Удивительный! Дерево навыков GPT снова выросло, и теперь вы даже можете проходить игру напрямую!?
Вы знаете, нынешняя эпоха – это уже не та эпоха в прошлом, когда можно было захватить рынок, сделав маленькую игру. Современный процесс разработки игр очень сложен.
Начнем с живой силы, личный состав каждой игровой команды исчисляется десятками, а то и сотнями. Кто-то отвечает за программирование, кто-то за искусство, кто-то за техническое обслуживание и так далее.
Каждая игра также имеет огромную кодовую базу и библиотеку материалов.
В результате, разработка отличной игры требует много людей и много времени для завершения. И этот временной промежуток часто составляет несколько лет.
Интуитивно понятно, что это деньги.
Команда игры разработала шедевр, который люди запомнят и полюбят, а бюджет превысит 100 миллионов долларов.
В остальном производство игр — это своего рода электричество, вырабатываемое с любовью.
Теперь все изменилось!
Исследователи разработали модель под названием GameGPT, которая может интегрировать несколько агентов искусственного интеллекта для автоматизации некоторых процессов в разработке игр.
И разные агенты выполняют свои обязанности и работают упорядоченно.
Есть агенты, ответственные за проверку дизайн-плана игры и внесение соответствующих изменений и корректировок; Некоторые отвечают за перевод задач в конкретный код; Некоторые отвечают за проверку кода, сгенерированного на предыдущем шаге, и просмотр результатов выполнения; Есть также агенты, ответственные за проверку того, что вся работа соответствует первоначальным ожиданиям.
Таким образом, дорабатывая и декомпозируя рабочий процесс, GameGPT может упростить работу агентов ИИ. Такая производительность более эффективна и гораздо проще в достижении, чем всемогущий агент, делающий все.
Исследователи говорят, что GameGPT может упростить некоторые повторяющиеся и жесткие аспекты традиционного процесса разработки игр, такие как тестирование кода.
Большое количество разработчиков может быть освобождено от сложной работы по проверке и сосредоточиться на более сложных связях проектирования, которые не могут быть заменены искусственным интеллектом.
Конечно, эта работа все еще находится на относительно предварительной стадии. Конкретных результатов или экспериментов, демонстрирующих улучшение производительности, нет.
Другими словами, никто на самом деле не разрабатывал игру на GameGPT, и модель все еще находится в концептуальной стадии, и ее трудно оценить, пока не появятся конкретные результаты применения и количественные данные.
Тем не менее, это всегда направление, над которым нужно работать.
Некоторые пользователи сети заявили, что представления людей о LLM несколько предвзяты. Сейчас у исследователей есть инструмент, который решает 100% задач НЛП, в то время как людей волнует только автоматизация определенных рабочих процессов.
Например, представьте, что игровой мир реагирует на ваши решения более нормально, чем вы могли бы судить за пять минут в виде жестко запрограммированного движка, основанного на правилах.
Представьте, что игра могла бы импровизировать для вас побочные квесты, основанные на решениях, которые вы принимаете (например, случайное убийство врагов, которых вы видите по пути, и т. д.).
Когда разработчики создают такую систему, они используют инженерию подсказок, чтобы направлять LLM, вместо того, чтобы кодировать эти вещи.
Тем не менее, цель этого не в том, чтобы сэкономить затраты, а в том, чтобы делать игры на том этапе, когда раньше было невозможно сделать больше игр (не правда ли).
GameGPT
Во-первых, давайте взглянем на большую структуру модели GameGPT - весь процесс.
Как видите, автор персонифицирует каждого агента, более ярко показывая, как они выполняют свои обязанности.
В дальней левой части процесса находится пользовательская часть, которая вводится в GameGPT, а затем менеджер по разработке и проверка делают предварительное планирование.
Затем требования отправляются инженерам-разработчикам, а также инженерам игрового движка для выполнения конкретных задач и генерации кода.
Наконец, проверьте, нет ли пропусков, отправьте их обратно в левую сторону и запустите снова. Если нет, продолжайте движение направо, и инженер, отвечающий за проверку, выполнит тест.
**Игра по разработке ИИ?? **
На самом деле, зачатки истории игр, разработанных искусственным интеллектом, могут уйти еще дальше.
Применение искусственного интеллекта в разработке игр восходит к классическим играм, таким как StarCraft и Diablo. В то время разработчикам нужны были системы искусственного интеллекта для создания интерактивных виртуальных миров и персонажей.
Эти системы стали стандартом для разработки подобных интерактивных платформ.
Ранние исследования, связанные с искусственным интеллектом в разработке игр, делали упор на управление неигровыми персонажами (NPC), а с развитием технологии обработки естественного языка (NLP) была проведена новаторская работа, использующая методы глубокого обучения для создания уровней.
Одним из шедевров является MarioGPT, который успешно сгенерировал некоторые уровни в Super Mario Bros. с помощью тонко настроенной модели GPT-2.
В этом году LLM добилась больших успехов, показав хорошие результаты как в NLP, так и в компьютерном зрении (CV).
Мы знаем, что обучение LLM – это многоступенчатый процесс. Начальный этап состоит из обучения этих моделей в обширном корпусе, облегчающем приобретение базовых языковых навыков.
Далее следует более важный этап, который заключается в тонкой настройке модели путем генерации данных из различных NLP-задач с помощью инструкций. Такая корректировка инструкций повышает способность модели к обобщению в широком спектре приложений, позволяя LLM безошибочно выполнять задачи, которые не выполнялись в предыдущем обучении.
Наконец, стадия обучения с подкреплением с обратной связью от человека (RLHF) гарантирует структурную целостность и надежность модели.
Еще один нюанс – стадия RLHF позволяет модели генерировать контент, имитирующий человеческий стиль, повышая ее универсальность в качестве агента.
Кроме того, достижения в области LLM способствовали автоматизации агентов в процессе разработки программного обеспечения. Многие исследования были сосредоточены на вопросе о том, как разработать агент на основе LLM, который может выполнять различные задачи.
Например, AutoGPT использовал агентов LLM для обработки определенных задач по принятию решений в реальном мире, в то время как HuggingGPT использовал один LLM в качестве контроллера для координации более сложных задач ИИ.
Несмотря на то, что эти методы полагаются на одного агента LLM, все они добавляют рецензента (рецензента на блок-схеме выше) для улучшения решения.
Или возьмем в качестве примера AutoGPT, модель будет получать некоторые вспомогательные мнения от контролируемого ученика для улучшения собственной производительности, а HuggingGPT также может быть подключен к GPT-4, чтобы рецензент оценивал точность принятия решений.
Есть и другие примеры, такие как MetaGPT, который представляет мультиагентный фреймворк, который можно использовать для автоматизации разработки различного программного обеспечения.
Возвращаясь к разработке игр, которую мы обсуждали сегодня, мы должны знать, что в отличие от общей разработки программного обеспечения, индустрия разработки игр должна идти в ногу с тенденциями, поэтому весь процесс разработки должен быть более точным и лаконичным для достижения максимальной эффективности.
Кроме того, настройка и использование одного LLM для обслуживания всего цикла разработки игр без иллюзий и высокой точности непрактично и затратно.
Поэтому фреймворк ИИ для разработки игр требует участия нескольких рецензентов, что может эффективно смягчить галлюцинаторные тенденции, присущие языковым моделям.
Исследователи также обнаружили, что языковые модели имеют еще одно ограничение в разработке игр — избыточность. LLM может генерировать ненужные, неинформативные задачи или фрагменты кода во время сборки игры.
Чтобы эффективно решить проблему иллюзии и избыточности, сегодняшний главный герой, GameGPT, стратегически использует различные подходы к проблеме, включая двойное сотрудничество, настройку инструкций с помощью внутренних словарей и разделение кода.
Стоит отметить, что двойное сотрудничество включает в себя взаимодействие между LLM и малыми моделями глубокого обучения, а также совместное участие между агентом, ответственным за выполнение, и агентом-рецензентом.
Исследователи говорят, что эта синергия доказала свою эффективность в смягчении иллюзии и избыточности GameGPT.
Введение в метод
Затем исследователи проанализировали инновации GameGPT из всего процесса.
Прежде всего, на этапе разработки игры, после получения запроса пользователя, в задачи GameGPT входит генерация плана разработки всей игры. Этот этап планирования является одним из ключевых этапов, который в значительной степени влияет на бесперебойный ход всего процесса разработки.
Этот этап планируется менеджером по разработке игр на основе LLM, который составляет первоначальный план, а затем разбивает его на список задач.
Стоит отметить, что из-за присущих LLM ограничений этот первоначальный план часто представляет галлюцинации, приводящие к неожиданным задачам, в том числе неинформативным или излишне избыточным.
Чтобы решить эти проблемы, исследователи предложили четыре стратегии, которые могли бы смягчить эти проблемы, которые были ортогональны друг другу и могли быть выполнены послойно для достижения лучших результатов.
Сценарий первый: Классифицируйте входящие запросы, чтобы определить тип игры. В настоящее время фреймворк GameGPT поддерживает разработку пяти различных игровых жанров, а именно: экшен, стратегия, ролевые игры, симуляторы и приключения.
Для каждого типа исследователи предоставляют стандартизированные шаблоны планирования, которые помогают агентам менеджера по разработке игр работать с соответствующей информацией.
При таком подходе значительно снижается частота избыточных задач, при этом снижается вероятность возникновения галлюцинаций.
Стратегия вторая: предполагает привлечение агента экзаменатора программы, который является еще одним агентом на основе LLM. Этот агент работает с тщательной проработкой, чтобы обеспечить всесторонний обзор плана миссии.
Его главная цель – свести к минимуму возникновение галлюцинаций и избыточности. Эта программа оценки агентов обеспечивает обратную связь для улучшения и повышения точности, эффективности и простоты.
В то же время, инструкции, сгенерированные в этой части, могут быть использованы в качестве новых входных данных для агента менеджера по разработке игр, что делает план задач более точным и совершенным.
Стратегия 3: Скорректируйте LLM агента менеджера по разработке игр с помощью специальных инструкций, чтобы лучше планировать на уровне разработки игры. Цель этого процесса тонкой настройки состоит в том, чтобы позволить модели создать план, который будет одновременно точным и кратким.
Для удобства исследовательская группа собрала и интегрировала внутренний набор данных, который включал множество комбинаций входных и выходных данных. Хотя эти комбинации не соответствуют стандартному формату ни по длине, ни по структуре, все они вращаются вокруг требований разработки игр.
Эта часть фиксированного микса предоставляется разработчиками в отрасли.
Приняв этот подход, исследователи эффективно преодолели разрыв между общими языковыми навыками LLM и навыками планирования разработки игр.
Стратегия 4: «Подстраховка» на этапе планирования. На протяжении всего процесса планирования агент Game Development Manager всегда делится промежуточными результатами с пользователем во внешнем интерфейсе, позволяя остальным агентам всегда знать, какая разработка ведется.
Чтобы улучшить это, исследователи интегрировали интерактивный подход, который позволяет пользователям активно просматривать, корректировать и улучшать планы, основанные на их ожиданиях. Такой подход также гарантирует согласованность между дизайн-планом и потребностями пользователя.
Разобравшись с этими стратегиями, давайте посмотрим на преимущества GameGPT.
Во-первых, процесс классификации задач в этой модели требует высокой точности в определении типов задач и соответствующих им параметров.
Поэтому, чтобы обеспечить точность на этом этапе, исследователи создали агента, называемого инженером по разработке игр. Агент состоит из двух моделей, которые работают вместе для участия в процессе классификации задач.
Такой совместный подход повышает точность и эффективность идентификации задач. В то же время, чтобы избежать появления иллюзий LLM и повысить точность классификации задач, исследователи предоставили список типов задач, которые могут появиться в геймдеве.
Чтобы лучше классифицировать это, они приняли модель BERT.
Модель BERT была полностью обучена на внутреннем наборе данных. Этот набор данных содержит элементы данных, адаптированные к задаче разработки игры. Входные данные берутся из заранее определенного списка, а выходные данные соответствуют заданной категории задачи.
На этом этапе выполняется проверка типов и параметров задач, а также вводится агент, называемый рецензентом задач, который в основном отвечает за идентификацию каждой категории и обоснованность параметров.
Процесс рецензирования включает в себя проверку того, находится ли тип задачи в пределах заданного диапазона и является ли она наиболее подходящей. В то же время он также проверяет список параметров, чтобы увидеть, соответствует ли он задаче.
В некоторых сценариях, таких как некоторые ситуации, основанные на контекстной информации о задаче, или когда запрос пользователя не может быть выведен параметрами, GameGPT использует упреждающий подход для их решения.
Reviewer привлекает внимание пользователя, запуская подсказку во внешнем интерфейсе и запрашивая дополнительную информацию, необходимую для параметров.
Преимущество этого интерактивного подхода заключается в том, что он обеспечивает целостность деталей аргументации даже в тех случаях, когда автоматических рассуждений недостаточно.
Кроме того, существует еще один агент, отвечающий за выявление зависимостей между задачами и построение диаграммы, инкапсулирующей эти связи. После того, как граф установлен, алгоритм используется для обхода и фильтрации графа, что приводит к определенному порядку выполнения задачи.
Этот процесс гарантирует, что модель может быть выполнена упорядоченно и систематически в соответствии с зависимостями задачи, что приводит к согласованному и структурированному процессу разработки.
Другая проблема заключается в том, что использование LLM для генерации длинного кода сопряжено с большими галлюцинациями и риском избыточности. Чтобы решить эту проблему, исследователи представили новый метод разделения кода, который появляется в игровом дизайне, упростив процесс рассуждений LLM, тем самым значительно смягчив галлюцинации и избыточность.
Такой подход также несложен для понимания — исследователи разделят ожидаемый скрипт на множество более коротких фрагментов кода, которые LLM будет обрабатывать. Такой метод развязки значительно упрощает работу LLM.
Существует также эффективный метод рассуждений, называемый контекстуальным обучением, который также может эффективно смягчить галлюцинации.
Кроме того, еще один метод устранения галлюцинаций, применяемый в GameGPT, включает в себя генерацию набора фрагментов кода K для каждой задачи.
Затем эти фрагменты кода тестируются в виртуальной среде и одновременно представляются пользователю. Как процесс тестирования, так и отзывы пользователей используются для выявления и устранения проблемных фрагментов кода, оставляя для выполнения только наиболее жизнеспособный вариант. Такой подход также помогает еще больше снизить частоту возникновения галлюцинаций.
Кроме того, у исследователей есть собственная библиотека с большим количеством фрагментов кода, предназначенных для разработки игр. Каждый фрагмент кода комментируется маркировщиком, что дает четкое описание его назначения.
Подводя итог, можно сказать, что для того, чтобы код не был избыточным и не галлюцинировал, разработчики сделали две подготовки, заранее и на случай.
В то же время упомянутая выше библиотека также является ценным ресурсом для тонкой настройки модели. Проверка и улучшение кода После того, как агент игрового движка генерирует код, он выполняет тщательную проверку и проверку кодовой базы.
Агент проводит тщательную оценку, чтобы выявить любые случаи, которые могут отклоняться от первоначального запроса, или неожиданные галлюцинации в коде.
После тщательной проверки агент может не только отмечать потенциальные различия, но и вносить предложения по улучшению кода, в результате чего получается более разумная версия.
После процесса рецензирования измененный код, а также обратная связь от агента будут переданы инженеру игрового движка, агенту и пользователю через интерфейс фронтенда. Если пользователь сочтет это необходимым, он может предоставить предложения по модификации кода прямо через интерфейс фронтенда.
Затем эти рекомендации передаются агенту проверки кода, который оценивает и выборочно объединяет их для дальнейшего создания совместного и итеративного подхода к улучшению кода.
Наконец, после того, как код сгенерирован и все сделано, ответственность ложится на агента тестирования игрового движка, который отвечает за выполнение сгенерированного кода.
На этом этапе агент также следует последовательности выполнения, установленной на предыдущем этапе.
Специфический процесс выполнения включает в себя отправку кода для каждой отдельной задачи на игровой движок, его выполнение и непрерывное отслеживание во время выполнения, генерацию логов.
После выполнения всех задач, указанных в последовательности выполнения, агент объединяет все журналы, созданные во время выполнения.
В результате получается краткая и исчерпывающая сводка, которая представляется пользователю через интерфейс.
Кроме того, агент инженера по тестированию выявляет и сообщает о любых возвратах, наблюдаемых во время выполнения. Эти обратные трассировки служат ключевыми индикаторами того, что ИИ вносит дальнейшие коррективы в процесс выполнения или код, позволяя совершенствовать весь процесс и помогая создать идеальный конечный продукт.
Наконец, давайте посмотрим на формулу фреймворка для нескольких агентов, работающих одновременно:
Во-первых, в GameGPT у каждого агента есть собственная система памяти, и у них есть доступ к общему общедоступному контенту, чтобы получить необходимую информацию для управления процессом принятия решений.
Для агента i с временным шагом t этот процесс можно выразить следующим образом:
где pθi соответствует LLM или экспертной модели, относящейся к агенту i, Oit представляет выходные данные или результат агента i в временном шаге t, а Mit и Pt относятся ко всем частным воспоминаниям и необходимым публичным записям в пределах временного шага t, соответственно.
Из-за особенностей индустрии разработки игр и ограничений большой языковой модели наличие нескольких агентов с разными ролями в GameGPT имеет решающее значение.
Учитывая, что циклы разработки игр часто длятся месяцами, использование одного агента с обширной памятью и контекстной информацией может значительно снизить эффективность языковых моделей, включая LLM.
По мере того, как проекты со временем становятся все более сложными, такой подход создает проблемы с масштабируемостью. Кроме того, учитывая ограничение на количество тегов, обрабатываемых LLM, нецелесообразно использовать отдельный агент с полной памятью в больших проектах по разработке игр.
Кроме того, неотъемлемые проблемы, такие как галлюцинации и избыточность, наблюдаемые у магистров права, подчеркивают важность сотрудничества между несколькими агентами, особенно теми, кто играет важную роль.
Это сотрудничество имеет важное значение для смягчения проблем, связанных с иллюзиями и избыточностью LLM.
В результате GameGPT использует ряд различных ролей для облегчения своей работы, включая обязанности на протяжении всего цикла разработки игры.
Эти роли включают в себя дизайнера игрового контента, менеджера по разработке игр, аудитора программ, инженера по разработке игр, аудитора задач, а также инженера игрового движка, аудитора кода и инженера по тестированию игрового движка, упомянутых выше.
На протяжении всего процесса разработки игры каждый персонаж берет на себя разные задачи.
Ресурсы:
Посмотреть Оригинал
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
GameGPT входит в производство игр! Полностью автоматически генерируемые игры, время может быть сокращено во сто крат
Первоисточник: Shin Ji Yuan
Удивительный! Дерево навыков GPT снова выросло, и теперь вы даже можете проходить игру напрямую!?
Вы знаете, нынешняя эпоха – это уже не та эпоха в прошлом, когда можно было захватить рынок, сделав маленькую игру. Современный процесс разработки игр очень сложен.
Начнем с живой силы, личный состав каждой игровой команды исчисляется десятками, а то и сотнями. Кто-то отвечает за программирование, кто-то за искусство, кто-то за техническое обслуживание и так далее.
Каждая игра также имеет огромную кодовую базу и библиотеку материалов.
В результате, разработка отличной игры требует много людей и много времени для завершения. И этот временной промежуток часто составляет несколько лет.
Команда игры разработала шедевр, который люди запомнят и полюбят, а бюджет превысит 100 миллионов долларов.
В остальном производство игр — это своего рода электричество, вырабатываемое с любовью.
Теперь все изменилось!
Исследователи разработали модель под названием GameGPT, которая может интегрировать несколько агентов искусственного интеллекта для автоматизации некоторых процессов в разработке игр.
И разные агенты выполняют свои обязанности и работают упорядоченно.
Есть агенты, ответственные за проверку дизайн-плана игры и внесение соответствующих изменений и корректировок; Некоторые отвечают за перевод задач в конкретный код; Некоторые отвечают за проверку кода, сгенерированного на предыдущем шаге, и просмотр результатов выполнения; Есть также агенты, ответственные за проверку того, что вся работа соответствует первоначальным ожиданиям.
Исследователи говорят, что GameGPT может упростить некоторые повторяющиеся и жесткие аспекты традиционного процесса разработки игр, такие как тестирование кода.
Большое количество разработчиков может быть освобождено от сложной работы по проверке и сосредоточиться на более сложных связях проектирования, которые не могут быть заменены искусственным интеллектом.
Конечно, эта работа все еще находится на относительно предварительной стадии. Конкретных результатов или экспериментов, демонстрирующих улучшение производительности, нет.
Другими словами, никто на самом деле не разрабатывал игру на GameGPT, и модель все еще находится в концептуальной стадии, и ее трудно оценить, пока не появятся конкретные результаты применения и количественные данные.
Тем не менее, это всегда направление, над которым нужно работать.
Некоторые пользователи сети заявили, что представления людей о LLM несколько предвзяты. Сейчас у исследователей есть инструмент, который решает 100% задач НЛП, в то время как людей волнует только автоматизация определенных рабочих процессов.
Например, представьте, что игровой мир реагирует на ваши решения более нормально, чем вы могли бы судить за пять минут в виде жестко запрограммированного движка, основанного на правилах.
Представьте, что игра могла бы импровизировать для вас побочные квесты, основанные на решениях, которые вы принимаете (например, случайное убийство врагов, которых вы видите по пути, и т. д.).
Когда разработчики создают такую систему, они используют инженерию подсказок, чтобы направлять LLM, вместо того, чтобы кодировать эти вещи.
Тем не менее, цель этого не в том, чтобы сэкономить затраты, а в том, чтобы делать игры на том этапе, когда раньше было невозможно сделать больше игр (не правда ли).
GameGPT
Во-первых, давайте взглянем на большую структуру модели GameGPT - весь процесс.
В дальней левой части процесса находится пользовательская часть, которая вводится в GameGPT, а затем менеджер по разработке и проверка делают предварительное планирование.
Затем требования отправляются инженерам-разработчикам, а также инженерам игрового движка для выполнения конкретных задач и генерации кода.
Наконец, проверьте, нет ли пропусков, отправьте их обратно в левую сторону и запустите снова. Если нет, продолжайте движение направо, и инженер, отвечающий за проверку, выполнит тест.
**Игра по разработке ИИ?? **
На самом деле, зачатки истории игр, разработанных искусственным интеллектом, могут уйти еще дальше.
Применение искусственного интеллекта в разработке игр восходит к классическим играм, таким как StarCraft и Diablo. В то время разработчикам нужны были системы искусственного интеллекта для создания интерактивных виртуальных миров и персонажей.
Эти системы стали стандартом для разработки подобных интерактивных платформ.
Ранние исследования, связанные с искусственным интеллектом в разработке игр, делали упор на управление неигровыми персонажами (NPC), а с развитием технологии обработки естественного языка (NLP) была проведена новаторская работа, использующая методы глубокого обучения для создания уровней.
Одним из шедевров является MarioGPT, который успешно сгенерировал некоторые уровни в Super Mario Bros. с помощью тонко настроенной модели GPT-2.
В этом году LLM добилась больших успехов, показав хорошие результаты как в NLP, так и в компьютерном зрении (CV).
Мы знаем, что обучение LLM – это многоступенчатый процесс. Начальный этап состоит из обучения этих моделей в обширном корпусе, облегчающем приобретение базовых языковых навыков.
Далее следует более важный этап, который заключается в тонкой настройке модели путем генерации данных из различных NLP-задач с помощью инструкций. Такая корректировка инструкций повышает способность модели к обобщению в широком спектре приложений, позволяя LLM безошибочно выполнять задачи, которые не выполнялись в предыдущем обучении.
Наконец, стадия обучения с подкреплением с обратной связью от человека (RLHF) гарантирует структурную целостность и надежность модели.
Кроме того, достижения в области LLM способствовали автоматизации агентов в процессе разработки программного обеспечения. Многие исследования были сосредоточены на вопросе о том, как разработать агент на основе LLM, который может выполнять различные задачи.
Например, AutoGPT использовал агентов LLM для обработки определенных задач по принятию решений в реальном мире, в то время как HuggingGPT использовал один LLM в качестве контроллера для координации более сложных задач ИИ.
Несмотря на то, что эти методы полагаются на одного агента LLM, все они добавляют рецензента (рецензента на блок-схеме выше) для улучшения решения.
Или возьмем в качестве примера AutoGPT, модель будет получать некоторые вспомогательные мнения от контролируемого ученика для улучшения собственной производительности, а HuggingGPT также может быть подключен к GPT-4, чтобы рецензент оценивал точность принятия решений.
Есть и другие примеры, такие как MetaGPT, который представляет мультиагентный фреймворк, который можно использовать для автоматизации разработки различного программного обеспечения.
Возвращаясь к разработке игр, которую мы обсуждали сегодня, мы должны знать, что в отличие от общей разработки программного обеспечения, индустрия разработки игр должна идти в ногу с тенденциями, поэтому весь процесс разработки должен быть более точным и лаконичным для достижения максимальной эффективности.
Кроме того, настройка и использование одного LLM для обслуживания всего цикла разработки игр без иллюзий и высокой точности непрактично и затратно.
Поэтому фреймворк ИИ для разработки игр требует участия нескольких рецензентов, что может эффективно смягчить галлюцинаторные тенденции, присущие языковым моделям.
Исследователи также обнаружили, что языковые модели имеют еще одно ограничение в разработке игр — избыточность. LLM может генерировать ненужные, неинформативные задачи или фрагменты кода во время сборки игры.
Чтобы эффективно решить проблему иллюзии и избыточности, сегодняшний главный герой, GameGPT, стратегически использует различные подходы к проблеме, включая двойное сотрудничество, настройку инструкций с помощью внутренних словарей и разделение кода.
Стоит отметить, что двойное сотрудничество включает в себя взаимодействие между LLM и малыми моделями глубокого обучения, а также совместное участие между агентом, ответственным за выполнение, и агентом-рецензентом.
Исследователи говорят, что эта синергия доказала свою эффективность в смягчении иллюзии и избыточности GameGPT.
Введение в метод
Затем исследователи проанализировали инновации GameGPT из всего процесса.
Прежде всего, на этапе разработки игры, после получения запроса пользователя, в задачи GameGPT входит генерация плана разработки всей игры. Этот этап планирования является одним из ключевых этапов, который в значительной степени влияет на бесперебойный ход всего процесса разработки.
Этот этап планируется менеджером по разработке игр на основе LLM, который составляет первоначальный план, а затем разбивает его на список задач.
Стоит отметить, что из-за присущих LLM ограничений этот первоначальный план часто представляет галлюцинации, приводящие к неожиданным задачам, в том числе неинформативным или излишне избыточным.
Чтобы решить эти проблемы, исследователи предложили четыре стратегии, которые могли бы смягчить эти проблемы, которые были ортогональны друг другу и могли быть выполнены послойно для достижения лучших результатов.
Сценарий первый: Классифицируйте входящие запросы, чтобы определить тип игры. В настоящее время фреймворк GameGPT поддерживает разработку пяти различных игровых жанров, а именно: экшен, стратегия, ролевые игры, симуляторы и приключения.
Для каждого типа исследователи предоставляют стандартизированные шаблоны планирования, которые помогают агентам менеджера по разработке игр работать с соответствующей информацией.
При таком подходе значительно снижается частота избыточных задач, при этом снижается вероятность возникновения галлюцинаций.
Стратегия вторая: предполагает привлечение агента экзаменатора программы, который является еще одним агентом на основе LLM. Этот агент работает с тщательной проработкой, чтобы обеспечить всесторонний обзор плана миссии.
Его главная цель – свести к минимуму возникновение галлюцинаций и избыточности. Эта программа оценки агентов обеспечивает обратную связь для улучшения и повышения точности, эффективности и простоты.
В то же время, инструкции, сгенерированные в этой части, могут быть использованы в качестве новых входных данных для агента менеджера по разработке игр, что делает план задач более точным и совершенным.
Стратегия 3: Скорректируйте LLM агента менеджера по разработке игр с помощью специальных инструкций, чтобы лучше планировать на уровне разработки игры. Цель этого процесса тонкой настройки состоит в том, чтобы позволить модели создать план, который будет одновременно точным и кратким.
Для удобства исследовательская группа собрала и интегрировала внутренний набор данных, который включал множество комбинаций входных и выходных данных. Хотя эти комбинации не соответствуют стандартному формату ни по длине, ни по структуре, все они вращаются вокруг требований разработки игр.
Приняв этот подход, исследователи эффективно преодолели разрыв между общими языковыми навыками LLM и навыками планирования разработки игр.
Стратегия 4: «Подстраховка» на этапе планирования. На протяжении всего процесса планирования агент Game Development Manager всегда делится промежуточными результатами с пользователем во внешнем интерфейсе, позволяя остальным агентам всегда знать, какая разработка ведется.
Чтобы улучшить это, исследователи интегрировали интерактивный подход, который позволяет пользователям активно просматривать, корректировать и улучшать планы, основанные на их ожиданиях. Такой подход также гарантирует согласованность между дизайн-планом и потребностями пользователя.
Разобравшись с этими стратегиями, давайте посмотрим на преимущества GameGPT.
Поэтому, чтобы обеспечить точность на этом этапе, исследователи создали агента, называемого инженером по разработке игр. Агент состоит из двух моделей, которые работают вместе для участия в процессе классификации задач.
Такой совместный подход повышает точность и эффективность идентификации задач. В то же время, чтобы избежать появления иллюзий LLM и повысить точность классификации задач, исследователи предоставили список типов задач, которые могут появиться в геймдеве.
Чтобы лучше классифицировать это, они приняли модель BERT.
Модель BERT была полностью обучена на внутреннем наборе данных. Этот набор данных содержит элементы данных, адаптированные к задаче разработки игры. Входные данные берутся из заранее определенного списка, а выходные данные соответствуют заданной категории задачи.
На этом этапе выполняется проверка типов и параметров задач, а также вводится агент, называемый рецензентом задач, который в основном отвечает за идентификацию каждой категории и обоснованность параметров.
Процесс рецензирования включает в себя проверку того, находится ли тип задачи в пределах заданного диапазона и является ли она наиболее подходящей. В то же время он также проверяет список параметров, чтобы увидеть, соответствует ли он задаче.
В некоторых сценариях, таких как некоторые ситуации, основанные на контекстной информации о задаче, или когда запрос пользователя не может быть выведен параметрами, GameGPT использует упреждающий подход для их решения.
Reviewer привлекает внимание пользователя, запуская подсказку во внешнем интерфейсе и запрашивая дополнительную информацию, необходимую для параметров.
Преимущество этого интерактивного подхода заключается в том, что он обеспечивает целостность деталей аргументации даже в тех случаях, когда автоматических рассуждений недостаточно.
Кроме того, существует еще один агент, отвечающий за выявление зависимостей между задачами и построение диаграммы, инкапсулирующей эти связи. После того, как граф установлен, алгоритм используется для обхода и фильтрации графа, что приводит к определенному порядку выполнения задачи.
Этот процесс гарантирует, что модель может быть выполнена упорядоченно и систематически в соответствии с зависимостями задачи, что приводит к согласованному и структурированному процессу разработки.
Другая проблема заключается в том, что использование LLM для генерации длинного кода сопряжено с большими галлюцинациями и риском избыточности. Чтобы решить эту проблему, исследователи представили новый метод разделения кода, который появляется в игровом дизайне, упростив процесс рассуждений LLM, тем самым значительно смягчив галлюцинации и избыточность.
Такой подход также несложен для понимания — исследователи разделят ожидаемый скрипт на множество более коротких фрагментов кода, которые LLM будет обрабатывать. Такой метод развязки значительно упрощает работу LLM.
Существует также эффективный метод рассуждений, называемый контекстуальным обучением, который также может эффективно смягчить галлюцинации.
Кроме того, еще один метод устранения галлюцинаций, применяемый в GameGPT, включает в себя генерацию набора фрагментов кода K для каждой задачи.
Кроме того, у исследователей есть собственная библиотека с большим количеством фрагментов кода, предназначенных для разработки игр. Каждый фрагмент кода комментируется маркировщиком, что дает четкое описание его назначения.
Подводя итог, можно сказать, что для того, чтобы код не был избыточным и не галлюцинировал, разработчики сделали две подготовки, заранее и на случай.
В то же время упомянутая выше библиотека также является ценным ресурсом для тонкой настройки модели. Проверка и улучшение кода После того, как агент игрового движка генерирует код, он выполняет тщательную проверку и проверку кодовой базы.
Агент проводит тщательную оценку, чтобы выявить любые случаи, которые могут отклоняться от первоначального запроса, или неожиданные галлюцинации в коде.
После тщательной проверки агент может не только отмечать потенциальные различия, но и вносить предложения по улучшению кода, в результате чего получается более разумная версия.
После процесса рецензирования измененный код, а также обратная связь от агента будут переданы инженеру игрового движка, агенту и пользователю через интерфейс фронтенда. Если пользователь сочтет это необходимым, он может предоставить предложения по модификации кода прямо через интерфейс фронтенда.
Затем эти рекомендации передаются агенту проверки кода, который оценивает и выборочно объединяет их для дальнейшего создания совместного и итеративного подхода к улучшению кода.
Наконец, после того, как код сгенерирован и все сделано, ответственность ложится на агента тестирования игрового движка, который отвечает за выполнение сгенерированного кода.
На этом этапе агент также следует последовательности выполнения, установленной на предыдущем этапе.
Специфический процесс выполнения включает в себя отправку кода для каждой отдельной задачи на игровой движок, его выполнение и непрерывное отслеживание во время выполнения, генерацию логов.
После выполнения всех задач, указанных в последовательности выполнения, агент объединяет все журналы, созданные во время выполнения.
В результате получается краткая и исчерпывающая сводка, которая представляется пользователю через интерфейс.
Кроме того, агент инженера по тестированию выявляет и сообщает о любых возвратах, наблюдаемых во время выполнения. Эти обратные трассировки служат ключевыми индикаторами того, что ИИ вносит дальнейшие коррективы в процесс выполнения или код, позволяя совершенствовать весь процесс и помогая создать идеальный конечный продукт.
Наконец, давайте посмотрим на формулу фреймворка для нескольких агентов, работающих одновременно:
Во-первых, в GameGPT у каждого агента есть собственная система памяти, и у них есть доступ к общему общедоступному контенту, чтобы получить необходимую информацию для управления процессом принятия решений.
Для агента i с временным шагом t этот процесс можно выразить следующим образом:
Из-за особенностей индустрии разработки игр и ограничений большой языковой модели наличие нескольких агентов с разными ролями в GameGPT имеет решающее значение.
Учитывая, что циклы разработки игр часто длятся месяцами, использование одного агента с обширной памятью и контекстной информацией может значительно снизить эффективность языковых моделей, включая LLM.
По мере того, как проекты со временем становятся все более сложными, такой подход создает проблемы с масштабируемостью. Кроме того, учитывая ограничение на количество тегов, обрабатываемых LLM, нецелесообразно использовать отдельный агент с полной памятью в больших проектах по разработке игр.
Кроме того, неотъемлемые проблемы, такие как галлюцинации и избыточность, наблюдаемые у магистров права, подчеркивают важность сотрудничества между несколькими агентами, особенно теми, кто играет важную роль.
Это сотрудничество имеет важное значение для смягчения проблем, связанных с иллюзиями и избыточностью LLM.
В результате GameGPT использует ряд различных ролей для облегчения своей работы, включая обязанности на протяжении всего цикла разработки игры.
Эти роли включают в себя дизайнера игрового контента, менеджера по разработке игр, аудитора программ, инженера по разработке игр, аудитора задач, а также инженера игрового движка, аудитора кода и инженера по тестированию игрового движка, упомянутых выше.
На протяжении всего процесса разработки игры каждый персонаж берет на себя разные задачи.
Ресурсы: