموذج BERT بشكل كامل باستخدام مجموعة بيانات داخلية. تحتوي مجموعة البيانات هذه على عناصر بيانات مصممة خصيصا لمهمة تطوير اللعبة. يتم رسم الإدخال من قائمة محددة مسبقا ، ويتوافق الإخراج مع الفئة المحددة للمهمة.
تتم مراجعة أنواع المهام والمعلمات في هذه المرحلة ، ويتم تقديم وكيل يسمى مراجع المهام ، وهو مسؤول بشكل أساسي عن تحديد كل فئة وما إذا كانت المعلمات معقولة.
تتضمن عملية المراجعة مراجعة ما إذا كان نوع المهمة ضمن نطاق محدد مسبقا وما إذا كانت المهمة الأنسب. في الوقت نفسه ، يتحقق أيضا من قائمة المعلمات لمعرفة ما إذا كانت تتوافق مع المهمة.
في بعض السيناريوهات ، مثل بعض المواقف المستندة إلى معلومات المهمة السياقية ، أو حيث لا يمكن استنتاج معلمات طلب المستخدم ، تتخذ GameGPT نهجا استباقيا لحلها.
يجذب المراجع انتباه المستخدم من خلال تشغيل مطالبة على واجهة الواجهة الأمامية وطلب معلومات إضافية مطلوبة للمعلمات.
تتمثل فائدة هذا النهج التفاعلي في أنه يضمن سلامة تفاصيل الحجة حتى عندما يكون التفكير التلقائي غير كاف.
بالإضافة إلى ذلك ، هناك عامل آخر مسؤول عن تحديد التبعيات بين المهام وإنشاء رسم تخطيطي يلخص هذه العلاقات. بعد إنشاء الرسم البياني ، يتم استخدام خوارزمية لاجتياز الرسم البياني وتصفيته ، مما يؤدي إلى ترتيب تنفيذ مهمة محدد.
تضمن هذه العملية إمكانية تنفيذ النموذج بشكل منظم ومنهجي وفقا لتبعيات المهمة ، مما يؤدي إلى عملية تطوير متماسكة ومنظمة.
مشكلة أخرى هي أن استخدام LLM لإنشاء رمز طويل يحمل المزيد من الهلوسة وخطر التكرار. لحل هذه المشكلة ، قدم الباحثون طريقة جديدة لفصل الكود الذي يظهر في تصميم اللعبة ، وتبسيط عملية التفكير في LLM ، وبالتالي التخفيف بشكل كبير من الهلوسة والتكرار.
هذا النهج ليس من الصعب فهمه أيضا - سيقوم الباحثون بتقسيم البرنامج النصي المتوقع إلى العديد من مقتطفات التعليمات البرمجية الأقصر ل LLM لمعالجتها. طريقة الفصل هذه تبسط إلى حد كبير عمل LLM.
هناك أيضا طريقة تفكير فعالة تسمى التعلم السياقي ، والتي يمكن أن تخفف أيضا من الهلوسة بشكل فعال.
بالإضافة إلى ذلك ، تتضمن تقنية أخرى للتخلص من الهلوسة المطبقة في GameGPT إنشاء مجموعة من مقتطفات كود K لكل مهمة.
بالإضافة إلى ذلك ، يمتلك الباحثون مكتبة داخلية بها عدد كبير من مقتطفات التعليمات البرمجية المصممة لتطوير الألعاب. يتم التعليق على كل مقتطف شفرة بواسطة ملصق ، مما يوفر وصفا واضحا للغرض المقصود منه.
للتلخيص ، من أجل جعل الكود غير زائد عن الحاجة وليس هلوسة ، قام المطورون بإعدادين ، مسبقا وفي الحدث.
في الوقت نفسه ، تعد المكتبة المذكورة أعلاه أيضا موردا قيما لضبط النموذج. مراجعة التعليمات البرمجية وتحسينها بعد أن يقوم وكيل محرك اللعبة بإنشاء التعليمات البرمجية ، يقوم وكيل مراجعة التعليمات البرمجية بإجراء مراجعة ومراجعة شاملة لقاعدة التعليمات البرمجية.
يقوم الوكيل بإجراء تقييم شامل في محاولة لتحديد أي حالات قد تنحرف عن الطلب الأصلي ، أو هلوسة غير متوقعة في الكود.
بعد مراجعة شاملة ، لا يمكن للوكيل تحديد الاختلافات المحتملة فحسب ، بل يمكنه أيضا تقديم اقتراحات لتحسين الكود ، مما يؤدي إلى إصدار أكثر منطقية.
بعد عملية المراجعة ، ستتم مشاركة الكود المعدل ، بالإضافة إلى التعليقات الواردة من الوكيل ، مع مهندس محرك اللعبة والوكيل والمستخدم من خلال واجهة الواجهة الأمامية. إذا رأى المستخدم ذلك ضروريا ، فيمكنه تقديم اقتراحات تعديل التعليمات البرمجية مباشرة من خلال واجهة الواجهة الأمامية.
ثم يتم تمرير هذه التوصيات إلى وكيل مراجعة الكود ، الذي يقوم بتقييمها ودمجها بشكل انتقائي لزيادة إنشاء نهج تعاوني وتكراري لتحسين الكود.
أخيرا ، بمجرد إنشاء الكود والانتهاء من كل شيء ، تقع المسؤولية على عاتق وكيل اختبار محرك اللعبة ، المسؤول عن تنفيذ الكود الذي تم إنشاؤه.
في هذه المرحلة ، يتبع الوكيل أيضا تسلسل التنفيذ المحدد في المرحلة السابقة.
تتضمن عملية التنفيذ المحددة إرسال التعليمات البرمجية لكل مهمة فردية إلى محرك اللعبة ، وتنفيذها ، وتتبعها باستمرار أثناء التنفيذ ، وإنشاء سجلات.
بعد الانتهاء من جميع المهام المحددة في تسلسل التنفيذ ، يقوم العامل بدمج جميع السجلات التي تم إنشاؤها خلال التنفيذ.
والنتيجة هي ملخص موجز وشامل يتم تقديمه للمستخدم من خلال واجهة أمامية.
بالإضافة إلى ذلك ، يحدد وكيل مهندس الاختبار ويبلغ عن حدوث أي تراجع لوحظ أثناء التنفيذ. تعمل هذه الآثار الخلفية كمؤشرات رئيسية على أن الذكاء الاصطناعي يقوم بإجراء مزيد من التعديلات على عملية التنفيذ أو الكود ، مما يسمح بتحسين العملية بأكملها والمساعدة في إنتاج منتج نهائي مثالي.
أخيرا ، دعنا نلقي نظرة على صيغة إطار العمل لعوامل متعددة تعمل في نفس الوقت:
أولا ، في GameGPT ، كل وكيل لديه نظام ذاكرة خاص ، ولديه حق الوصول إلى المحتوى العام المشترك للحصول على المعلومات اللازمة لتوجيه عملية صنع القرار.
بالنسبة للعامل i مع الخطوة الزمنية t ، يمكن التعبير عن هذه العملية على النحو التالي:
نظرا لخصائص صناعة تطوير الألعاب وقيود نموذج اللغة الكبيرة ، فإن وجود وكلاء متعددين بأدوار مختلفة في GameGPT أمر بالغ الأهمية.
بالنظر إلى أن دورات تطوير الألعاب غالبا ما تستغرق شهورا ، فإن الاعتماد على وكيل واحد يتمتع بذاكرة شاملة ومعلومات سياقية يمكن أن يقلل بشكل كبير من كفاءة نماذج اللغة ، بما في ذلك LLM.
نظرا لأن المشاريع أصبحت أكثر تعقيدا بمرور الوقت ، فإن هذا النهج يمثل تحديات قابلية التوسع. أيضا ، نظرا للقيود المفروضة على عدد العلامات التي تتعامل معها LLM ، ليس من العملي استخدام وكيل منفصل بذاكرة كاملة في مشاريع تطوير الألعاب الكبيرة.
أيضا ، فإن المشاكل المتأصلة مثل الهلوسة والتكرار التي لوحظت في LLMs تسلط الضوء على أهمية التعاون بين وكلاء متعددين ، وخاصة أولئك الذين لديهم أدوار حاسمة.
هذا التعاون مهم في التخفيف من التحديات التي تفرضها أوهام LLM والتكرار.
نتيجة لذلك ، تستخدم GameGPT مجموعة من الأدوار المختلفة لتسهيل تشغيلها ، بما في ذلك المسؤوليات طوال دورة تطوير اللعبة.
تتضمن هذه الأدوار مصمم محتوى اللعبة ، ومدير تطوير اللعبة ، ومدقق البرنامج ، ومهندس تطوير الألعاب ، ومدقق المهام ، بالإضافة إلى مهندس محرك اللعبة ، ومدقق الكود ، ومهندس اختبار محرك اللعبة المذكور أعلاه.
خلال عملية تطوير اللعبة ، تتولى كل شخصية مهام مختلفة.
موارد: