Menakjubkan! Pohon keterampilan GPT telah tumbuh lagi, dan sekarang Anda bahkan dapat melakukan permainan secara langsung !?
Tahukah Anda, era saat ini bukan lagi era di masa lalu ketika Anda bisa merebut pasar dengan membuat game kecil-kecilan. Proses pengembangan game saat ini sangat kompleks.
Mari kita mulai dengan tenaga kerja, personel setiap tim game dihitung dalam puluhan atau bahkan ratusan. Seseorang bertanggung jawab atas pemrograman, seseorang bertanggung jawab atas seni, seseorang bertanggung jawab atas pemeliharaan, dan sebagainya.
Setiap game juga memiliki basis kode dan perpustakaan materi yang sangat besar.
Akibatnya, mengembangkan game yang hebat membutuhkan banyak orang dan banyak waktu untuk menyelesaikannya. Dan periode waktu ini seringkali beberapa tahun.
Lebih intuitif, itu adalah uang.
Tim game mengembangkan sebuah mahakarya yang akan diingat dan disukai orang, dan anggarannya akan melebihi $ 100 juta.
Jika tidak, produksi game adalah sejenis listrik yang dihasilkan dengan cinta.
Sekarang, banyak hal telah berubah!
Para peneliti telah mengembangkan model yang disebut GameGPT, yang dapat mengintegrasikan beberapa agen AI untuk mengotomatisasi beberapa proses dalam pengembangan game.
Dan agen yang berbeda melakukan tugas mereka sendiri dan bekerja dengan tertib.
Ada agen yang bertanggung jawab untuk meninjau rencana desain game dan membuat modifikasi dan penyesuaian yang sesuai; Beberapa bertanggung jawab untuk menerjemahkan tugas ke dalam kode konkret; Beberapa bertanggung jawab untuk memeriksa kode yang dihasilkan pada langkah sebelumnya dan meninjau hasil yang sedang berjalan; Ada juga agen yang bertanggung jawab untuk memverifikasi bahwa semua pekerjaan memenuhi harapan awal.
Dengan cara ini, dengan menyempurnakan dan menguraikan alur kerja, GameGPT dapat menyederhanakan pekerjaan agen AI. Kinerja semacam ini lebih efisien dan jauh lebih sederhana untuk dicapai daripada agen yang sangat kuat yang melakukan segalanya.
Para peneliti mengatakan bahwa GameGPT dapat menyederhanakan beberapa aspek berulang dan kaku dari proses pengembangan game tradisional, seperti pengujian kode.
Sejumlah besar pengembang dapat dibebaskan dari pekerjaan inspeksi yang rumit dan fokus pada tautan desain yang lebih menantang yang tidak dapat digantikan oleh AI.
Tentu saja, makalah ini masih dalam tahap yang relatif awal. Tidak ada hasil konkret atau eksperimen untuk menunjukkan peningkatan kinerja.
Dengan kata lain, belum ada yang benar-benar mengembangkan game dengan GameGPT, dan modelnya masih dalam tahap konseptual, dan sulit untuk dievaluasi sampai ada hasil aplikasi spesifik dan data yang dapat diukur.
Namun, itu selalu merupakan arah untuk dikerjakan.
Beberapa netizen mengatakan bahwa ide orang tentang LLM agak bias. Sekarang, para peneliti memiliki alat yang memecahkan 100% masalah NLP, sementara orang hanya peduli tentang mengotomatisasi alur kerja tertentu.
Misalnya, bayangkan jika dunia game bereaksi terhadap keputusan Anda lebih normal daripada yang bisa Anda nilai dalam lima menit sebagai mesin hardcode berbasis aturan.
Bayangkan jika sebuah game dapat berimprovisasi pencarian sampingan untuk Anda berdasarkan keputusan yang Anda buat (seperti membantai musuh secara acak yang Anda lihat di sepanjang jalan, dll.).
Ketika pengembang membuat sistem seperti itu, mereka menggunakan teknik petunjuk untuk memandu LLM alih-alih mengkodekan hal-hal ini.
Namun, tujuannya bukan untuk menghemat biaya, tetapi untuk membuat game pada tahap di mana tidak mungkin membuat lebih banyak game sebelumnya (bukankah itu sedikit seteguk).
GameGPT
Pertama, mari kita lihat kerangka kerja besar model GameGPT - seluruh proses.
Seperti yang Anda lihat, penulis mempersonifikasikan setiap agen, menunjukkan dengan lebih jelas bagaimana mereka melakukan tugas masing-masing.
Di sisi paling kiri dari proses adalah sisi pengguna, yang dimasukkan ke dalam GameGPT, dan kemudian manajer pengembangan dan peninjau membuat perencanaan awal.
Persyaratan tersebut kemudian dikirim ke insinyur pengembangan, serta insinyur mesin permainan, untuk melakukan tugas-tugas tertentu dan menghasilkan kode.
Terakhir, periksa apakah ada kelalaian, kirim kembali ke sisi kiri, dan jalankan lagi. Jika tidak, lanjutkan ke kanan dan insinyur yang bertanggung jawab atas inspeksi akan melakukan tes.
** Game pengembangan AI ?? **
Bahkan, dasar-dasar sejarah game yang dikembangkan AI dapat kembali lebih jauh.
Penerapan AI dalam pengembangan game dapat ditelusuri kembali ke game klasik seperti StarCraft dan Diablo. Pada saat itu, pengembang membutuhkan sistem AI untuk menciptakan dunia dan karakter virtual interaktif.
Sistem ini telah menjadi standar untuk pengembangan platform interaktif tersebut.
Penelitian awal terkait AI dalam pengembangan game menekankan pengendalian karakter non-pemain (NPC), dan dengan pengembangan teknologi pemrosesan bahasa alami (NLP), ada beberapa karya perintis menggunakan teknik pembelajaran mendalam untuk menghasilkan level.
Salah satu mahakaryanya adalah MarioGPT, yang berhasil menghasilkan beberapa level di Super Mario Bros. melalui model GPT-2 yang disetel dengan baik.
LLM telah membuat langkah besar tahun ini, dengan hasil yang baik di NLP dan visi komputer (CV).
Kita tahu bahwa pelatihan LLM adalah proses multi-tahap. Tahap awal terdiri dari pelatihan model-model ini dalam korpus yang luas, memfasilitasi perolehan keterampilan bahasa dasar.
Ini diikuti oleh tahap yang lebih penting, yaitu menyempurnakan model dengan menghasilkan data dari berbagai tugas NLP melalui instruksi. Penyesuaian instruksi ini meningkatkan kemampuan generalisasi model dalam berbagai aplikasi, memungkinkan LLM untuk mencapai kinerja bebas kesalahan dalam tugas-tugas yang belum dilakukan dalam pelatihan sebelumnya.
Akhirnya, tahap Human Feedback Reinforcement Learning (RLHF) menjamin integritas struktural dan keandalan model.
Peringatan lain di sini - tahap RLHF memungkinkan model untuk menghasilkan konten yang meniru gaya manusia, meningkatkan fleksibilitasnya sebagai agen.
Selain itu, kemajuan dalam LLM telah mempromosikan otomatisasi agen dalam proses pengembangan perangkat lunak. Banyak penelitian telah berfokus pada pertanyaan tentang bagaimana mengembangkan agen berbasis LLM yang dapat melakukan tugas yang berbeda.
Misalnya, AutoGPT menggunakan agen LLM untuk menangani tugas pengambilan keputusan tertentu di dunia nyata, sementara HuggingGPT menggunakan LLM tunggal sebagai pengontrol untuk mengoordinasikan tugas AI yang lebih kompleks.
Meskipun metode ini bergantung pada agen LLM tunggal, mereka semua menambahkan peninjau (peninjau dalam diagram alur di atas) untuk meningkatkan keputusan.
Atau ambil AutoGPT sebagai contoh, model akan mendapatkan beberapa pendapat tambahan dari pelajar yang diawasi untuk meningkatkan kinerjanya sendiri, dan HuggingGPT juga dapat dihubungkan ke GPT-4 untuk membuat peninjau mengevaluasi keakuratan pengambilan keputusan.
Ada contoh lain, seperti MetaGPT, yang memperkenalkan kerangka kerja multi-agen yang dapat digunakan untuk mengotomatiskan pengembangan berbagai perangkat lunak.
Kembali ke pengembangan game yang kita bahas hari ini, kita perlu tahu bahwa tidak seperti pengembangan perangkat lunak umum, industri pengembangan game perlu mengikuti tren, sehingga seluruh proses pengembangan harus lebih tepat dan ringkas untuk mencapai efisiensi terbaik.
Selain itu, mengutak-atik dan menggunakan LLM tunggal untuk melayani seluruh siklus pengembangan pengembangan game tanpa ilusi dan akurasi tinggi tidak praktis dan mahal.
Oleh karena itu, kerangka pengembangan game AI membutuhkan partisipasi beberapa pengulas, yang secara efektif dapat mengurangi kecenderungan halusinasi yang melekat dalam model bahasa.
Para peneliti juga menemukan bahwa model bahasa memiliki keterbatasan lain dalam pengembangan game – redundansi. LLM dapat menghasilkan tugas yang tidak perlu, tidak informatif atau cuplikan kode ketika permainan dibangun.
Untuk secara efektif mengatasi masalah ilusi dan redundansi, protagonis saat ini, GameGPT, secara strategis mengambil berbagai pendekatan untuk masalah ini, termasuk kolaborasi ganda, penyesuaian instruksi melalui kosakata internal, dan pemisahan kode.
Perlu dicatat bahwa kolaborasi ganda melibatkan interaksi antara LLM dan model pembelajaran mendalam kecil, serta partisipasi kolaboratif antara agen yang bertanggung jawab untuk eksekusi dan agen peninjau.
Para peneliti mengatakan sinergi ini telah terbukti efektif dalam mengurangi ilusi dan redundansi GameGPT.
Pengantar metode
Selanjutnya, para peneliti membedah inovasi GameGPT dari keseluruhan proses.
Pertama-tama, selama fase desain game, setelah menerima permintaan pengguna, tugas GameGPT termasuk membuat rencana pengembangan untuk seluruh game. Tahap perencanaan ini adalah salah satu langkah kunci yang sangat mempengaruhi kemajuan mulus dari seluruh proses pembangunan.
Fase ini direncanakan oleh manajer pengembangan game berbasis LLM yang datang dengan rencana awal dan kemudian memecahnya menjadi daftar tugas.
Perlu dicatat bahwa karena keterbatasan LLM yang melekat, rencana awal ini sering menghadirkan halusinasi, menghasilkan tugas yang tidak terduga, termasuk tugas yang tidak informatif atau tidak perlu berlebihan.
Untuk mengatasi masalah ini, para peneliti mengusulkan empat strategi yang dapat mengurangi tantangan ini yang ortogonal satu sama lain dan dapat dilakukan berlapis-lapis untuk hasil yang lebih baik.
Skenario satu: Kategorikan permintaan yang masuk untuk mengidentifikasi jenis permainan. Saat ini, kerangka kerja GameGPT mendukung pengembangan lima genre game yang berbeda, yaitu: action, strategy, role-playing, simulasi, dan adventure.
Untuk setiap jenis, peneliti menyediakan template perencanaan standar yang memandu agen manajer pengembangan game melalui template dengan informasi yang relevan.
Dengan mengadopsi pendekatan ini, frekuensi tugas yang berlebihan berkurang secara signifikan, sementara kemungkinan halusinasi terjadi.
Strategi dua: melibatkan keterlibatan agen pemeriksa program, yang merupakan agen berbasis LLM lainnya. Agen ini beroperasi dengan desain yang cermat untuk memberikan tinjauan komprehensif tentang rencana misi.
Tujuan utamanya adalah untuk meminimalkan terjadinya halusinasi dan redundansi. Program evaluasi agen ini memberikan umpan balik untuk memperbaiki dan meningkatkan akurasi, efisiensi, dan kesederhanaannya.
Pada saat yang sama, instruksi yang dihasilkan di bagian ini dapat digunakan sebagai masukan baru untuk agen manajer pengembangan game, membuat rencana tugas lebih akurat dan sempurna.
Strategi 3: Sesuaikan LLM itu sendiri dari agen manajer pengembangan game melalui instruksi khusus untuk merencanakan lebih baik di tingkat pengembangan game. Tujuan dari proses fine-tuning ini adalah untuk memungkinkan model menghasilkan rencana yang akurat dan ringkas.
Untuk kenyamanan, tim peneliti mengumpulkan dan mengintegrasikan dataset internal yang mencakup banyak kombinasi input dan output. Meskipun kombinasi ini tidak sesuai dengan format standar dalam panjang atau struktur, semuanya berkisar pada persyaratan pengembangan game.
Bagian dari campuran tetap ini disediakan oleh pengembang di industri.
Dengan mengadopsi pendekatan ini, para peneliti secara efektif menjembatani kesenjangan antara keterampilan bahasa umum LLM dan keterampilan perencanaan pengembangan game.
Strategi 4: "Jaring pengaman" dalam tahap perencanaan. Sepanjang proses perencanaan, Agen Manajer Pengembangan Game selalu membagikan hasil sementara dengan pengguna di antarmuka front-end, memungkinkan agen lainnya untuk mengetahui setiap saat pengembangan apa yang sedang berlangsung.
Untuk meningkatkan ini, para peneliti mengintegrasikan pendekatan interaktif yang memungkinkan pengguna untuk secara aktif meninjau, memperbaiki, dan meningkatkan rencana berdasarkan harapan mereka. Pendekatan ini juga menjamin konsistensi antara rencana desain dan kebutuhan pengguna.
Dengan strategi ini, mari kita lihat keunggulan GameGPT.
Pertama, proses klasifikasi tugas dalam model ini membutuhkan akurasi tinggi dalam mengidentifikasi jenis tugas dan parameter yang sesuai.
Jadi, untuk memastikan akurasi pada tahap ini, para peneliti menciptakan agen yang disebut insinyur pengembangan game. Agen terdiri dari dua model yang bekerja sama untuk berpartisipasi dalam proses klasifikasi tugas.
Pendekatan kolaboratif ini meningkatkan akurasi dan efektivitas identifikasi tugas. Pada saat yang sama, untuk menghindari munculnya ilusi LLM dan meningkatkan akurasi klasifikasi tugas, para peneliti memberikan daftar jenis tugas yang mungkin muncul dalam pengembangan game.
Untuk mengklasifikasikan ini dengan lebih baik, mereka mengadopsi model BERT.
Model BERT telah sepenuhnya dilatih dengan dataset internal. Himpunan data ini berisi item data yang disesuaikan dengan tugas pengembangan game. Input diambil dari daftar yang telah ditentukan, dan output sesuai dengan kategori tugas yang ditentukan.
Peninjauan jenis dan parameter tugas dilakukan pada tahap ini, dan agen yang disebut peninjau tugas diperkenalkan, yang terutama bertanggung jawab untuk identifikasi setiap kategori dan apakah parameternya masuk akal.
Proses peninjauan termasuk meninjau apakah jenis tugas berada dalam kisaran yang telah ditentukan dan apakah itu tugas yang paling sesuai. Pada saat yang sama, ia juga memeriksa daftar parameter untuk melihat apakah itu sejalan dengan tugas.
Dalam beberapa skenario, seperti beberapa situasi berdasarkan informasi tugas kontekstual, atau di mana permintaan pengguna tidak dapat disimpulkan parameternya, GameGPT mengambil pendekatan proaktif untuk menyelesaikannya.
Peninjau menarik perhatian pengguna dengan meluncurkan prompt pada antarmuka front-end dan meminta informasi tambahan yang diperlukan untuk parameter.
Manfaat dari pendekatan interaktif ini adalah memastikan integritas rincian argumen bahkan ketika penalaran otomatis tidak mencukupi.
Selain itu, ada agen lain yang bertanggung jawab untuk mengidentifikasi ketergantungan antara tugas dan membangun diagram yang merangkum hubungan ini. Setelah grafik dibuat, algoritma digunakan untuk melintasi dan memfilter grafik, menghasilkan urutan eksekusi tugas yang pasti.
Proses ini memastikan bahwa model dapat dijalankan secara teratur dan sistematis sesuai dengan dependensi tugas, menghasilkan proses pengembangan yang koheren dan terstruktur.
Masalah lain adalah bahwa menggunakan LLM untuk menghasilkan kode panjang membawa halusinasi yang lebih besar dan risiko redundansi. Untuk mengatasi masalah ini, para peneliti memperkenalkan metode baru untuk memisahkan kode yang muncul dalam desain game, menyederhanakan proses penalaran LLM, sehingga sangat mengurangi halusinasi dan redundansi.
Pendekatan ini juga tidak sulit untuk dipahami - para peneliti akan membagi skrip yang diharapkan menjadi banyak cuplikan kode yang lebih pendek untuk diproses LLM. Metode decoupling ini sangat menyederhanakan pekerjaan LLM.
Ada juga metode penalaran efektif yang disebut pembelajaran kontekstual, yang juga dapat secara efektif mengurangi halusinasi.
Selain itu, teknik eliminasi halusinasi lain yang diterapkan di GameGPT melibatkan pembuatan satu set cuplikan kode K untuk setiap tugas.
Cuplikan kode ini kemudian diuji dalam lingkungan virtual dan disajikan kepada pengguna pada saat yang bersamaan. Baik proses pengujian dan umpan balik pengguna digunakan untuk mengidentifikasi dan menghilangkan cuplikan kode yang bermasalah, hanya menyisakan opsi yang paling layak untuk dijalankan. Pendekatan ini juga membantu mengurangi terjadinya halusinasi.
Selain itu, para peneliti memiliki perpustakaan internal dengan sejumlah besar cuplikan kode yang dirancang untuk pengembangan game. Setiap cuplikan kode dikomentari oleh pemberi label, memberikan deskripsi yang jelas tentang tujuan yang dimaksudkan.
Untuk meringkas, agar kode tidak berlebihan dan tidak berhalusinasi, pengembang telah membuat dua persiapan, sebelumnya dan dalam acara tersebut.
Pada saat yang sama, perpustakaan yang disebutkan di atas juga merupakan sumber daya berharga untuk menyempurnakan model. Peninjauan dan Peningkatan Kode Setelah agen mesin permainan menghasilkan kode, agen peninjau kode melakukan peninjauan dan peninjauan menyeluruh terhadap basis kode.
Agen melakukan penilaian menyeluruh dalam upaya untuk mengidentifikasi setiap contoh yang mungkin menyimpang dari permintaan asli, atau halusinasi tak terduga dalam kode.
Setelah peninjauan menyeluruh, agen tidak hanya dapat menandai perbedaan potensial, tetapi juga memberikan saran untuk meningkatkan kode, menghasilkan versi yang lebih masuk akal.
Setelah proses peninjauan, kode yang dimodifikasi, serta umpan balik dari agen, akan dibagikan dengan insinyur mesin game, agen, dan pengguna melalui antarmuka front-end. Jika pengguna menganggap perlu, ia dapat memberikan saran modifikasi kode secara langsung melalui antarmuka front-end.
Rekomendasi ini kemudian diteruskan ke agen peninjau kode, yang mengevaluasi dan menggabungkannya secara selektif untuk lebih menghasilkan pendekatan kolaboratif dan berulang untuk meningkatkan kode.
Akhirnya, setelah kode dihasilkan dan semuanya selesai, tanggung jawab jatuh ke agen pengujian mesin permainan, yang bertanggung jawab untuk mengeksekusi kode yang dihasilkan.
Pada tahap ini, agen juga mengikuti urutan eksekusi yang ditetapkan pada fase sebelumnya.
Proses eksekusi spesifik melibatkan pengiriman kode untuk setiap tugas individu ke mesin game, mengeksekusinya, dan terus melacaknya selama eksekusi, menghasilkan log.
Setelah menyelesaikan semua tugas yang ditentukan dalam urutan eksekusi, agen menggabungkan semua log yang dihasilkan selama eksekusi.
Hasilnya adalah ringkasan ringkas dan komprehensif yang disajikan kepada pengguna melalui antarmuka front-end.
Selain itu, agen insinyur uji mengidentifikasi dan melaporkan terjadinya backtracking yang diamati selama eksekusi. Jejak balik ini berfungsi sebagai indikator utama bahwa AI membuat penyesuaian lebih lanjut pada proses eksekusi atau kode, memungkinkan seluruh proses disempurnakan dan membantu menghasilkan produk akhir yang sempurna.
Akhirnya, mari kita lihat rumus kerangka kerja untuk beberapa agen yang bekerja pada saat yang sama:
Pertama, di GameGPT, setiap agen memiliki sistem memori pribadi, dan mereka memiliki akses ke konten publik bersama untuk mendapatkan informasi yang diperlukan untuk memandu proses pengambilan keputusan mereka.
Untuk agen i dengan waktu langkah t, proses ini dapat dinyatakan sebagai:
di mana pθi sesuai dengan LLM atau model ahli yang terkait dengan agen i, Oit mewakili output atau kiriman agen i pada langkah waktu t, dan Mit dan Pt masing-masing merujuk pada semua kenangan pribadi dan catatan publik yang diperlukan dalam langkah waktu t.
Karena kekhasan industri pengembangan game dan keterbatasan model bahasa besar, kehadiran banyak agen dengan peran berbeda di GameGPT sangat penting.
Mengingat bahwa siklus pengembangan game seringkali berbulan-bulan, mengandalkan agen tunggal dengan memori komprehensif dan informasi kontekstual dapat sangat mengurangi efisiensi model bahasa, termasuk LLM.
Ketika proyek menjadi lebih kompleks dari waktu ke waktu, pendekatan ini menghadirkan tantangan skalabilitas. Juga, mengingat keterbatasan jumlah tag yang ditangani oleh LLM, tidak praktis untuk menggunakan agen terpisah dengan memori penuh dalam proyek pengembangan game besar.
Juga, masalah yang melekat seperti halusinasi dan redundansi yang diamati dalam LLM menyoroti pentingnya kolaborasi antara banyak agen, terutama mereka yang memiliki peran penting.
Kolaborasi ini penting dalam mengurangi tantangan yang ditimbulkan oleh ilusi dan redundansi LLM.
Akibatnya, GameGPT menggunakan berbagai peran berbeda untuk memfasilitasi operasinya, termasuk tanggung jawab di seluruh siklus pengembangan game.
Peran ini termasuk desainer konten game, manajer pengembangan game, auditor program, insinyur pengembangan game, auditor tugas, serta insinyur mesin game, auditor kode, dan insinyur uji mesin game yang disebutkan di atas.
Sepanjang proses pengembangan game, setiap karakter mengambil tugas yang berbeda.
Sumber daya:
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
GameGPT memasuki produksi game! Game yang dibuat sepenuhnya secara otomatis, waktunya dapat dikurangi seratus kali lipat
Sumber asli: Shin Ji Yuan
Menakjubkan! Pohon keterampilan GPT telah tumbuh lagi, dan sekarang Anda bahkan dapat melakukan permainan secara langsung !?
Tahukah Anda, era saat ini bukan lagi era di masa lalu ketika Anda bisa merebut pasar dengan membuat game kecil-kecilan. Proses pengembangan game saat ini sangat kompleks.
Mari kita mulai dengan tenaga kerja, personel setiap tim game dihitung dalam puluhan atau bahkan ratusan. Seseorang bertanggung jawab atas pemrograman, seseorang bertanggung jawab atas seni, seseorang bertanggung jawab atas pemeliharaan, dan sebagainya.
Setiap game juga memiliki basis kode dan perpustakaan materi yang sangat besar.
Akibatnya, mengembangkan game yang hebat membutuhkan banyak orang dan banyak waktu untuk menyelesaikannya. Dan periode waktu ini seringkali beberapa tahun.
Tim game mengembangkan sebuah mahakarya yang akan diingat dan disukai orang, dan anggarannya akan melebihi $ 100 juta.
Jika tidak, produksi game adalah sejenis listrik yang dihasilkan dengan cinta.
Sekarang, banyak hal telah berubah!
Para peneliti telah mengembangkan model yang disebut GameGPT, yang dapat mengintegrasikan beberapa agen AI untuk mengotomatisasi beberapa proses dalam pengembangan game.
Dan agen yang berbeda melakukan tugas mereka sendiri dan bekerja dengan tertib.
Ada agen yang bertanggung jawab untuk meninjau rencana desain game dan membuat modifikasi dan penyesuaian yang sesuai; Beberapa bertanggung jawab untuk menerjemahkan tugas ke dalam kode konkret; Beberapa bertanggung jawab untuk memeriksa kode yang dihasilkan pada langkah sebelumnya dan meninjau hasil yang sedang berjalan; Ada juga agen yang bertanggung jawab untuk memverifikasi bahwa semua pekerjaan memenuhi harapan awal.
Para peneliti mengatakan bahwa GameGPT dapat menyederhanakan beberapa aspek berulang dan kaku dari proses pengembangan game tradisional, seperti pengujian kode.
Sejumlah besar pengembang dapat dibebaskan dari pekerjaan inspeksi yang rumit dan fokus pada tautan desain yang lebih menantang yang tidak dapat digantikan oleh AI.
Tentu saja, makalah ini masih dalam tahap yang relatif awal. Tidak ada hasil konkret atau eksperimen untuk menunjukkan peningkatan kinerja.
Dengan kata lain, belum ada yang benar-benar mengembangkan game dengan GameGPT, dan modelnya masih dalam tahap konseptual, dan sulit untuk dievaluasi sampai ada hasil aplikasi spesifik dan data yang dapat diukur.
Namun, itu selalu merupakan arah untuk dikerjakan.
Beberapa netizen mengatakan bahwa ide orang tentang LLM agak bias. Sekarang, para peneliti memiliki alat yang memecahkan 100% masalah NLP, sementara orang hanya peduli tentang mengotomatisasi alur kerja tertentu.
Misalnya, bayangkan jika dunia game bereaksi terhadap keputusan Anda lebih normal daripada yang bisa Anda nilai dalam lima menit sebagai mesin hardcode berbasis aturan.
Bayangkan jika sebuah game dapat berimprovisasi pencarian sampingan untuk Anda berdasarkan keputusan yang Anda buat (seperti membantai musuh secara acak yang Anda lihat di sepanjang jalan, dll.).
Ketika pengembang membuat sistem seperti itu, mereka menggunakan teknik petunjuk untuk memandu LLM alih-alih mengkodekan hal-hal ini.
Namun, tujuannya bukan untuk menghemat biaya, tetapi untuk membuat game pada tahap di mana tidak mungkin membuat lebih banyak game sebelumnya (bukankah itu sedikit seteguk).
GameGPT
Pertama, mari kita lihat kerangka kerja besar model GameGPT - seluruh proses.
Di sisi paling kiri dari proses adalah sisi pengguna, yang dimasukkan ke dalam GameGPT, dan kemudian manajer pengembangan dan peninjau membuat perencanaan awal.
Persyaratan tersebut kemudian dikirim ke insinyur pengembangan, serta insinyur mesin permainan, untuk melakukan tugas-tugas tertentu dan menghasilkan kode.
Terakhir, periksa apakah ada kelalaian, kirim kembali ke sisi kiri, dan jalankan lagi. Jika tidak, lanjutkan ke kanan dan insinyur yang bertanggung jawab atas inspeksi akan melakukan tes.
** Game pengembangan AI ?? **
Bahkan, dasar-dasar sejarah game yang dikembangkan AI dapat kembali lebih jauh.
Penerapan AI dalam pengembangan game dapat ditelusuri kembali ke game klasik seperti StarCraft dan Diablo. Pada saat itu, pengembang membutuhkan sistem AI untuk menciptakan dunia dan karakter virtual interaktif.
Sistem ini telah menjadi standar untuk pengembangan platform interaktif tersebut.
Penelitian awal terkait AI dalam pengembangan game menekankan pengendalian karakter non-pemain (NPC), dan dengan pengembangan teknologi pemrosesan bahasa alami (NLP), ada beberapa karya perintis menggunakan teknik pembelajaran mendalam untuk menghasilkan level.
Salah satu mahakaryanya adalah MarioGPT, yang berhasil menghasilkan beberapa level di Super Mario Bros. melalui model GPT-2 yang disetel dengan baik.
LLM telah membuat langkah besar tahun ini, dengan hasil yang baik di NLP dan visi komputer (CV).
Kita tahu bahwa pelatihan LLM adalah proses multi-tahap. Tahap awal terdiri dari pelatihan model-model ini dalam korpus yang luas, memfasilitasi perolehan keterampilan bahasa dasar.
Ini diikuti oleh tahap yang lebih penting, yaitu menyempurnakan model dengan menghasilkan data dari berbagai tugas NLP melalui instruksi. Penyesuaian instruksi ini meningkatkan kemampuan generalisasi model dalam berbagai aplikasi, memungkinkan LLM untuk mencapai kinerja bebas kesalahan dalam tugas-tugas yang belum dilakukan dalam pelatihan sebelumnya.
Akhirnya, tahap Human Feedback Reinforcement Learning (RLHF) menjamin integritas struktural dan keandalan model.
Selain itu, kemajuan dalam LLM telah mempromosikan otomatisasi agen dalam proses pengembangan perangkat lunak. Banyak penelitian telah berfokus pada pertanyaan tentang bagaimana mengembangkan agen berbasis LLM yang dapat melakukan tugas yang berbeda.
Misalnya, AutoGPT menggunakan agen LLM untuk menangani tugas pengambilan keputusan tertentu di dunia nyata, sementara HuggingGPT menggunakan LLM tunggal sebagai pengontrol untuk mengoordinasikan tugas AI yang lebih kompleks.
Meskipun metode ini bergantung pada agen LLM tunggal, mereka semua menambahkan peninjau (peninjau dalam diagram alur di atas) untuk meningkatkan keputusan.
Atau ambil AutoGPT sebagai contoh, model akan mendapatkan beberapa pendapat tambahan dari pelajar yang diawasi untuk meningkatkan kinerjanya sendiri, dan HuggingGPT juga dapat dihubungkan ke GPT-4 untuk membuat peninjau mengevaluasi keakuratan pengambilan keputusan.
Ada contoh lain, seperti MetaGPT, yang memperkenalkan kerangka kerja multi-agen yang dapat digunakan untuk mengotomatiskan pengembangan berbagai perangkat lunak.
Kembali ke pengembangan game yang kita bahas hari ini, kita perlu tahu bahwa tidak seperti pengembangan perangkat lunak umum, industri pengembangan game perlu mengikuti tren, sehingga seluruh proses pengembangan harus lebih tepat dan ringkas untuk mencapai efisiensi terbaik.
Selain itu, mengutak-atik dan menggunakan LLM tunggal untuk melayani seluruh siklus pengembangan pengembangan game tanpa ilusi dan akurasi tinggi tidak praktis dan mahal.
Oleh karena itu, kerangka pengembangan game AI membutuhkan partisipasi beberapa pengulas, yang secara efektif dapat mengurangi kecenderungan halusinasi yang melekat dalam model bahasa.
Para peneliti juga menemukan bahwa model bahasa memiliki keterbatasan lain dalam pengembangan game – redundansi. LLM dapat menghasilkan tugas yang tidak perlu, tidak informatif atau cuplikan kode ketika permainan dibangun.
Untuk secara efektif mengatasi masalah ilusi dan redundansi, protagonis saat ini, GameGPT, secara strategis mengambil berbagai pendekatan untuk masalah ini, termasuk kolaborasi ganda, penyesuaian instruksi melalui kosakata internal, dan pemisahan kode.
Perlu dicatat bahwa kolaborasi ganda melibatkan interaksi antara LLM dan model pembelajaran mendalam kecil, serta partisipasi kolaboratif antara agen yang bertanggung jawab untuk eksekusi dan agen peninjau.
Para peneliti mengatakan sinergi ini telah terbukti efektif dalam mengurangi ilusi dan redundansi GameGPT.
Pengantar metode
Selanjutnya, para peneliti membedah inovasi GameGPT dari keseluruhan proses.
Pertama-tama, selama fase desain game, setelah menerima permintaan pengguna, tugas GameGPT termasuk membuat rencana pengembangan untuk seluruh game. Tahap perencanaan ini adalah salah satu langkah kunci yang sangat mempengaruhi kemajuan mulus dari seluruh proses pembangunan.
Fase ini direncanakan oleh manajer pengembangan game berbasis LLM yang datang dengan rencana awal dan kemudian memecahnya menjadi daftar tugas.
Perlu dicatat bahwa karena keterbatasan LLM yang melekat, rencana awal ini sering menghadirkan halusinasi, menghasilkan tugas yang tidak terduga, termasuk tugas yang tidak informatif atau tidak perlu berlebihan.
Untuk mengatasi masalah ini, para peneliti mengusulkan empat strategi yang dapat mengurangi tantangan ini yang ortogonal satu sama lain dan dapat dilakukan berlapis-lapis untuk hasil yang lebih baik.
Skenario satu: Kategorikan permintaan yang masuk untuk mengidentifikasi jenis permainan. Saat ini, kerangka kerja GameGPT mendukung pengembangan lima genre game yang berbeda, yaitu: action, strategy, role-playing, simulasi, dan adventure.
Untuk setiap jenis, peneliti menyediakan template perencanaan standar yang memandu agen manajer pengembangan game melalui template dengan informasi yang relevan.
Dengan mengadopsi pendekatan ini, frekuensi tugas yang berlebihan berkurang secara signifikan, sementara kemungkinan halusinasi terjadi.
Strategi dua: melibatkan keterlibatan agen pemeriksa program, yang merupakan agen berbasis LLM lainnya. Agen ini beroperasi dengan desain yang cermat untuk memberikan tinjauan komprehensif tentang rencana misi.
Tujuan utamanya adalah untuk meminimalkan terjadinya halusinasi dan redundansi. Program evaluasi agen ini memberikan umpan balik untuk memperbaiki dan meningkatkan akurasi, efisiensi, dan kesederhanaannya.
Pada saat yang sama, instruksi yang dihasilkan di bagian ini dapat digunakan sebagai masukan baru untuk agen manajer pengembangan game, membuat rencana tugas lebih akurat dan sempurna.
Strategi 3: Sesuaikan LLM itu sendiri dari agen manajer pengembangan game melalui instruksi khusus untuk merencanakan lebih baik di tingkat pengembangan game. Tujuan dari proses fine-tuning ini adalah untuk memungkinkan model menghasilkan rencana yang akurat dan ringkas.
Untuk kenyamanan, tim peneliti mengumpulkan dan mengintegrasikan dataset internal yang mencakup banyak kombinasi input dan output. Meskipun kombinasi ini tidak sesuai dengan format standar dalam panjang atau struktur, semuanya berkisar pada persyaratan pengembangan game.
Dengan mengadopsi pendekatan ini, para peneliti secara efektif menjembatani kesenjangan antara keterampilan bahasa umum LLM dan keterampilan perencanaan pengembangan game.
Strategi 4: "Jaring pengaman" dalam tahap perencanaan. Sepanjang proses perencanaan, Agen Manajer Pengembangan Game selalu membagikan hasil sementara dengan pengguna di antarmuka front-end, memungkinkan agen lainnya untuk mengetahui setiap saat pengembangan apa yang sedang berlangsung.
Untuk meningkatkan ini, para peneliti mengintegrasikan pendekatan interaktif yang memungkinkan pengguna untuk secara aktif meninjau, memperbaiki, dan meningkatkan rencana berdasarkan harapan mereka. Pendekatan ini juga menjamin konsistensi antara rencana desain dan kebutuhan pengguna.
Dengan strategi ini, mari kita lihat keunggulan GameGPT.
Jadi, untuk memastikan akurasi pada tahap ini, para peneliti menciptakan agen yang disebut insinyur pengembangan game. Agen terdiri dari dua model yang bekerja sama untuk berpartisipasi dalam proses klasifikasi tugas.
Pendekatan kolaboratif ini meningkatkan akurasi dan efektivitas identifikasi tugas. Pada saat yang sama, untuk menghindari munculnya ilusi LLM dan meningkatkan akurasi klasifikasi tugas, para peneliti memberikan daftar jenis tugas yang mungkin muncul dalam pengembangan game.
Untuk mengklasifikasikan ini dengan lebih baik, mereka mengadopsi model BERT.
Model BERT telah sepenuhnya dilatih dengan dataset internal. Himpunan data ini berisi item data yang disesuaikan dengan tugas pengembangan game. Input diambil dari daftar yang telah ditentukan, dan output sesuai dengan kategori tugas yang ditentukan.
Peninjauan jenis dan parameter tugas dilakukan pada tahap ini, dan agen yang disebut peninjau tugas diperkenalkan, yang terutama bertanggung jawab untuk identifikasi setiap kategori dan apakah parameternya masuk akal.
Proses peninjauan termasuk meninjau apakah jenis tugas berada dalam kisaran yang telah ditentukan dan apakah itu tugas yang paling sesuai. Pada saat yang sama, ia juga memeriksa daftar parameter untuk melihat apakah itu sejalan dengan tugas.
Dalam beberapa skenario, seperti beberapa situasi berdasarkan informasi tugas kontekstual, atau di mana permintaan pengguna tidak dapat disimpulkan parameternya, GameGPT mengambil pendekatan proaktif untuk menyelesaikannya.
Peninjau menarik perhatian pengguna dengan meluncurkan prompt pada antarmuka front-end dan meminta informasi tambahan yang diperlukan untuk parameter.
Manfaat dari pendekatan interaktif ini adalah memastikan integritas rincian argumen bahkan ketika penalaran otomatis tidak mencukupi.
Selain itu, ada agen lain yang bertanggung jawab untuk mengidentifikasi ketergantungan antara tugas dan membangun diagram yang merangkum hubungan ini. Setelah grafik dibuat, algoritma digunakan untuk melintasi dan memfilter grafik, menghasilkan urutan eksekusi tugas yang pasti.
Proses ini memastikan bahwa model dapat dijalankan secara teratur dan sistematis sesuai dengan dependensi tugas, menghasilkan proses pengembangan yang koheren dan terstruktur.
Masalah lain adalah bahwa menggunakan LLM untuk menghasilkan kode panjang membawa halusinasi yang lebih besar dan risiko redundansi. Untuk mengatasi masalah ini, para peneliti memperkenalkan metode baru untuk memisahkan kode yang muncul dalam desain game, menyederhanakan proses penalaran LLM, sehingga sangat mengurangi halusinasi dan redundansi.
Pendekatan ini juga tidak sulit untuk dipahami - para peneliti akan membagi skrip yang diharapkan menjadi banyak cuplikan kode yang lebih pendek untuk diproses LLM. Metode decoupling ini sangat menyederhanakan pekerjaan LLM.
Ada juga metode penalaran efektif yang disebut pembelajaran kontekstual, yang juga dapat secara efektif mengurangi halusinasi.
Selain itu, teknik eliminasi halusinasi lain yang diterapkan di GameGPT melibatkan pembuatan satu set cuplikan kode K untuk setiap tugas.
Selain itu, para peneliti memiliki perpustakaan internal dengan sejumlah besar cuplikan kode yang dirancang untuk pengembangan game. Setiap cuplikan kode dikomentari oleh pemberi label, memberikan deskripsi yang jelas tentang tujuan yang dimaksudkan.
Untuk meringkas, agar kode tidak berlebihan dan tidak berhalusinasi, pengembang telah membuat dua persiapan, sebelumnya dan dalam acara tersebut.
Pada saat yang sama, perpustakaan yang disebutkan di atas juga merupakan sumber daya berharga untuk menyempurnakan model. Peninjauan dan Peningkatan Kode Setelah agen mesin permainan menghasilkan kode, agen peninjau kode melakukan peninjauan dan peninjauan menyeluruh terhadap basis kode.
Agen melakukan penilaian menyeluruh dalam upaya untuk mengidentifikasi setiap contoh yang mungkin menyimpang dari permintaan asli, atau halusinasi tak terduga dalam kode.
Setelah peninjauan menyeluruh, agen tidak hanya dapat menandai perbedaan potensial, tetapi juga memberikan saran untuk meningkatkan kode, menghasilkan versi yang lebih masuk akal.
Setelah proses peninjauan, kode yang dimodifikasi, serta umpan balik dari agen, akan dibagikan dengan insinyur mesin game, agen, dan pengguna melalui antarmuka front-end. Jika pengguna menganggap perlu, ia dapat memberikan saran modifikasi kode secara langsung melalui antarmuka front-end.
Rekomendasi ini kemudian diteruskan ke agen peninjau kode, yang mengevaluasi dan menggabungkannya secara selektif untuk lebih menghasilkan pendekatan kolaboratif dan berulang untuk meningkatkan kode.
Akhirnya, setelah kode dihasilkan dan semuanya selesai, tanggung jawab jatuh ke agen pengujian mesin permainan, yang bertanggung jawab untuk mengeksekusi kode yang dihasilkan.
Pada tahap ini, agen juga mengikuti urutan eksekusi yang ditetapkan pada fase sebelumnya.
Proses eksekusi spesifik melibatkan pengiriman kode untuk setiap tugas individu ke mesin game, mengeksekusinya, dan terus melacaknya selama eksekusi, menghasilkan log.
Setelah menyelesaikan semua tugas yang ditentukan dalam urutan eksekusi, agen menggabungkan semua log yang dihasilkan selama eksekusi.
Hasilnya adalah ringkasan ringkas dan komprehensif yang disajikan kepada pengguna melalui antarmuka front-end.
Selain itu, agen insinyur uji mengidentifikasi dan melaporkan terjadinya backtracking yang diamati selama eksekusi. Jejak balik ini berfungsi sebagai indikator utama bahwa AI membuat penyesuaian lebih lanjut pada proses eksekusi atau kode, memungkinkan seluruh proses disempurnakan dan membantu menghasilkan produk akhir yang sempurna.
Akhirnya, mari kita lihat rumus kerangka kerja untuk beberapa agen yang bekerja pada saat yang sama:
Pertama, di GameGPT, setiap agen memiliki sistem memori pribadi, dan mereka memiliki akses ke konten publik bersama untuk mendapatkan informasi yang diperlukan untuk memandu proses pengambilan keputusan mereka.
Untuk agen i dengan waktu langkah t, proses ini dapat dinyatakan sebagai:
Karena kekhasan industri pengembangan game dan keterbatasan model bahasa besar, kehadiran banyak agen dengan peran berbeda di GameGPT sangat penting.
Mengingat bahwa siklus pengembangan game seringkali berbulan-bulan, mengandalkan agen tunggal dengan memori komprehensif dan informasi kontekstual dapat sangat mengurangi efisiensi model bahasa, termasuk LLM.
Ketika proyek menjadi lebih kompleks dari waktu ke waktu, pendekatan ini menghadirkan tantangan skalabilitas. Juga, mengingat keterbatasan jumlah tag yang ditangani oleh LLM, tidak praktis untuk menggunakan agen terpisah dengan memori penuh dalam proyek pengembangan game besar.
Juga, masalah yang melekat seperti halusinasi dan redundansi yang diamati dalam LLM menyoroti pentingnya kolaborasi antara banyak agen, terutama mereka yang memiliki peran penting.
Kolaborasi ini penting dalam mengurangi tantangan yang ditimbulkan oleh ilusi dan redundansi LLM.
Akibatnya, GameGPT menggunakan berbagai peran berbeda untuk memfasilitasi operasinya, termasuk tanggung jawab di seluruh siklus pengembangan game.
Peran ini termasuk desainer konten game, manajer pengembangan game, auditor program, insinyur pengembangan game, auditor tugas, serta insinyur mesin game, auditor kode, dan insinyur uji mesin game yang disebutkan di atas.
Sepanjang proses pengembangan game, setiap karakter mengambil tugas yang berbeda.
Sumber daya: