1.AI Agent est un outil basé sur le grand modèle général de LLM, permettant aux développeurs et aux utilisateurs de créer directement des applications capables d’interagir indépendamment.
2.AI Le modèle principal de l’avenir de la piste peut être : « application générale grand modèle + pendentif » ; La niche écologique de l’agent d’IA est l’intergiciel qui relie le grand modèle général et la Dapp, de sorte que l’agent d’IA a un faible fossé, et il est nécessaire de créer des effets de réseau et d’améliorer l’adhérence de l’utilisateur pour améliorer la compétitivité à long terme.
3. Cet article passe en revue le développement de « grands modèles généraux, d’agents d’application suspendus et d’applications d’IA générative » dans la piste de jeu Web3. Parmi eux, combinés à la technologie de l’IA générative, il a un grand potentiel pour frapper le jeu à court terme.
01 Fiche technique
Dans la technologie explosive d’intelligence artificielle générale AGI (Artificial General Intelligence) de cette année, le Large Language Model (LLM) est le protagoniste absolu. Andrej Karpathy et Lilian Weng, technologues de base d’OpenAI, ont également déclaré que les agents d’IA basés sur le LLM sont la prochaine direction de développement importante dans le domaine de l’AGI, et que de nombreuses équipes développent également des systèmes d’agents d’IA pilotés par LLM (AI-Agents). En termes simples, un agent d’IA est un programme informatique qui utilise de grandes quantités de données et des algorithmes complexes pour simuler le processus de pensée et de prise de décision humain afin d’effectuer diverses tâches et interactions, telles que la conduite autonome, la reconnaissance vocale et la stratégie de jeu. L’image de Abacus.ai présente clairement le principe de base de l’agent IA, et les étapes sont les suivantes :
Perception et collecte de données : Saisie de données, ou agent d’IA via des systèmes de perception (capteurs, caméras, microphones, etc.) pour obtenir des informations et des données, telles que l’état du jeu, les images, le son, etc. **
Représentation de l’état : Les données doivent être traitées et représentées sous une forme compréhensible par l’agent, par exemple en étant converties en vecteurs ou en tenseurs, afin qu’elles puissent être facilement saisies dans un réseau neuronal. **
Modèles de réseaux neuronaux : Les modèles de réseaux neuronaux profonds sont couramment utilisés pour la prise de décision et l’apprentissage, tels que les réseaux de neurones convolutifs (CNN) pour le traitement d’images, les réseaux de neurones récurrents (RNN) pour le traitement des données de séquence, ou des modèles plus avancés tels que les mécanismes d’auto-attention (Transformers). **
Apprentissage par renforcement : les agents apprennent les meilleures stratégies d’action grâce à l’interaction avec l’environnement. En outre, les principes de fonctionnement de l’agent comprennent la mise en réseau stratégique, la mise en réseau de valeur, la formation et l’optimisation, ainsi que l’exploration et l’utilisation. Par exemple, dans le scénario de jeu, le réseau de stratégie peut saisir l’état du jeu, puis générer la distribution de probabilité d’action ; Le réseau de valeurs est capable d’estimer la valeur de l’état ; Les agents peuvent renforcer en permanence les algorithmes d’apprentissage en interagissant avec l’environnement afin d’optimiser les politiques et les réseaux de valeur et d’obtenir de meilleurs résultats. **
En résumé, les agents d’IA sont des entités intelligentes qui comprennent, décident et agissent, et ils peuvent jouer un rôle important dans une variété de domaines, y compris les jeux. « LLM Powered Autonomous Agents » par Lilian Weng, technicienne principale d’OpenAI, fournit une introduction très complète aux principes des agents d’IA, y compris une expérience très intéressante : les agents génératifs.
Generative Agents (GA) s’inspire des jeux Les Sims, qui utilisent la technologie LLM pour générer 25 personnages virtuels, chacun contrôlé par un agent alimenté par LLM, vivant et interagissant dans un environnement bac à sable. GA est intelligemment conçu pour combiner le LLM avec des capacités de mémoire, de planification et de réflexion, ce qui permet aux programmes d’agents de prendre des décisions basées sur l’expérience antérieure et d’interagir avec d’autres agents.
L’article détaille comment l’agent entraîne et optimise en permanence les chemins de décision en fonction des réseaux de stratégies, des réseaux de valeurs et des interactions avec l’environnement.
Le principe est le suivant : où Memory Stream (Memory Stram) est un module de mémoire à long terme qui enregistre toutes les expériences d’interaction de l’agent. Le modèle de récupération fournit des mémoires récupérées en fonction de la pertinence, de la fraîcheur et de l’importance pour aider l’agent à prendre une décision. Le mécanisme de réflexion résume les événements passés et guide les actions futures de l’agent. Planifier et réfléchir travaillent ensemble pour aider les agents à traduire la réflexion et les informations environnementales en actions concrètes.
Cette expérience intéressante nous montre les capacités des agents d’IA, telles que la génération de nouveaux comportements sociaux, la diffusion d’informations, la mémoire relationnelle (comme deux personnages virtuels continuant à discuter d’un sujet) et la coordination des activités sociales (comme l’organisation d’une fête et l’invitation d’autres personnages virtuels), etc. Dans l’ensemble, AI-Agent est un outil très intéressant, et son application dans les jeux mérite d’être explorée en profondeur.
02 Tendances technologiques
2.1 Suivre les tendances de l’IA
Lao Bai, partenaire de recherche en investissement chez ABCDE, a un jour résumé le jugement de la communauté du capital-risque de la Silicon Valley sur le prochain développement de l’IA :
**Pas de modèle vertical, seulement un grand modèle + une application verticale ; **
Les données sur les appareils périphériques tels que les téléphones mobiles peuvent constituer un obstacle, et les appareils périphériques basés sur l’IA peuvent également constituer une opportunité ; **
La longueur du contexte peut entraîner des changements qualitatifs à l’avenir (les bases de données vectorielles sont maintenant utilisées comme mémoire d’IA, mais la longueur du contexte n’est toujours pas suffisante). **
**C’est-à-dire que, du point de vue de la loi de développement général de l’industrie, parce que le mode de modèle de modèle général à grande échelle est trop lourd et a une forte universalité, il n’est pas nécessaire de construire constamment des roues dans le domaine des modèles généraux à grande échelle, mais devrait se concentrer davantage sur l’application de modèles généraux à grande échelle au domaine des pendentifs. **
Dans le même temps, les périphériques font référence à des terminaux qui ne dépendent généralement pas de centres de cloud computing ou de serveurs distants, mais qui effectuent le traitement des données et la prise de décision localement. En raison de la diversité des appareils périphériques, la façon de déployer des agents d’IA pour qu’ils s’exécutent sur les appareils et obtiennent correctement les données des appareils est un défi, mais c’est aussi une nouvelle opportunité.
Enfin, la question du contexte a également attiré beaucoup d’attention. En termes simples, le contexte dans le contexte LLM peut être compris comme la quantité d’informations, et la longueur du contexte peut être comprise comme le nombre de dimensions des données. Supposons que vous disposiez d’un modèle Big Data d’un site Web de commerce électronique qui est utilisé pour prédire la probabilité qu’un utilisateur achète un certain produit. Dans ce cas, le contexte peut inclure des informations telles que l’historique de navigation de l’utilisateur, l’historique des achats, l’historique des recherches, les attributs de l’utilisateur, etc. La longueur du contexte fait référence à la dimension de la superposition d’informations sur les caractéristiques, telles que l’historique d’achat de produits concurrents d’utilisateurs masculins âgés de 30 ans à Shanghai, la fréquence des achats récents et l’historique de navigation récent. L’augmentation de la longueur du contexte peut aider le modèle à comprendre de manière plus complète les facteurs qui influencent la décision d’achat de l’utilisateur.
Le consensus actuel est que, bien que l’utilisation actuelle de bases de données vectorielles comme mémoire de l’IA rende la longueur du contexte insuffisante, la longueur du contexte changera qualitativement à l’avenir, et le modèle post-LLM peut rechercher des méthodes plus avancées pour traiter et comprendre des informations contextuelles plus longues et plus complexes. D’autres scénarios d’application au-delà de l’imagination ont émergé.
2.2 Tendances des agents IA
Folius Ventures a résumé le modèle d’application d’AI Agent dans la piste de jeu, comme indiqué ci-dessous :
La figure 1 est le modèle LLM, qui est principalement responsable de la conversion de l’intention de l’utilisateur de l’entrée traditionnelle au clavier/clic en entrée en langage naturel, réduisant ainsi la barrière à l’entrée pour les utilisateurs.
La figure 2 est une Dapp frontale intégrée à un agent d’IA qui fournit aux utilisateurs des services fonctionnels tout en collectant les habitudes et les données des utilisateurs à partir du terminal.
Les 3 de la figure sont divers agents d’IA, qui peuvent exister directement sous la forme de fonctions in-app, de bots, etc.
En général, en tant qu’outil basé sur le code, AI Agent peut servir de programme sous-jacent pour les Dapps afin d’étendre les fonctionnalités de l’application et de catalyseur de croissance pour la plate-forme, c’est-à-dire un middleware qui relie les grands modèles et les applications verticales.
En termes de scénarios d’utilisation, la Dapp la plus susceptible d’intégrer AI Agent est susceptible d’être suffisamment ouverte pour les applications sociales, les chatbots et les jeux ; Ou transformer le portail de trafic Web2 existant en une entrée AI+web3 plus simple et plus accessible via l’agent IA ; C’est-à-dire que l’industrie a discuté de l’abaissement du seuil d’utilisateurs du Web3.
Sur la base de la loi de développement de l’industrie, la couche middleware dans laquelle se trouve l’agent IA devient souvent une piste hautement compétitive avec presque aucun fossé. Par conséquent, en plus d’améliorer continuellement l’expérience pour répondre aux besoins du B2C, les agents d’IA peuvent améliorer leurs douves en créant des effets de réseau ou en créant de l’adhérence de l’utilisateur.
03 Carte des pistes
Il y a eu plusieurs tentatives différentes d’applications d’IA dans les jeux Web3, qui peuvent être regroupées dans les catégories suivantes :
Modèles généraux : Certains projets se concentrent sur la construction de modèles généraux d’IA, la recherche d’architectures de réseaux neuronaux et de modèles généraux adaptés aux besoins des projets Web3. **
Applications verticales : Les applications pendantes sont conçues pour résoudre des problèmes spécifiques dans les jeux ou fournir des services spécifiques, généralement sous la forme d’agents, de bots et de botkits. **
**Application d’IA générative : L’application la plus directe correspondant au grand modèle est la génération de contenu, et la piste de jeu elle-même est l’industrie du contenu, de sorte que l’application d’IA générative dans le domaine du jeu est très digne d’attention. De la génération automatique d’éléments, de personnages, de missions ou d’intrigues dans le monde virtuel, à la génération automatique de stratégies de jeu, de décisions, et même à l’évolution automatique de l’écologie du jeu, c’est devenu possible, rendant le jeu plus diversifié et plus profond. **
4.AI : À l’heure actuelle, il existe déjà de nombreux jeux qui intègrent la technologie de l’IA et ont différents scénarios d’application, qui seront illustrés ci-dessous. **
3.1 Grand modèle universel
À l’heure actuelle, le Web3 dispose déjà de modèles de simulation pour la conception de modèles économiques et le développement écologique économique, tels que le modèle de jeton quantitatif QTM. Le Dr Achim Struve d’Outlier Venture a mentionné quelques idées pour la conception de modèles économiques dans son exposé à l’ETHCC. Par exemple, compte tenu de la robustesse du système économique, l’équipe du projet peut créer un jumeau numérique Digital Twin à travers le modèle LLM pour simuler l’ensemble de l’écosystème 1 :1.
Le QTM (Quantized Token Model) de la figure ci-dessous est un modèle d’inférence piloté par l’IA. QTM utilise un temps de simulation fixe de 10 ans, chaque pas de temps mesurant un mois. Au début de chaque intervalle de temps, des jetons sont émis dans l’écosystème, il y a donc des modules d’incitation, des modules d’acquisition de jetons, des modules d’airdrop, etc. dans le modèle. Ces jetons seront ensuite déposés dans plusieurs méta-compartiments, à partir desquels une redistribution généralisée des utilitaires plus granulaire aura lieu. Ensuite, définissez les paiements de récompenses, etc. à partir de ces outils utilitaires. De plus, comme pour les activités hors chaîne, cela prend également en compte la situation générale du financement de l’entreprise, comme la possibilité de destruction ou de rachat, et peut également mesurer l’adoption par les utilisateurs ou définir l’adoption par les utilisateurs.
Bien sûr, la qualité de sortie du modèle dépend de la qualité de l’entrée, donc avant d’utiliser QTM, il est nécessaire de faire suffisamment d’études de marché pour obtenir des informations d’entrée plus précises. Cependant, le modèle QTM est déjà une application très pratique du modèle piloté par l’IA dans le modèle économique Web3, et il existe de nombreuses parties au projet basées sur le modèle QTM pour créer des applications 2C/2B avec une difficulté de fonctionnement plus faible, réduisant ainsi le seuil d’utilisation pour les parties du projet.
3.2 Agent d’application de pendentif
Les applications pendantes existent principalement sous la forme d’agents, qui peuvent être des bots, des botkits, des assistants virtuels, des systèmes intelligents d’aide à la décision, divers outils de traitement automatisé des données, etc. D’une manière générale, AI Agent prend le modèle général d’OpenAI comme base, combine d’autres technologies open source ou auto-développées, telles que la synthèse vocale (TTS), etc., et ajoute des données spécifiques pour FineTune (une technique d’entraînement dans le domaine de l’apprentissage automatique et de l’apprentissage profond, l’objectif principal est d’optimiser davantage un modèle qui a été pré-entraîné sur des données à grande échelle) pour créer un agent d’IA plus performant que ChatGPT dans un domaine spécifique.
À l’heure actuelle, l’application la plus mature de la piste de jeu Web3 est NFT Agent. Le consensus sur la piste de jeu est que les NFT doivent être une partie importante des jeux Web3.
Avec le développement de la technologie de gestion des métadonnées dans l’écosystème Ethereum, les NFT dynamiques programmables ont émergé. Pour les créateurs de NFT, ils peuvent rendre algorithmique la fonctionnalité NFT plus flexible. Pour les utilisateurs, il peut y avoir plus d’interaction entre les utilisateurs et les NFT, et les données d’interaction générées sont devenues une source d’information. AI Agent peut optimiser le processus d’interaction et étendre les scénarios d’application des données d’interaction, injectant plus d’innovation et de valeur dans l’écosystème NFT.
Cas 1 : Par exemple, le cadre de développement de Gelato permet aux développeurs de personnaliser la logique pour mettre à jour les métadonnées NFT en fonction d’événements hors chaîne ou d’intervalles de temps spécifiques. Les nœuds Gelato déclencheront des changements de métadonnées lorsque certaines conditions seront remplies, ce qui permettra des mises à jour automatiques des NFT on-chain. Par exemple, cette technologie pourrait être utilisée pour récupérer des données de match en temps réel à partir d’API sportives et mettre à niveau automatiquement les caractéristiques de compétence du NFT dans certaines conditions, par exemple lorsqu’un athlète gagne un match.
Cas 2 : Paima fournit également un agent d’application pour Dynamic NFT. Le protocole de compression NFT de Paima crée un ensemble de NFT minimaux sur L1, puis les fait évoluer en fonction de l’état du jeu sur L2, offrant aux joueurs une expérience de jeu plus profonde et interactive. Par exemple, les NFT peuvent changer en fonction de facteurs tels que les points d’expérience du personnage, l’achèvement de la mission, l’équipement, etc.
Cas 3 : Mudulas Labs est un projet ZKML très connu, qui a également une mise en page dans la piste NFT. Mudulas a lancé la série NFT zkMon, qui permet de générer des NFT grâce à l’IA et de les publier sur la chaîne, tout en générant un zkp, grâce auquel les utilisateurs peuvent vérifier si leur NFT est généré à partir du modèle d’IA correspondant. Pour plus d’informations, voir : Chapitre 7.2 : Les 1ers NFT zkGAN au monde.
3.3 Applications de l’IA générative
Comme mentionné précédemment, parce que le jeu lui-même est une industrie de contenu, AI-Agent peut générer une grande quantité de contenu en peu de temps et à faible coût, y compris la création de personnages de jeu incertains et dynamiques, etc. L’IA générative est donc parfaite pour les applications de jeu. À l’heure actuelle, l’application de l’IA générative dans le domaine des jeux peut être résumée dans les principaux types suivants :
**Classe de personnage de jeu générée par l’IA : comme jouer contre l’IA, ou l’IA est responsable de la simulation et du contrôle des PNJ dans le jeu, ou même utiliser directement l’IA pour générer des personnages. **
**Classe de contenu de jeu généré par l’IA : Divers contenus directement générés par l’IA, tels que des missions, des scénarios, des accessoires, des cartes, etc. **
**Classe de scène de jeu générée par l’IA : prend en charge l’utilisation, l’optimisation ou l’expansion automatique du terrain, du paysage et de l’atmosphère du monde du jeu avec l’IA. **
3.3.1 Rôles générés par l’IA
Cas 1 : MyShell
MyShell est une plateforme de création de bots qui permet aux utilisateurs de créer leurs propres bots pour discuter, s’entraîner à parler, jouer à des jeux et même demander des conseils en fonction de leurs besoins. Pendant ce temps, Myshell utilise la technologie de synthèse vocale (TTS), qui crée automatiquement un bot qui imite la voix de n’importe qui en quelques secondes seulement. En outre, MyShell utilise Auto, ce qui permet aux utilisateurs d’instruire les modèles LLM uniquement en décrivant leurs idées, jetant ainsi les bases des grands modèles de langage privés (LLM).
Les utilisateurs de Myshell disent que sa fonction de chat vocal est très fluide, plus rapide que le chat vocal de GPT et Live2D.
Cas 2 : AI Arena**
AI Arena est un jeu de combat IA où les utilisateurs peuvent utiliser le modèle LLM pour entraîner en continu leurs propres elfes de bataille (NFT), puis envoyer les sorciers de combat entraînés dans les batailles de champ de bataille PvP/PvE. Le mode de combat est similaire à celui de Nintendo Star Smash Bros., mais avec l’entraînement de l’IA ajoutant plus de plaisir compétitif.
Paradigm a dirigé l’investissement dans AI Arena, qui a maintenant commencé dans la phase de bêta ouverte, où les joueurs peuvent entrer dans le jeu gratuitement ou acheter des NFT pour augmenter l’intensité de l’entraînement.
Étude de cas n° 3 : Leela contre le monde**
Leela vs the World est un jeu d’échecs développé par Mudulas Labs. Dans le jeu, les deux côtés du jeu sont l’IA et les personnes, et la situation du jeu d’échecs est placée dans le contrat. Les joueurs opèrent (interagissent avec les contrats) par le biais de leurs portefeuilles. L’IA lit la nouvelle situation de jeu d’échecs, émet un jugement et génère des zkp pour l’ensemble du processus de calcul, qui sont tous deux effectués sur le cloud AWS, et zkp est vérifié par le contrat sur la chaîne, et après une vérification réussie, le contrat d’échecs est appelé à « jouer aux échecs ».
3.3.2 Contenu de jeu généré par l’IA
Cas n° 1 : AI Town
AI Town est le fruit d’une collaboration entre a16z et sa société de portefeuille, Convex Dev, inspirée de l’article de l’Université de Stanford sur les agents génératifs. AI Town est une ville virtuelle où chaque IA de la ville peut construire sa propre histoire basée sur des interactions et des expériences.
Cela utilise des piles technologiques telles que le framework sans serveur backend Convexe, le stockage vectoriel Pinepine, l’authentification Clerk, la génération de texte en langage naturel OpenAI et le déploiement de Fly. De plus, AI Town est entièrement open source et permet aux développeurs du jeu de personnaliser divers composants, notamment les données de fonctionnalités, les tables de sprites, l’environnement visuel de Tilemap, les invites de génération de texte, les règles et la logique du jeu, etc. En plus des joueurs réguliers qui peuvent faire l’expérience d’AI Town, les développeurs peuvent également utiliser le code source pour développer une variété de fonctionnalités dans le jeu et même en dehors du jeu, et cette flexibilité rend AI Town adapté à une variété de types d’applications différents.
Par conséquent, AI Town lui-même est un jeu de contenu généré par l’IA, mais c’est aussi une écologie de développement et même un outil de développement.
Cas 2 : Paul
Paul est un générateur d’histoires d’IA qui se spécialise dans la fourniture d’un chemin de solution pour les jeux à chaîne complète afin de générer des histoires d’IA et d’aller directement à la chaîne. La logique d’implémentation consiste à saisir un grand nombre de règles antérieures dans LLM, puis le lecteur peut générer automatiquement du contenu secondaire basé sur les règles.
Il existe actuellement un protocole de jeu Straylight publié à l’aide de Paul Seidler, Straylight est un jeu NFT multijoueur, le gameplay de base est la version de jeu à chaîne complète de « Minecraft », les joueurs peuvent automatiquement frapper des NFT, puis construire leur propre monde selon les règles de base de l’entrée du modèle.
3.3.3 Scènes de jeu générées par l’IA
Cas n° 1 : Pahdo Labs
Pahdo Labs est un studio de développement de jeux qui travaille actuellement sur Halcyon Zero, une plateforme de création d’anime, de fantasy, de jeu de rôle et de jeux en ligne construite sur le moteur Godot. Le jeu se déroule dans un monde fantastique éthéré centré autour d’une ville animée qui sert de centre social.
Ce qui rend ce jeu très spécial, c’est que les joueurs peuvent utiliser les outils de création d’IA fournis par le jeu pour créer rapidement plus d’arrière-plans d’effets 3D et amener leurs personnages préférés dans le jeu, ce qui fournit vraiment des outils et des scènes de jeu pour le jeu populaire UGC.
Cas 2 : Kaedim
Kaedim a développé un outil de génération de modèles 3D basé sur l’IA générative pour Game Studio, qui peut rapidement aider Game Studio à générer par lots des scènes/ressources 3D dans le jeu qui répondent à leurs besoins. Le produit général de Kaedim est toujours en cours de développement et devrait être disponible pour Game Studio en 2024.
La logique de base des produits Kaedim est exactement la même que celle de l’agent IA, en utilisant un grand modèle général comme base, puis les artistes au sein de l’équipe continueront à saisir de bonnes données, puis à rétroaction sur la sortie de l’agent, à entraîner continuellement le modèle grâce à l’apprentissage automatique, et enfin à laisser l’agent IA produire des scènes 3D qui répondent aux exigences.
04 Résumé
Dans cet article, nous avons fait une analyse détaillée et un résumé de l’application de l’IA dans le domaine du jeu. En général, il y aura des projets de licornes vedettes dans l’avenir des modèles généraux et de l’application de l’IA générative dans les jeux. Bien que le fossé des applications suspendues soit faible, l’avantage du premier arrivé est fort, et si l’on peut compter sur l’avantage du premier arrivé pour créer des effets de réseau et améliorer l’adhérence de l’utilisateur, l’espace d’imagination est énorme. De plus, l’IA générative est naturellement adaptée à l’industrie du contenu des jeux, et il y a déjà beaucoup d’équipes qui essaient l’application de l’AG dans les jeux, et ce cycle est très susceptible d’apparaître comme un jeu populaire utilisant l’AG.
En plus de certaines des directions mentionnées dans l’article, il existe d’autres angles d’exploration à l’avenir. Comme quoi:
(1) Piste de données + couche applicative : La piste de données IA a donné naissance à certains projets licornes valorisés à des milliards de dollars, et le couplage données + couche applicative est également plein d’imagination.
(2) Intégration avec Socialfi : par exemple, fournir des moyens innovants d’interaction sociale ; Utiliser AI Agent pour optimiser l’authentification de l’identité de la communauté et la gouvernance de la communauté ; Ou des recommandations personnalisées plus intelligentes, etc.
(3) Avec l’automatisation et la maturité des agents, les principaux participants à Autonomous World seront-ils des humains ou des robots ? Est-il possible que le monde autonome sur la chaîne puisse être comme Uniswap, où 80%+ des DAU sont des bots ? Si c’est le cas, les agents de gouvernance combinés aux concepts de gouvernance Web3 valent également la peine d’être explorés.
Voir l'original
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
AI Agents redéfinit la voie de l’innovation dans les jeux Web3
Informations clés
1.AI Agent est un outil basé sur le grand modèle général de LLM, permettant aux développeurs et aux utilisateurs de créer directement des applications capables d’interagir indépendamment. 2.AI Le modèle principal de l’avenir de la piste peut être : « application générale grand modèle + pendentif » ; La niche écologique de l’agent d’IA est l’intergiciel qui relie le grand modèle général et la Dapp, de sorte que l’agent d’IA a un faible fossé, et il est nécessaire de créer des effets de réseau et d’améliorer l’adhérence de l’utilisateur pour améliorer la compétitivité à long terme. 3. Cet article passe en revue le développement de « grands modèles généraux, d’agents d’application suspendus et d’applications d’IA générative » dans la piste de jeu Web3. Parmi eux, combinés à la technologie de l’IA générative, il a un grand potentiel pour frapper le jeu à court terme.
01 Fiche technique
Dans la technologie explosive d’intelligence artificielle générale AGI (Artificial General Intelligence) de cette année, le Large Language Model (LLM) est le protagoniste absolu. Andrej Karpathy et Lilian Weng, technologues de base d’OpenAI, ont également déclaré que les agents d’IA basés sur le LLM sont la prochaine direction de développement importante dans le domaine de l’AGI, et que de nombreuses équipes développent également des systèmes d’agents d’IA pilotés par LLM (AI-Agents). En termes simples, un agent d’IA est un programme informatique qui utilise de grandes quantités de données et des algorithmes complexes pour simuler le processus de pensée et de prise de décision humain afin d’effectuer diverses tâches et interactions, telles que la conduite autonome, la reconnaissance vocale et la stratégie de jeu. L’image de Abacus.ai présente clairement le principe de base de l’agent IA, et les étapes sont les suivantes :
En résumé, les agents d’IA sont des entités intelligentes qui comprennent, décident et agissent, et ils peuvent jouer un rôle important dans une variété de domaines, y compris les jeux. « LLM Powered Autonomous Agents » par Lilian Weng, technicienne principale d’OpenAI, fournit une introduction très complète aux principes des agents d’IA, y compris une expérience très intéressante : les agents génératifs.
Generative Agents (GA) s’inspire des jeux Les Sims, qui utilisent la technologie LLM pour générer 25 personnages virtuels, chacun contrôlé par un agent alimenté par LLM, vivant et interagissant dans un environnement bac à sable. GA est intelligemment conçu pour combiner le LLM avec des capacités de mémoire, de planification et de réflexion, ce qui permet aux programmes d’agents de prendre des décisions basées sur l’expérience antérieure et d’interagir avec d’autres agents.
L’article détaille comment l’agent entraîne et optimise en permanence les chemins de décision en fonction des réseaux de stratégies, des réseaux de valeurs et des interactions avec l’environnement.
Le principe est le suivant : où Memory Stream (Memory Stram) est un module de mémoire à long terme qui enregistre toutes les expériences d’interaction de l’agent. Le modèle de récupération fournit des mémoires récupérées en fonction de la pertinence, de la fraîcheur et de l’importance pour aider l’agent à prendre une décision. Le mécanisme de réflexion résume les événements passés et guide les actions futures de l’agent. Planifier et réfléchir travaillent ensemble pour aider les agents à traduire la réflexion et les informations environnementales en actions concrètes.
Cette expérience intéressante nous montre les capacités des agents d’IA, telles que la génération de nouveaux comportements sociaux, la diffusion d’informations, la mémoire relationnelle (comme deux personnages virtuels continuant à discuter d’un sujet) et la coordination des activités sociales (comme l’organisation d’une fête et l’invitation d’autres personnages virtuels), etc. Dans l’ensemble, AI-Agent est un outil très intéressant, et son application dans les jeux mérite d’être explorée en profondeur.
02 Tendances technologiques
2.1 Suivre les tendances de l’IA
Lao Bai, partenaire de recherche en investissement chez ABCDE, a un jour résumé le jugement de la communauté du capital-risque de la Silicon Valley sur le prochain développement de l’IA :
**C’est-à-dire que, du point de vue de la loi de développement général de l’industrie, parce que le mode de modèle de modèle général à grande échelle est trop lourd et a une forte universalité, il n’est pas nécessaire de construire constamment des roues dans le domaine des modèles généraux à grande échelle, mais devrait se concentrer davantage sur l’application de modèles généraux à grande échelle au domaine des pendentifs. **
Dans le même temps, les périphériques font référence à des terminaux qui ne dépendent généralement pas de centres de cloud computing ou de serveurs distants, mais qui effectuent le traitement des données et la prise de décision localement. En raison de la diversité des appareils périphériques, la façon de déployer des agents d’IA pour qu’ils s’exécutent sur les appareils et obtiennent correctement les données des appareils est un défi, mais c’est aussi une nouvelle opportunité.
Enfin, la question du contexte a également attiré beaucoup d’attention. En termes simples, le contexte dans le contexte LLM peut être compris comme la quantité d’informations, et la longueur du contexte peut être comprise comme le nombre de dimensions des données. Supposons que vous disposiez d’un modèle Big Data d’un site Web de commerce électronique qui est utilisé pour prédire la probabilité qu’un utilisateur achète un certain produit. Dans ce cas, le contexte peut inclure des informations telles que l’historique de navigation de l’utilisateur, l’historique des achats, l’historique des recherches, les attributs de l’utilisateur, etc. La longueur du contexte fait référence à la dimension de la superposition d’informations sur les caractéristiques, telles que l’historique d’achat de produits concurrents d’utilisateurs masculins âgés de 30 ans à Shanghai, la fréquence des achats récents et l’historique de navigation récent. L’augmentation de la longueur du contexte peut aider le modèle à comprendre de manière plus complète les facteurs qui influencent la décision d’achat de l’utilisateur.
Le consensus actuel est que, bien que l’utilisation actuelle de bases de données vectorielles comme mémoire de l’IA rende la longueur du contexte insuffisante, la longueur du contexte changera qualitativement à l’avenir, et le modèle post-LLM peut rechercher des méthodes plus avancées pour traiter et comprendre des informations contextuelles plus longues et plus complexes. D’autres scénarios d’application au-delà de l’imagination ont émergé.
2.2 Tendances des agents IA
Folius Ventures a résumé le modèle d’application d’AI Agent dans la piste de jeu, comme indiqué ci-dessous :
La figure 1 est le modèle LLM, qui est principalement responsable de la conversion de l’intention de l’utilisateur de l’entrée traditionnelle au clavier/clic en entrée en langage naturel, réduisant ainsi la barrière à l’entrée pour les utilisateurs.
La figure 2 est une Dapp frontale intégrée à un agent d’IA qui fournit aux utilisateurs des services fonctionnels tout en collectant les habitudes et les données des utilisateurs à partir du terminal.
Les 3 de la figure sont divers agents d’IA, qui peuvent exister directement sous la forme de fonctions in-app, de bots, etc.
En général, en tant qu’outil basé sur le code, AI Agent peut servir de programme sous-jacent pour les Dapps afin d’étendre les fonctionnalités de l’application et de catalyseur de croissance pour la plate-forme, c’est-à-dire un middleware qui relie les grands modèles et les applications verticales.
En termes de scénarios d’utilisation, la Dapp la plus susceptible d’intégrer AI Agent est susceptible d’être suffisamment ouverte pour les applications sociales, les chatbots et les jeux ; Ou transformer le portail de trafic Web2 existant en une entrée AI+web3 plus simple et plus accessible via l’agent IA ; C’est-à-dire que l’industrie a discuté de l’abaissement du seuil d’utilisateurs du Web3.
Sur la base de la loi de développement de l’industrie, la couche middleware dans laquelle se trouve l’agent IA devient souvent une piste hautement compétitive avec presque aucun fossé. Par conséquent, en plus d’améliorer continuellement l’expérience pour répondre aux besoins du B2C, les agents d’IA peuvent améliorer leurs douves en créant des effets de réseau ou en créant de l’adhérence de l’utilisateur.
03 Carte des pistes
Il y a eu plusieurs tentatives différentes d’applications d’IA dans les jeux Web3, qui peuvent être regroupées dans les catégories suivantes :
3.1 Grand modèle universel
À l’heure actuelle, le Web3 dispose déjà de modèles de simulation pour la conception de modèles économiques et le développement écologique économique, tels que le modèle de jeton quantitatif QTM. Le Dr Achim Struve d’Outlier Venture a mentionné quelques idées pour la conception de modèles économiques dans son exposé à l’ETHCC. Par exemple, compte tenu de la robustesse du système économique, l’équipe du projet peut créer un jumeau numérique Digital Twin à travers le modèle LLM pour simuler l’ensemble de l’écosystème 1 :1.
Le QTM (Quantized Token Model) de la figure ci-dessous est un modèle d’inférence piloté par l’IA. QTM utilise un temps de simulation fixe de 10 ans, chaque pas de temps mesurant un mois. Au début de chaque intervalle de temps, des jetons sont émis dans l’écosystème, il y a donc des modules d’incitation, des modules d’acquisition de jetons, des modules d’airdrop, etc. dans le modèle. Ces jetons seront ensuite déposés dans plusieurs méta-compartiments, à partir desquels une redistribution généralisée des utilitaires plus granulaire aura lieu. Ensuite, définissez les paiements de récompenses, etc. à partir de ces outils utilitaires. De plus, comme pour les activités hors chaîne, cela prend également en compte la situation générale du financement de l’entreprise, comme la possibilité de destruction ou de rachat, et peut également mesurer l’adoption par les utilisateurs ou définir l’adoption par les utilisateurs.
Bien sûr, la qualité de sortie du modèle dépend de la qualité de l’entrée, donc avant d’utiliser QTM, il est nécessaire de faire suffisamment d’études de marché pour obtenir des informations d’entrée plus précises. Cependant, le modèle QTM est déjà une application très pratique du modèle piloté par l’IA dans le modèle économique Web3, et il existe de nombreuses parties au projet basées sur le modèle QTM pour créer des applications 2C/2B avec une difficulté de fonctionnement plus faible, réduisant ainsi le seuil d’utilisation pour les parties du projet.
3.2 Agent d’application de pendentif
Les applications pendantes existent principalement sous la forme d’agents, qui peuvent être des bots, des botkits, des assistants virtuels, des systèmes intelligents d’aide à la décision, divers outils de traitement automatisé des données, etc. D’une manière générale, AI Agent prend le modèle général d’OpenAI comme base, combine d’autres technologies open source ou auto-développées, telles que la synthèse vocale (TTS), etc., et ajoute des données spécifiques pour FineTune (une technique d’entraînement dans le domaine de l’apprentissage automatique et de l’apprentissage profond, l’objectif principal est d’optimiser davantage un modèle qui a été pré-entraîné sur des données à grande échelle) pour créer un agent d’IA plus performant que ChatGPT dans un domaine spécifique.
À l’heure actuelle, l’application la plus mature de la piste de jeu Web3 est NFT Agent. Le consensus sur la piste de jeu est que les NFT doivent être une partie importante des jeux Web3.
Avec le développement de la technologie de gestion des métadonnées dans l’écosystème Ethereum, les NFT dynamiques programmables ont émergé. Pour les créateurs de NFT, ils peuvent rendre algorithmique la fonctionnalité NFT plus flexible. Pour les utilisateurs, il peut y avoir plus d’interaction entre les utilisateurs et les NFT, et les données d’interaction générées sont devenues une source d’information. AI Agent peut optimiser le processus d’interaction et étendre les scénarios d’application des données d’interaction, injectant plus d’innovation et de valeur dans l’écosystème NFT.
Cas 1 : Par exemple, le cadre de développement de Gelato permet aux développeurs de personnaliser la logique pour mettre à jour les métadonnées NFT en fonction d’événements hors chaîne ou d’intervalles de temps spécifiques. Les nœuds Gelato déclencheront des changements de métadonnées lorsque certaines conditions seront remplies, ce qui permettra des mises à jour automatiques des NFT on-chain. Par exemple, cette technologie pourrait être utilisée pour récupérer des données de match en temps réel à partir d’API sportives et mettre à niveau automatiquement les caractéristiques de compétence du NFT dans certaines conditions, par exemple lorsqu’un athlète gagne un match.
Cas 2 : Paima fournit également un agent d’application pour Dynamic NFT. Le protocole de compression NFT de Paima crée un ensemble de NFT minimaux sur L1, puis les fait évoluer en fonction de l’état du jeu sur L2, offrant aux joueurs une expérience de jeu plus profonde et interactive. Par exemple, les NFT peuvent changer en fonction de facteurs tels que les points d’expérience du personnage, l’achèvement de la mission, l’équipement, etc.
Cas 3 : Mudulas Labs est un projet ZKML très connu, qui a également une mise en page dans la piste NFT. Mudulas a lancé la série NFT zkMon, qui permet de générer des NFT grâce à l’IA et de les publier sur la chaîne, tout en générant un zkp, grâce auquel les utilisateurs peuvent vérifier si leur NFT est généré à partir du modèle d’IA correspondant. Pour plus d’informations, voir : Chapitre 7.2 : Les 1ers NFT zkGAN au monde.
3.3 Applications de l’IA générative
Comme mentionné précédemment, parce que le jeu lui-même est une industrie de contenu, AI-Agent peut générer une grande quantité de contenu en peu de temps et à faible coût, y compris la création de personnages de jeu incertains et dynamiques, etc. L’IA générative est donc parfaite pour les applications de jeu. À l’heure actuelle, l’application de l’IA générative dans le domaine des jeux peut être résumée dans les principaux types suivants :
3.3.1 Rôles générés par l’IA
Cas 1 : MyShell
MyShell est une plateforme de création de bots qui permet aux utilisateurs de créer leurs propres bots pour discuter, s’entraîner à parler, jouer à des jeux et même demander des conseils en fonction de leurs besoins. Pendant ce temps, Myshell utilise la technologie de synthèse vocale (TTS), qui crée automatiquement un bot qui imite la voix de n’importe qui en quelques secondes seulement. En outre, MyShell utilise Auto, ce qui permet aux utilisateurs d’instruire les modèles LLM uniquement en décrivant leurs idées, jetant ainsi les bases des grands modèles de langage privés (LLM).
Les utilisateurs de Myshell disent que sa fonction de chat vocal est très fluide, plus rapide que le chat vocal de GPT et Live2D.
Cas 2 : AI Arena**
AI Arena est un jeu de combat IA où les utilisateurs peuvent utiliser le modèle LLM pour entraîner en continu leurs propres elfes de bataille (NFT), puis envoyer les sorciers de combat entraînés dans les batailles de champ de bataille PvP/PvE. Le mode de combat est similaire à celui de Nintendo Star Smash Bros., mais avec l’entraînement de l’IA ajoutant plus de plaisir compétitif.
Paradigm a dirigé l’investissement dans AI Arena, qui a maintenant commencé dans la phase de bêta ouverte, où les joueurs peuvent entrer dans le jeu gratuitement ou acheter des NFT pour augmenter l’intensité de l’entraînement.
Étude de cas n° 3 : Leela contre le monde**
Leela vs the World est un jeu d’échecs développé par Mudulas Labs. Dans le jeu, les deux côtés du jeu sont l’IA et les personnes, et la situation du jeu d’échecs est placée dans le contrat. Les joueurs opèrent (interagissent avec les contrats) par le biais de leurs portefeuilles. L’IA lit la nouvelle situation de jeu d’échecs, émet un jugement et génère des zkp pour l’ensemble du processus de calcul, qui sont tous deux effectués sur le cloud AWS, et zkp est vérifié par le contrat sur la chaîne, et après une vérification réussie, le contrat d’échecs est appelé à « jouer aux échecs ».
3.3.2 Contenu de jeu généré par l’IA
Cas n° 1 : AI Town
AI Town est le fruit d’une collaboration entre a16z et sa société de portefeuille, Convex Dev, inspirée de l’article de l’Université de Stanford sur les agents génératifs. AI Town est une ville virtuelle où chaque IA de la ville peut construire sa propre histoire basée sur des interactions et des expériences.
Cela utilise des piles technologiques telles que le framework sans serveur backend Convexe, le stockage vectoriel Pinepine, l’authentification Clerk, la génération de texte en langage naturel OpenAI et le déploiement de Fly. De plus, AI Town est entièrement open source et permet aux développeurs du jeu de personnaliser divers composants, notamment les données de fonctionnalités, les tables de sprites, l’environnement visuel de Tilemap, les invites de génération de texte, les règles et la logique du jeu, etc. En plus des joueurs réguliers qui peuvent faire l’expérience d’AI Town, les développeurs peuvent également utiliser le code source pour développer une variété de fonctionnalités dans le jeu et même en dehors du jeu, et cette flexibilité rend AI Town adapté à une variété de types d’applications différents.
Par conséquent, AI Town lui-même est un jeu de contenu généré par l’IA, mais c’est aussi une écologie de développement et même un outil de développement.
Cas 2 : Paul
Paul est un générateur d’histoires d’IA qui se spécialise dans la fourniture d’un chemin de solution pour les jeux à chaîne complète afin de générer des histoires d’IA et d’aller directement à la chaîne. La logique d’implémentation consiste à saisir un grand nombre de règles antérieures dans LLM, puis le lecteur peut générer automatiquement du contenu secondaire basé sur les règles.
Il existe actuellement un protocole de jeu Straylight publié à l’aide de Paul Seidler, Straylight est un jeu NFT multijoueur, le gameplay de base est la version de jeu à chaîne complète de « Minecraft », les joueurs peuvent automatiquement frapper des NFT, puis construire leur propre monde selon les règles de base de l’entrée du modèle.
3.3.3 Scènes de jeu générées par l’IA
Cas n° 1 : Pahdo Labs
Pahdo Labs est un studio de développement de jeux qui travaille actuellement sur Halcyon Zero, une plateforme de création d’anime, de fantasy, de jeu de rôle et de jeux en ligne construite sur le moteur Godot. Le jeu se déroule dans un monde fantastique éthéré centré autour d’une ville animée qui sert de centre social.
Ce qui rend ce jeu très spécial, c’est que les joueurs peuvent utiliser les outils de création d’IA fournis par le jeu pour créer rapidement plus d’arrière-plans d’effets 3D et amener leurs personnages préférés dans le jeu, ce qui fournit vraiment des outils et des scènes de jeu pour le jeu populaire UGC.
Cas 2 : Kaedim
Kaedim a développé un outil de génération de modèles 3D basé sur l’IA générative pour Game Studio, qui peut rapidement aider Game Studio à générer par lots des scènes/ressources 3D dans le jeu qui répondent à leurs besoins. Le produit général de Kaedim est toujours en cours de développement et devrait être disponible pour Game Studio en 2024.
La logique de base des produits Kaedim est exactement la même que celle de l’agent IA, en utilisant un grand modèle général comme base, puis les artistes au sein de l’équipe continueront à saisir de bonnes données, puis à rétroaction sur la sortie de l’agent, à entraîner continuellement le modèle grâce à l’apprentissage automatique, et enfin à laisser l’agent IA produire des scènes 3D qui répondent aux exigences.
04 Résumé
Dans cet article, nous avons fait une analyse détaillée et un résumé de l’application de l’IA dans le domaine du jeu. En général, il y aura des projets de licornes vedettes dans l’avenir des modèles généraux et de l’application de l’IA générative dans les jeux. Bien que le fossé des applications suspendues soit faible, l’avantage du premier arrivé est fort, et si l’on peut compter sur l’avantage du premier arrivé pour créer des effets de réseau et améliorer l’adhérence de l’utilisateur, l’espace d’imagination est énorme. De plus, l’IA générative est naturellement adaptée à l’industrie du contenu des jeux, et il y a déjà beaucoup d’équipes qui essaient l’application de l’AG dans les jeux, et ce cycle est très susceptible d’apparaître comme un jeu populaire utilisant l’AG.
En plus de certaines des directions mentionnées dans l’article, il existe d’autres angles d’exploration à l’avenir. Comme quoi:
(1) Piste de données + couche applicative : La piste de données IA a donné naissance à certains projets licornes valorisés à des milliards de dollars, et le couplage données + couche applicative est également plein d’imagination.
(2) Intégration avec Socialfi : par exemple, fournir des moyens innovants d’interaction sociale ; Utiliser AI Agent pour optimiser l’authentification de l’identité de la communauté et la gouvernance de la communauté ; Ou des recommandations personnalisées plus intelligentes, etc.
(3) Avec l’automatisation et la maturité des agents, les principaux participants à Autonomous World seront-ils des humains ou des robots ? Est-il possible que le monde autonome sur la chaîne puisse être comme Uniswap, où 80%+ des DAU sont des bots ? Si c’est le cas, les agents de gouvernance combinés aux concepts de gouvernance Web3 valent également la peine d’être explorés.