Tuyệt vời! Cây kỹ năng GPT đã phát triển trở lại, và bây giờ bạn thậm chí có thể thực hiện trò chơi trực tiếp !?
Bạn biết đấy, thời đại hiện tại không còn là thời đại trong quá khứ khi bạn có thể nắm bắt thị trường bằng cách tạo ra một trò chơi nhỏ. Quá trình phát triển game ngày nay siêu phức tạp.
Hãy bắt đầu với nhân lực, nhân sự của mỗi đội trò chơi được tính bằng hàng chục hoặc thậm chí hàng trăm. Ai đó chịu trách nhiệm lập trình, ai đó chịu trách nhiệm về nghệ thuật, ai đó chịu trách nhiệm bảo trì, v.v.
Mỗi trò chơi cũng có một cơ sở mã và thư viện tài liệu khổng lồ.
Do đó, việc phát triển một trò chơi tuyệt vời đòi hỏi rất nhiều người và rất nhiều thời gian để hoàn thành. Và khoảng thời gian này thường là vài năm.
Trực quan hơn, đó là tiền.
Nhóm trò chơi đã phát triển một kiệt tác mà mọi người sẽ nhớ và yêu thích, và ngân sách sẽ vượt quá 100 triệu đô la.
Mặt khác, sản xuất trò chơi là một loại điện được tạo ra bằng tình yêu.
Bây giờ, mọi thứ đã thay đổi!
Các nhà nghiên cứu đã phát triển một mô hình gọi là GameGPT, có thể tích hợp nhiều tác nhân AI để tự động hóa một số quy trình trong phát triển trò chơi.
Và các đại lý khác nhau thực hiện nhiệm vụ riêng của họ và làm việc một cách có trật tự.
Có các đại lý chịu trách nhiệm xem xét kế hoạch thiết kế của trò chơi và thực hiện các sửa đổi và điều chỉnh tương ứng; Một số chịu trách nhiệm dịch các nhiệm vụ thành mã cụ thể; Một số chịu trách nhiệm kiểm tra mã được tạo ở bước trước và xem xét kết quả đang chạy; Ngoài ra còn có các đại lý chịu trách nhiệm xác minh rằng tất cả các công việc đáp ứng mong đợi ban đầu.
Bằng cách này, bằng cách tinh chỉnh và phân tách quy trình làm việc, GameGPT có thể đơn giản hóa công việc của các tác nhân AI. Loại hiệu suất này hiệu quả hơn và đơn giản hơn nhiều để đạt được so với một tác nhân toàn năng làm mọi thứ.
Các nhà nghiên cứu nói rằng GameGPT có thể đơn giản hóa một số khía cạnh lặp đi lặp lại và cứng nhắc của quy trình phát triển trò chơi truyền thống, chẳng hạn như kiểm tra mã.
Một số lượng lớn các nhà phát triển có thể được giải phóng khỏi công việc kiểm tra phức tạp và tập trung vào các liên kết thiết kế khó khăn hơn không thể thay thế bằng AI.
Tất nhiên, bài báo này vẫn đang trong giai đoạn tương đối sơ bộ. Không có kết quả hoặc thử nghiệm cụ thể để chứng minh cải tiến hiệu suất.
Nói cách khác, chưa ai thực sự phát triển một trò chơi với GameGPT, và mô hình vẫn đang trong giai đoạn khái niệm, và rất khó để đánh giá cho đến khi có kết quả ứng dụng cụ thể và dữ liệu có thể định lượng được.
Tuy nhiên, nó luôn luôn là một hướng để làm việc.
Một số cư dân mạng cho rằng ý kiến của mọi người về LLM có phần thiên vị. Giờ đây, các nhà nghiên cứu có một công cụ giải quyết 100% các vấn đề NLP, trong khi mọi người chỉ quan tâm đến việc tự động hóa một số quy trình công việc nhất định.
Ví dụ: hãy tưởng tượng nếu thế giới trò chơi phản ứng với quyết định của bạn bình thường hơn bạn có thể đánh giá trong năm phút như một công cụ mã hóa cứng, dựa trên quy tắc.
Hãy tưởng tượng nếu một trò chơi có thể ứng biến các nhiệm vụ phụ cho bạn dựa trên các quyết định bạn đưa ra (như tàn sát ngẫu nhiên kẻ thù bạn nhìn thấy trên đường đi, v.v.).
Khi các nhà phát triển tạo ra một hệ thống như vậy, họ sử dụng kỹ thuật gợi ý để hướng dẫn LLM thay vì mã hóa những thứ này.
Tuy nhiên, mục đích của việc này không phải là để tiết kiệm chi phí, mà là để tạo ra các trò chơi ở giai đoạn mà trước đây không thể tạo ra nhiều trò chơi hơn (không phải là một chút miệng).
GameGPT
Đầu tiên, chúng ta hãy xem xét khuôn khổ lớn của mô hình GameGPT - toàn bộ quá trình.
Như bạn có thể thấy, tác giả nhân cách hóa từng tác nhân, thể hiện sinh động hơn cách họ thực hiện nhiệm vụ tương ứng.
Ở phía ngoài cùng bên trái của quy trình là phía người dùng, được nhập vào GameGPT, sau đó người quản lý phát triển và đánh giá lập kế hoạch sơ bộ.
Các yêu cầu sau đó được gửi đến các kỹ sư phát triển, cũng như các kỹ sư công cụ trò chơi, để thực hiện các nhiệm vụ cụ thể và tạo mã.
Cuối cùng, kiểm tra xem có bất kỳ thiếu sót nào không, gửi chúng trở lại phía bên trái và chạy lại. Nếu không, hãy tiếp tục sang phải và kỹ sư phụ trách kiểm tra sẽ thực hiện kiểm tra.
**Trò chơi phát triển AI ?? **
Trên thực tế, sự thô sơ của lịch sử trò chơi do AI phát triển có thể còn quay trở lại xa hơn nữa.
Việc ứng dụng AI trong phát triển trò chơi có thể bắt nguồn từ các trò chơi cổ điển như StarCraft và Diablo. Vào thời điểm đó, các nhà phát triển cần hệ thống AI để tạo ra thế giới ảo và nhân vật tương tác.
Các hệ thống này đã trở thành tiêu chuẩn cho sự phát triển của các nền tảng tương tác như vậy.
Nghiên cứu ban đầu liên quan đến AI trong phát triển trò chơi nhấn mạnh việc kiểm soát các nhân vật không phải người chơi (NPC) và với sự phát triển của công nghệ xử lý ngôn ngữ tự nhiên (NLP), đã có một số công việc tiên phong sử dụng các kỹ thuật học sâu để tạo cấp độ.
Một trong những kiệt tác là MarioGPT, đã tạo ra thành công một số cấp độ trong Super Mario Bros. thông qua mô hình GPT-2 được tinh chỉnh.
LLM đã có những bước tiến lớn trong năm nay, với kết quả tốt trong cả NLP và thị giác máy tính (CV).
Chúng tôi biết rằng đào tạo LLM là một quá trình nhiều giai đoạn. Giai đoạn ban đầu bao gồm đào tạo các mô hình này trong một kho dữ liệu rộng lớn, tạo điều kiện cho việc tiếp thu các kỹ năng ngôn ngữ cơ bản.
Tiếp theo là một giai đoạn quan trọng hơn, đó là tinh chỉnh mô hình bằng cách tạo dữ liệu từ các tác vụ NLP khác nhau thông qua các hướng dẫn. Điều chỉnh lệnh này giúp tăng cường khả năng khái quát hóa của mô hình trong một loạt các ứng dụng, cho phép LLM đạt được hiệu suất không có lỗi trong các tác vụ chưa được thực hiện trong đào tạo trước đó.
Cuối cùng, giai đoạn Học tăng cường phản hồi của con người (RLHF) đảm bảo tính toàn vẹn cấu trúc và độ tin cậy của mô hình.
Một cảnh báo khác ở đây - giai đoạn RLHF cho phép mô hình tạo ra nội dung bắt chước phong cách của con người, nâng cao tính linh hoạt của nó như một tác nhân.
Ngoài ra, những tiến bộ trong LLM đã thúc đẩy tự động hóa các tác nhân trong quá trình phát triển phần mềm. Nhiều nghiên cứu đã tập trung vào câu hỏi làm thế nào để phát triển một tác nhân dựa trên LLM có thể thực hiện các nhiệm vụ khác nhau.
Ví dụ: AutoGPT sử dụng các tác nhân LLM để xử lý các tác vụ ra quyết định nhất định trong thế giới thực, trong khi HuggingGPT sử dụng một LLM duy nhất làm bộ điều khiển để điều phối các tác vụ AI phức tạp hơn.
Mặc dù các phương pháp này dựa trên một tác nhân LLM duy nhất, tất cả đều thêm người đánh giá (người đánh giá trong sơ đồ ở trên) để cải thiện quyết định.
Hoặc lấy AutoGPT làm ví dụ, mô hình sẽ nhận được một số ý kiến phụ trợ từ người học được giám sát để cải thiện hiệu suất của chính nó và HuggingGPT cũng có thể được kết nối với GPT-4 để đưa ra người đánh giá đánh giá tính chính xác của việc ra quyết định.
Có những ví dụ khác, chẳng hạn như MetaGPT, giới thiệu một khung đa tác nhân có thể được sử dụng để tự động hóa việc phát triển các phần mềm khác nhau.
Quay trở lại quá trình phát triển trò chơi mà chúng ta đã thảo luận hôm nay, chúng ta cần biết rằng không giống như phát triển phần mềm nói chung, ngành phát triển trò chơi cần phải theo kịp xu hướng, vì vậy toàn bộ quá trình phát triển phải chính xác và ngắn gọn hơn để đạt được hiệu quả tốt nhất.
Ngoài ra, việc tinh chỉnh và sử dụng một LLM duy nhất để phục vụ toàn bộ chu kỳ phát triển phát triển trò chơi mà không ảo tưởng và độ chính xác cao là không thực tế và tốn kém.
Do đó, khuôn khổ của AI phát triển trò chơi đòi hỏi sự tham gia của nhiều người đánh giá, điều này có thể làm giảm bớt hiệu quả các xu hướng ảo giác vốn có trong các mô hình ngôn ngữ.
Các nhà nghiên cứu cũng phát hiện ra rằng các mô hình ngôn ngữ có một hạn chế khác trong phát triển trò chơi - dự phòng. LLM có thể tạo ra các tác vụ không cần thiết, không có thông tin hoặc đoạn mã khi trò chơi được xây dựng.
Để giải quyết hiệu quả vấn đề ảo tưởng và dư thừa, nhân vật chính ngày nay, GameGPT, có chiến lược thực hiện nhiều cách tiếp cận khác nhau cho vấn đề, bao gồm hợp tác kép, điều chỉnh hướng dẫn thông qua từ vựng nội bộ và tách mã.
Điều đáng chú ý là sự hợp tác kép liên quan đến sự tương tác giữa LLM và các mô hình học sâu nhỏ, cũng như sự tham gia hợp tác giữa tác nhân chịu trách nhiệm thực thi và tác nhân đánh giá.
Các nhà nghiên cứu cho biết những sự phối hợp này đã được chứng minh là có hiệu quả trong việc giảm thiểu ảo tưởng và sự dư thừa của GameGPT.
Giới thiệu về phương pháp
Tiếp theo, các nhà nghiên cứu mổ xẻ sự đổi mới của GameGPT từ toàn bộ quá trình.
Trước hết, trong giai đoạn thiết kế trò chơi, sau khi nhận được yêu cầu của người dùng, nhiệm vụ của GameGPT bao gồm tạo ra một kế hoạch phát triển cho toàn bộ trò chơi. Giai đoạn lập kế hoạch này là một trong những bước quan trọng ảnh hưởng lớn đến tiến độ liền mạch của toàn bộ quá trình phát triển.
Giai đoạn này được lên kế hoạch bởi một người quản lý phát triển trò chơi dựa trên LLM, người đưa ra kế hoạch ban đầu và sau đó chia nhỏ nó thành một danh sách nhiệm vụ.
Điều đáng chú ý là do những hạn chế vốn có của LLM, kế hoạch ban đầu này thường xuất hiện ảo giác, dẫn đến các nhiệm vụ bất ngờ, bao gồm các nhiệm vụ không có thông tin hoặc dư thừa không cần thiết.
Để giải quyết những vấn đề này, các nhà nghiên cứu đã đề xuất bốn chiến lược có thể giảm thiểu những thách thức trực giao với nhau và có thể được thực hiện theo từng lớp để có kết quả tốt hơn.
Tình huống một: Phân loại các yêu cầu đến để xác định loại trò chơi. Hiện tại, khung GameGPT hỗ trợ phát triển năm thể loại game khác nhau, đó là: hành động, chiến lược, nhập vai, mô phỏng và phiêu lưu.
Đối với mỗi loại, các nhà nghiên cứu cung cấp các mẫu lập kế hoạch tiêu chuẩn hướng dẫn các đại lý quản lý phát triển trò chơi thông qua các mẫu có thông tin liên quan.
Bằng cách áp dụng phương pháp này, tần suất của các nhiệm vụ dư thừa giảm đáng kể, trong khi khả năng ảo giác xảy ra.
Chiến lược hai: liên quan đến sự tham gia của đại lý giám khảo chương trình, một đại lý dựa trên LLM khác. Đặc vụ này hoạt động với một thiết kế cẩn thận để cung cấp một đánh giá toàn diện về kế hoạch nhiệm vụ.
Mục tiêu chính của nó là giảm thiểu sự xuất hiện của ảo giác và dư thừa. Chương trình đánh giá đại lý này cung cấp phản hồi để cải thiện và tăng độ chính xác, hiệu quả và đơn giản của nó.
Đồng thời, các hướng dẫn được tạo trong phần này có thể được sử dụng làm đầu vào mới cho đại lý của người quản lý phát triển trò chơi, giúp kế hoạch nhiệm vụ chính xác và hoàn hảo hơn.
Chiến lược 3: Điều chỉnh LLM của đại lý của người quản lý phát triển trò chơi thông qua các hướng dẫn đặc biệt để lập kế hoạch tốt hơn ở cấp độ phát triển trò chơi. Mục đích của quá trình tinh chỉnh này là cho phép mô hình tạo ra một kế hoạch vừa chính xác vừa ngắn gọn.
Để thuận tiện, nhóm nghiên cứu đã thu thập và tích hợp một bộ dữ liệu nội bộ bao gồm nhiều kết hợp đầu vào và đầu ra. Mặc dù các kết hợp này không phù hợp với định dạng chuẩn về độ dài hoặc cấu trúc, nhưng tất cả chúng đều xoay quanh các yêu cầu phát triển trò chơi.
Phần này của hỗn hợp cố định được cung cấp bởi các nhà phát triển trong ngành.
Bằng cách áp dụng phương pháp này, các nhà nghiên cứu đã thu hẹp khoảng cách giữa các kỹ năng ngôn ngữ chung của LLM và kỹ năng lập kế hoạch phát triển trò chơi.
Chiến lược 4: "Mạng lưới an toàn" trong giai đoạn lập kế hoạch. Trong suốt quá trình lập kế hoạch, Đại lý quản lý phát triển trò chơi luôn chia sẻ kết quả tạm thời với người dùng trên giao diện front-end, cho phép các đại lý còn lại luôn biết quá trình phát triển nào đang được tiến hành.
Để tăng cường điều này, các nhà nghiên cứu đã tích hợp một cách tiếp cận tương tác cho phép người dùng chủ động xem xét, sửa chữa và nâng cao các kế hoạch dựa trên mong đợi của họ. Cách tiếp cận này cũng đảm bảo tính nhất quán giữa kế hoạch thiết kế và nhu cầu của người dùng.
Với những chiến lược này, chúng ta hãy xem xét những ưu điểm của GameGPT.
Đầu tiên, quá trình phân loại nhiệm vụ trong mô hình này đòi hỏi độ chính xác cao trong việc xác định các loại nhiệm vụ và các tham số tương ứng của chúng.
Vì vậy, để đảm bảo tính chính xác ở giai đoạn này, các nhà nghiên cứu đã tạo ra một tác nhân gọi là kỹ sư phát triển trò chơi. Tác nhân bao gồm hai mô hình làm việc cùng nhau để tham gia vào quá trình phân loại nhiệm vụ.
Cách tiếp cận hợp tác này cải thiện độ chính xác và hiệu quả của việc xác định nhiệm vụ. Đồng thời, để tránh sự xuất hiện của ảo ảnh LLM và cải thiện độ chính xác của phân loại nhiệm vụ, các nhà nghiên cứu đã cung cấp một danh sách các loại nhiệm vụ có thể xuất hiện trong phát triển trò chơi.
Để phân loại tốt hơn điều này, họ đã áp dụng mô hình BERT.
Mô hình BERT đã được đào tạo đầy đủ với một bộ dữ liệu nội bộ. Tập dữ liệu này chứa các mục dữ liệu phù hợp với nhiệm vụ phát triển trò chơi. Đầu vào được rút ra từ một danh sách được xác định trước và đầu ra tương ứng với danh mục được chỉ định của tác vụ.
Việc xem xét các loại nhiệm vụ và tham số được thực hiện ở giai đoạn này và một tác nhân được gọi là người đánh giá nhiệm vụ được giới thiệu, chịu trách nhiệm chính cho việc xác định từng loại và liệu các tham số có hợp lý hay không.
Quá trình xem xét bao gồm xem xét liệu loại nhiệm vụ có nằm trong phạm vi được xác định trước hay không và liệu đó có phải là nhiệm vụ phù hợp nhất hay không. Đồng thời, nó cũng kiểm tra danh sách tham số để xem nó có phù hợp với tác vụ hay không.
Trong một số tình huống, chẳng hạn như một số tình huống dựa trên thông tin tác vụ theo ngữ cảnh hoặc khi yêu cầu của người dùng không thể suy ra các tham số, GameGPT thực hiện một cách tiếp cận chủ động để giải quyết chúng.
Người đánh giá thu hút sự chú ý của người dùng bằng cách khởi chạy lời nhắc trên giao diện front-end và yêu cầu thông tin bổ sung cần thiết cho các tham số.
Lợi ích của cách tiếp cận tương tác này là nó đảm bảo tính toàn vẹn của các chi tiết của lập luận ngay cả khi lý luận tự động là không đủ.
Ngoài ra, có một tác nhân khác chịu trách nhiệm xác định sự phụ thuộc giữa các nhiệm vụ và xây dựng sơ đồ gói gọn các mối quan hệ này. Sau khi biểu đồ được thiết lập, một thuật toán được sử dụng để đi qua và lọc biểu đồ, dẫn đến một thứ tự thực hiện tác vụ xác định.
Quá trình này đảm bảo rằng mô hình có thể được thực hiện có trật tự và có hệ thống theo các phụ thuộc của nhiệm vụ, dẫn đến một quá trình phát triển mạch lạc và có cấu trúc.
Một vấn đề khác là việc sử dụng LLM để tạo mã dài mang ảo giác lớn hơn và nguy cơ dư thừa. Để giải quyết vấn đề này, các nhà nghiên cứu đã giới thiệu một phương pháp mới để tách mã xuất hiện trong thiết kế trò chơi, đơn giản hóa quá trình suy luận của LLM, do đó giảm thiểu đáng kể ảo giác và dư thừa.
Cách tiếp cận này cũng không khó hiểu - các nhà nghiên cứu sẽ chia kịch bản dự kiến thành nhiều đoạn mã ngắn hơn để LLM xử lý. Phương pháp tách rời này đơn giản hóa rất nhiều công việc của LLM.
Ngoài ra còn có một phương pháp lý luận hiệu quả được gọi là học theo ngữ cảnh, cũng có thể giảm thiểu ảo giác một cách hiệu quả.
Ngoài ra, một kỹ thuật loại bỏ ảo giác khác được áp dụng trong GameGPT liên quan đến việc tạo một bộ đoạn mã K cho mỗi tác vụ.
Các đoạn mã này sau đó được kiểm tra trong môi trường ảo và được trình bày cho người dùng cùng một lúc. Cả quá trình kiểm thử và phản hồi của người dùng đều được sử dụng để xác định và loại bỏ các đoạn mã có vấn đề, chỉ để lại tùy chọn khả thi nhất để thực thi. Cách tiếp cận này cũng giúp giảm hơn nữa sự xuất hiện của ảo giác.
Ngoài ra, các nhà nghiên cứu có một thư viện nội bộ với một số lượng lớn các đoạn mã được thiết kế để phát triển trò chơi. Mỗi đoạn mã được nhận xét bởi một labeler, cung cấp một mô tả rõ ràng về mục đích dự định của nó.
Tóm lại, để làm cho mã không dư thừa và không bị ảo giác, các nhà phát triển đã thực hiện hai sự chuẩn bị, trước và trong sự kiện.
Đồng thời, thư viện kể trên cũng là một nguồn tài nguyên quý giá để tinh chỉnh mô hình. Đánh giá và cải tiến mã Sau khi tác nhân công cụ trò chơi tạo mã, tác nhân đánh giá mã sẽ thực hiện đánh giá và xem xét kỹ lưỡng cơ sở mã.
Tác nhân tiến hành đánh giá kỹ lưỡng trong nỗ lực xác định bất kỳ trường hợp nào có thể sai lệch so với yêu cầu ban đầu hoặc ảo giác bất ngờ trong mã.
Sau khi xem xét kỹ lưỡng, tổng đài viên không chỉ có thể gắn cờ các khác biệt tiềm ẩn mà còn cung cấp các đề xuất để cải thiện mã, dẫn đến phiên bản hợp lý hơn.
Sau quá trình xem xét, mã đã sửa đổi, cũng như phản hồi từ tác nhân, sẽ được chia sẻ với kỹ sư công cụ trò chơi, đại lý và người dùng thông qua giao diện front-end. Nếu người dùng thấy cần thiết, anh ta có thể cung cấp các đề xuất sửa đổi mã trực tiếp thông qua giao diện front-end.
Những khuyến nghị này sau đó được chuyển cho tác nhân đánh giá mã, đánh giá và hợp nhất có chọn lọc chúng để tiếp tục tạo ra một cách tiếp cận hợp tác và lặp đi lặp lại để nâng cao mã.
Cuối cùng, khi mã được tạo và mọi thứ được thực hiện, trách nhiệm thuộc về đại lý kiểm tra công cụ trò chơi, chịu trách nhiệm thực thi mã được tạo.
Ở giai đoạn này, tác nhân cũng tuân theo trình tự thực thi được thiết lập trong giai đoạn trước.
Quá trình thực thi cụ thể liên quan đến việc gửi mã cho từng tác vụ riêng lẻ đến công cụ trò chơi, thực thi nó và liên tục theo dõi nó trong quá trình thực thi, tạo nhật ký.
Sau khi hoàn thành tất cả các tác vụ được chỉ định trong trình tự thực thi, tổng đài viên sẽ hợp nhất tất cả nhật ký được tạo trong suốt quá trình thực thi.
Kết quả là một bản tóm tắt ngắn gọn và toàn diện được trình bày cho người dùng thông qua giao diện front-end.
Ngoài ra, tác nhân kỹ sư kiểm thử xác định và báo cáo sự xuất hiện của bất kỳ backtracking nào được quan sát thấy trong quá trình thực hiện. Những dấu vết ngược này đóng vai trò là chỉ số chính cho thấy AI thực hiện các điều chỉnh tiếp theo đối với quy trình thực thi hoặc mã, cho phép toàn bộ quá trình được tinh chỉnh và giúp tạo ra một sản phẩm cuối cùng hoàn hảo.
Cuối cùng, hãy xem xét công thức khung cho nhiều tác nhân làm việc cùng một lúc:
Đầu tiên, trong GameGPT, mỗi đại lý có một hệ thống bộ nhớ riêng và họ có quyền truy cập vào nội dung công khai được chia sẻ để có được thông tin cần thiết để hướng dẫn quá trình ra quyết định của họ.
Đối với tác nhân i với bước thời gian t, quá trình này có thể được biểu thị như sau:
trong đó pθi tương ứng với LLM hoặc mô hình chuyên gia liên quan đến tác nhân i, Oit đại diện cho đầu ra hoặc phân phối của tác nhân i tại bước t thời gian và Mit và Pt đề cập đến tất cả các ký ức riêng tư và hồ sơ công khai cần thiết trong bước thời gian t, tương ứng.
Do đặc thù của ngành phát triển trò chơi và những hạn chế của mô hình ngôn ngữ lớn, sự hiện diện của nhiều tác nhân với các vai trò khác nhau trong GameGPT là rất quan trọng.
Do chu kỳ phát triển trò chơi thường kéo dài hàng tháng, việc dựa vào một tác nhân duy nhất có bộ nhớ toàn diện và thông tin theo ngữ cảnh có thể làm giảm đáng kể hiệu quả của các mô hình ngôn ngữ, bao gồm cả LLM.
Khi các dự án trở nên phức tạp hơn theo thời gian, cách tiếp cận này đưa ra những thách thức về khả năng mở rộng. Ngoài ra, do giới hạn về số lượng thẻ được xử lý bởi LLM, việc sử dụng một tác nhân riêng biệt có bộ nhớ đầy đủ trong các dự án phát triển trò chơi lớn là không thực tế.
Ngoài ra, các vấn đề cố hữu như ảo giác và dư thừa được quan sát thấy trong LLM làm nổi bật tầm quan trọng của sự hợp tác giữa nhiều tác nhân, đặc biệt là những người có vai trò quan trọng.
Sự hợp tác này có ý nghĩa quan trọng trong việc giảm thiểu những thách thức đặt ra bởi ảo tưởng LLM và sự dư thừa.
Do đó, GameGPT sử dụng một loạt các vai trò khác nhau để tạo điều kiện thuận lợi cho hoạt động của mình, bao gồm cả trách nhiệm trong suốt chu kỳ phát triển trò chơi.
Những vai trò này bao gồm nhà thiết kế nội dung trò chơi, quản lý phát triển trò chơi, kiểm toán viên chương trình, kỹ sư phát triển trò chơi, kiểm toán viên tác vụ, cũng như kỹ sư công cụ trò chơi, kiểm toán viên mã và kỹ sư kiểm tra công cụ trò chơi được đề cập ở trên.
Xuyên suốt quá trình phát triển game, mỗi nhân vật đảm nhận những nhiệm vụ khác nhau.
Tài nguyên:
Xem bản gốc
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
GameGPT bước vào sản xuất game! Trò chơi được tạo hoàn toàn tự động, thời gian có thể giảm gấp trăm lần
Nguồn gốc: Shin Ji Yuan
Tuyệt vời! Cây kỹ năng GPT đã phát triển trở lại, và bây giờ bạn thậm chí có thể thực hiện trò chơi trực tiếp !?
Bạn biết đấy, thời đại hiện tại không còn là thời đại trong quá khứ khi bạn có thể nắm bắt thị trường bằng cách tạo ra một trò chơi nhỏ. Quá trình phát triển game ngày nay siêu phức tạp.
Hãy bắt đầu với nhân lực, nhân sự của mỗi đội trò chơi được tính bằng hàng chục hoặc thậm chí hàng trăm. Ai đó chịu trách nhiệm lập trình, ai đó chịu trách nhiệm về nghệ thuật, ai đó chịu trách nhiệm bảo trì, v.v.
Mỗi trò chơi cũng có một cơ sở mã và thư viện tài liệu khổng lồ.
Do đó, việc phát triển một trò chơi tuyệt vời đòi hỏi rất nhiều người và rất nhiều thời gian để hoàn thành. Và khoảng thời gian này thường là vài năm.
Nhóm trò chơi đã phát triển một kiệt tác mà mọi người sẽ nhớ và yêu thích, và ngân sách sẽ vượt quá 100 triệu đô la.
Mặt khác, sản xuất trò chơi là một loại điện được tạo ra bằng tình yêu.
Bây giờ, mọi thứ đã thay đổi!
Các nhà nghiên cứu đã phát triển một mô hình gọi là GameGPT, có thể tích hợp nhiều tác nhân AI để tự động hóa một số quy trình trong phát triển trò chơi.
Và các đại lý khác nhau thực hiện nhiệm vụ riêng của họ và làm việc một cách có trật tự.
Có các đại lý chịu trách nhiệm xem xét kế hoạch thiết kế của trò chơi và thực hiện các sửa đổi và điều chỉnh tương ứng; Một số chịu trách nhiệm dịch các nhiệm vụ thành mã cụ thể; Một số chịu trách nhiệm kiểm tra mã được tạo ở bước trước và xem xét kết quả đang chạy; Ngoài ra còn có các đại lý chịu trách nhiệm xác minh rằng tất cả các công việc đáp ứng mong đợi ban đầu.
Các nhà nghiên cứu nói rằng GameGPT có thể đơn giản hóa một số khía cạnh lặp đi lặp lại và cứng nhắc của quy trình phát triển trò chơi truyền thống, chẳng hạn như kiểm tra mã.
Một số lượng lớn các nhà phát triển có thể được giải phóng khỏi công việc kiểm tra phức tạp và tập trung vào các liên kết thiết kế khó khăn hơn không thể thay thế bằng AI.
Tất nhiên, bài báo này vẫn đang trong giai đoạn tương đối sơ bộ. Không có kết quả hoặc thử nghiệm cụ thể để chứng minh cải tiến hiệu suất.
Nói cách khác, chưa ai thực sự phát triển một trò chơi với GameGPT, và mô hình vẫn đang trong giai đoạn khái niệm, và rất khó để đánh giá cho đến khi có kết quả ứng dụng cụ thể và dữ liệu có thể định lượng được.
Tuy nhiên, nó luôn luôn là một hướng để làm việc.
Một số cư dân mạng cho rằng ý kiến của mọi người về LLM có phần thiên vị. Giờ đây, các nhà nghiên cứu có một công cụ giải quyết 100% các vấn đề NLP, trong khi mọi người chỉ quan tâm đến việc tự động hóa một số quy trình công việc nhất định.
Ví dụ: hãy tưởng tượng nếu thế giới trò chơi phản ứng với quyết định của bạn bình thường hơn bạn có thể đánh giá trong năm phút như một công cụ mã hóa cứng, dựa trên quy tắc.
Hãy tưởng tượng nếu một trò chơi có thể ứng biến các nhiệm vụ phụ cho bạn dựa trên các quyết định bạn đưa ra (như tàn sát ngẫu nhiên kẻ thù bạn nhìn thấy trên đường đi, v.v.).
Khi các nhà phát triển tạo ra một hệ thống như vậy, họ sử dụng kỹ thuật gợi ý để hướng dẫn LLM thay vì mã hóa những thứ này.
Tuy nhiên, mục đích của việc này không phải là để tiết kiệm chi phí, mà là để tạo ra các trò chơi ở giai đoạn mà trước đây không thể tạo ra nhiều trò chơi hơn (không phải là một chút miệng).
GameGPT
Đầu tiên, chúng ta hãy xem xét khuôn khổ lớn của mô hình GameGPT - toàn bộ quá trình.
Ở phía ngoài cùng bên trái của quy trình là phía người dùng, được nhập vào GameGPT, sau đó người quản lý phát triển và đánh giá lập kế hoạch sơ bộ.
Các yêu cầu sau đó được gửi đến các kỹ sư phát triển, cũng như các kỹ sư công cụ trò chơi, để thực hiện các nhiệm vụ cụ thể và tạo mã.
Cuối cùng, kiểm tra xem có bất kỳ thiếu sót nào không, gửi chúng trở lại phía bên trái và chạy lại. Nếu không, hãy tiếp tục sang phải và kỹ sư phụ trách kiểm tra sẽ thực hiện kiểm tra.
**Trò chơi phát triển AI ?? **
Trên thực tế, sự thô sơ của lịch sử trò chơi do AI phát triển có thể còn quay trở lại xa hơn nữa.
Việc ứng dụng AI trong phát triển trò chơi có thể bắt nguồn từ các trò chơi cổ điển như StarCraft và Diablo. Vào thời điểm đó, các nhà phát triển cần hệ thống AI để tạo ra thế giới ảo và nhân vật tương tác.
Các hệ thống này đã trở thành tiêu chuẩn cho sự phát triển của các nền tảng tương tác như vậy.
Nghiên cứu ban đầu liên quan đến AI trong phát triển trò chơi nhấn mạnh việc kiểm soát các nhân vật không phải người chơi (NPC) và với sự phát triển của công nghệ xử lý ngôn ngữ tự nhiên (NLP), đã có một số công việc tiên phong sử dụng các kỹ thuật học sâu để tạo cấp độ.
Một trong những kiệt tác là MarioGPT, đã tạo ra thành công một số cấp độ trong Super Mario Bros. thông qua mô hình GPT-2 được tinh chỉnh.
LLM đã có những bước tiến lớn trong năm nay, với kết quả tốt trong cả NLP và thị giác máy tính (CV).
Chúng tôi biết rằng đào tạo LLM là một quá trình nhiều giai đoạn. Giai đoạn ban đầu bao gồm đào tạo các mô hình này trong một kho dữ liệu rộng lớn, tạo điều kiện cho việc tiếp thu các kỹ năng ngôn ngữ cơ bản.
Tiếp theo là một giai đoạn quan trọng hơn, đó là tinh chỉnh mô hình bằng cách tạo dữ liệu từ các tác vụ NLP khác nhau thông qua các hướng dẫn. Điều chỉnh lệnh này giúp tăng cường khả năng khái quát hóa của mô hình trong một loạt các ứng dụng, cho phép LLM đạt được hiệu suất không có lỗi trong các tác vụ chưa được thực hiện trong đào tạo trước đó.
Cuối cùng, giai đoạn Học tăng cường phản hồi của con người (RLHF) đảm bảo tính toàn vẹn cấu trúc và độ tin cậy của mô hình.
Ngoài ra, những tiến bộ trong LLM đã thúc đẩy tự động hóa các tác nhân trong quá trình phát triển phần mềm. Nhiều nghiên cứu đã tập trung vào câu hỏi làm thế nào để phát triển một tác nhân dựa trên LLM có thể thực hiện các nhiệm vụ khác nhau.
Ví dụ: AutoGPT sử dụng các tác nhân LLM để xử lý các tác vụ ra quyết định nhất định trong thế giới thực, trong khi HuggingGPT sử dụng một LLM duy nhất làm bộ điều khiển để điều phối các tác vụ AI phức tạp hơn.
Mặc dù các phương pháp này dựa trên một tác nhân LLM duy nhất, tất cả đều thêm người đánh giá (người đánh giá trong sơ đồ ở trên) để cải thiện quyết định.
Hoặc lấy AutoGPT làm ví dụ, mô hình sẽ nhận được một số ý kiến phụ trợ từ người học được giám sát để cải thiện hiệu suất của chính nó và HuggingGPT cũng có thể được kết nối với GPT-4 để đưa ra người đánh giá đánh giá tính chính xác của việc ra quyết định.
Có những ví dụ khác, chẳng hạn như MetaGPT, giới thiệu một khung đa tác nhân có thể được sử dụng để tự động hóa việc phát triển các phần mềm khác nhau.
Quay trở lại quá trình phát triển trò chơi mà chúng ta đã thảo luận hôm nay, chúng ta cần biết rằng không giống như phát triển phần mềm nói chung, ngành phát triển trò chơi cần phải theo kịp xu hướng, vì vậy toàn bộ quá trình phát triển phải chính xác và ngắn gọn hơn để đạt được hiệu quả tốt nhất.
Ngoài ra, việc tinh chỉnh và sử dụng một LLM duy nhất để phục vụ toàn bộ chu kỳ phát triển phát triển trò chơi mà không ảo tưởng và độ chính xác cao là không thực tế và tốn kém.
Do đó, khuôn khổ của AI phát triển trò chơi đòi hỏi sự tham gia của nhiều người đánh giá, điều này có thể làm giảm bớt hiệu quả các xu hướng ảo giác vốn có trong các mô hình ngôn ngữ.
Các nhà nghiên cứu cũng phát hiện ra rằng các mô hình ngôn ngữ có một hạn chế khác trong phát triển trò chơi - dự phòng. LLM có thể tạo ra các tác vụ không cần thiết, không có thông tin hoặc đoạn mã khi trò chơi được xây dựng.
Để giải quyết hiệu quả vấn đề ảo tưởng và dư thừa, nhân vật chính ngày nay, GameGPT, có chiến lược thực hiện nhiều cách tiếp cận khác nhau cho vấn đề, bao gồm hợp tác kép, điều chỉnh hướng dẫn thông qua từ vựng nội bộ và tách mã.
Điều đáng chú ý là sự hợp tác kép liên quan đến sự tương tác giữa LLM và các mô hình học sâu nhỏ, cũng như sự tham gia hợp tác giữa tác nhân chịu trách nhiệm thực thi và tác nhân đánh giá.
Các nhà nghiên cứu cho biết những sự phối hợp này đã được chứng minh là có hiệu quả trong việc giảm thiểu ảo tưởng và sự dư thừa của GameGPT.
Giới thiệu về phương pháp
Tiếp theo, các nhà nghiên cứu mổ xẻ sự đổi mới của GameGPT từ toàn bộ quá trình.
Trước hết, trong giai đoạn thiết kế trò chơi, sau khi nhận được yêu cầu của người dùng, nhiệm vụ của GameGPT bao gồm tạo ra một kế hoạch phát triển cho toàn bộ trò chơi. Giai đoạn lập kế hoạch này là một trong những bước quan trọng ảnh hưởng lớn đến tiến độ liền mạch của toàn bộ quá trình phát triển.
Giai đoạn này được lên kế hoạch bởi một người quản lý phát triển trò chơi dựa trên LLM, người đưa ra kế hoạch ban đầu và sau đó chia nhỏ nó thành một danh sách nhiệm vụ.
Điều đáng chú ý là do những hạn chế vốn có của LLM, kế hoạch ban đầu này thường xuất hiện ảo giác, dẫn đến các nhiệm vụ bất ngờ, bao gồm các nhiệm vụ không có thông tin hoặc dư thừa không cần thiết.
Để giải quyết những vấn đề này, các nhà nghiên cứu đã đề xuất bốn chiến lược có thể giảm thiểu những thách thức trực giao với nhau và có thể được thực hiện theo từng lớp để có kết quả tốt hơn.
Tình huống một: Phân loại các yêu cầu đến để xác định loại trò chơi. Hiện tại, khung GameGPT hỗ trợ phát triển năm thể loại game khác nhau, đó là: hành động, chiến lược, nhập vai, mô phỏng và phiêu lưu.
Đối với mỗi loại, các nhà nghiên cứu cung cấp các mẫu lập kế hoạch tiêu chuẩn hướng dẫn các đại lý quản lý phát triển trò chơi thông qua các mẫu có thông tin liên quan.
Bằng cách áp dụng phương pháp này, tần suất của các nhiệm vụ dư thừa giảm đáng kể, trong khi khả năng ảo giác xảy ra.
Chiến lược hai: liên quan đến sự tham gia của đại lý giám khảo chương trình, một đại lý dựa trên LLM khác. Đặc vụ này hoạt động với một thiết kế cẩn thận để cung cấp một đánh giá toàn diện về kế hoạch nhiệm vụ.
Mục tiêu chính của nó là giảm thiểu sự xuất hiện của ảo giác và dư thừa. Chương trình đánh giá đại lý này cung cấp phản hồi để cải thiện và tăng độ chính xác, hiệu quả và đơn giản của nó.
Đồng thời, các hướng dẫn được tạo trong phần này có thể được sử dụng làm đầu vào mới cho đại lý của người quản lý phát triển trò chơi, giúp kế hoạch nhiệm vụ chính xác và hoàn hảo hơn.
Chiến lược 3: Điều chỉnh LLM của đại lý của người quản lý phát triển trò chơi thông qua các hướng dẫn đặc biệt để lập kế hoạch tốt hơn ở cấp độ phát triển trò chơi. Mục đích của quá trình tinh chỉnh này là cho phép mô hình tạo ra một kế hoạch vừa chính xác vừa ngắn gọn.
Để thuận tiện, nhóm nghiên cứu đã thu thập và tích hợp một bộ dữ liệu nội bộ bao gồm nhiều kết hợp đầu vào và đầu ra. Mặc dù các kết hợp này không phù hợp với định dạng chuẩn về độ dài hoặc cấu trúc, nhưng tất cả chúng đều xoay quanh các yêu cầu phát triển trò chơi.
Bằng cách áp dụng phương pháp này, các nhà nghiên cứu đã thu hẹp khoảng cách giữa các kỹ năng ngôn ngữ chung của LLM và kỹ năng lập kế hoạch phát triển trò chơi.
Chiến lược 4: "Mạng lưới an toàn" trong giai đoạn lập kế hoạch. Trong suốt quá trình lập kế hoạch, Đại lý quản lý phát triển trò chơi luôn chia sẻ kết quả tạm thời với người dùng trên giao diện front-end, cho phép các đại lý còn lại luôn biết quá trình phát triển nào đang được tiến hành.
Để tăng cường điều này, các nhà nghiên cứu đã tích hợp một cách tiếp cận tương tác cho phép người dùng chủ động xem xét, sửa chữa và nâng cao các kế hoạch dựa trên mong đợi của họ. Cách tiếp cận này cũng đảm bảo tính nhất quán giữa kế hoạch thiết kế và nhu cầu của người dùng.
Với những chiến lược này, chúng ta hãy xem xét những ưu điểm của GameGPT.
Vì vậy, để đảm bảo tính chính xác ở giai đoạn này, các nhà nghiên cứu đã tạo ra một tác nhân gọi là kỹ sư phát triển trò chơi. Tác nhân bao gồm hai mô hình làm việc cùng nhau để tham gia vào quá trình phân loại nhiệm vụ.
Cách tiếp cận hợp tác này cải thiện độ chính xác và hiệu quả của việc xác định nhiệm vụ. Đồng thời, để tránh sự xuất hiện của ảo ảnh LLM và cải thiện độ chính xác của phân loại nhiệm vụ, các nhà nghiên cứu đã cung cấp một danh sách các loại nhiệm vụ có thể xuất hiện trong phát triển trò chơi.
Để phân loại tốt hơn điều này, họ đã áp dụng mô hình BERT.
Mô hình BERT đã được đào tạo đầy đủ với một bộ dữ liệu nội bộ. Tập dữ liệu này chứa các mục dữ liệu phù hợp với nhiệm vụ phát triển trò chơi. Đầu vào được rút ra từ một danh sách được xác định trước và đầu ra tương ứng với danh mục được chỉ định của tác vụ.
Việc xem xét các loại nhiệm vụ và tham số được thực hiện ở giai đoạn này và một tác nhân được gọi là người đánh giá nhiệm vụ được giới thiệu, chịu trách nhiệm chính cho việc xác định từng loại và liệu các tham số có hợp lý hay không.
Quá trình xem xét bao gồm xem xét liệu loại nhiệm vụ có nằm trong phạm vi được xác định trước hay không và liệu đó có phải là nhiệm vụ phù hợp nhất hay không. Đồng thời, nó cũng kiểm tra danh sách tham số để xem nó có phù hợp với tác vụ hay không.
Trong một số tình huống, chẳng hạn như một số tình huống dựa trên thông tin tác vụ theo ngữ cảnh hoặc khi yêu cầu của người dùng không thể suy ra các tham số, GameGPT thực hiện một cách tiếp cận chủ động để giải quyết chúng.
Người đánh giá thu hút sự chú ý của người dùng bằng cách khởi chạy lời nhắc trên giao diện front-end và yêu cầu thông tin bổ sung cần thiết cho các tham số.
Lợi ích của cách tiếp cận tương tác này là nó đảm bảo tính toàn vẹn của các chi tiết của lập luận ngay cả khi lý luận tự động là không đủ.
Ngoài ra, có một tác nhân khác chịu trách nhiệm xác định sự phụ thuộc giữa các nhiệm vụ và xây dựng sơ đồ gói gọn các mối quan hệ này. Sau khi biểu đồ được thiết lập, một thuật toán được sử dụng để đi qua và lọc biểu đồ, dẫn đến một thứ tự thực hiện tác vụ xác định.
Quá trình này đảm bảo rằng mô hình có thể được thực hiện có trật tự và có hệ thống theo các phụ thuộc của nhiệm vụ, dẫn đến một quá trình phát triển mạch lạc và có cấu trúc.
Một vấn đề khác là việc sử dụng LLM để tạo mã dài mang ảo giác lớn hơn và nguy cơ dư thừa. Để giải quyết vấn đề này, các nhà nghiên cứu đã giới thiệu một phương pháp mới để tách mã xuất hiện trong thiết kế trò chơi, đơn giản hóa quá trình suy luận của LLM, do đó giảm thiểu đáng kể ảo giác và dư thừa.
Cách tiếp cận này cũng không khó hiểu - các nhà nghiên cứu sẽ chia kịch bản dự kiến thành nhiều đoạn mã ngắn hơn để LLM xử lý. Phương pháp tách rời này đơn giản hóa rất nhiều công việc của LLM.
Ngoài ra còn có một phương pháp lý luận hiệu quả được gọi là học theo ngữ cảnh, cũng có thể giảm thiểu ảo giác một cách hiệu quả.
Ngoài ra, một kỹ thuật loại bỏ ảo giác khác được áp dụng trong GameGPT liên quan đến việc tạo một bộ đoạn mã K cho mỗi tác vụ.
Ngoài ra, các nhà nghiên cứu có một thư viện nội bộ với một số lượng lớn các đoạn mã được thiết kế để phát triển trò chơi. Mỗi đoạn mã được nhận xét bởi một labeler, cung cấp một mô tả rõ ràng về mục đích dự định của nó.
Tóm lại, để làm cho mã không dư thừa và không bị ảo giác, các nhà phát triển đã thực hiện hai sự chuẩn bị, trước và trong sự kiện.
Đồng thời, thư viện kể trên cũng là một nguồn tài nguyên quý giá để tinh chỉnh mô hình. Đánh giá và cải tiến mã Sau khi tác nhân công cụ trò chơi tạo mã, tác nhân đánh giá mã sẽ thực hiện đánh giá và xem xét kỹ lưỡng cơ sở mã.
Tác nhân tiến hành đánh giá kỹ lưỡng trong nỗ lực xác định bất kỳ trường hợp nào có thể sai lệch so với yêu cầu ban đầu hoặc ảo giác bất ngờ trong mã.
Sau khi xem xét kỹ lưỡng, tổng đài viên không chỉ có thể gắn cờ các khác biệt tiềm ẩn mà còn cung cấp các đề xuất để cải thiện mã, dẫn đến phiên bản hợp lý hơn.
Sau quá trình xem xét, mã đã sửa đổi, cũng như phản hồi từ tác nhân, sẽ được chia sẻ với kỹ sư công cụ trò chơi, đại lý và người dùng thông qua giao diện front-end. Nếu người dùng thấy cần thiết, anh ta có thể cung cấp các đề xuất sửa đổi mã trực tiếp thông qua giao diện front-end.
Những khuyến nghị này sau đó được chuyển cho tác nhân đánh giá mã, đánh giá và hợp nhất có chọn lọc chúng để tiếp tục tạo ra một cách tiếp cận hợp tác và lặp đi lặp lại để nâng cao mã.
Cuối cùng, khi mã được tạo và mọi thứ được thực hiện, trách nhiệm thuộc về đại lý kiểm tra công cụ trò chơi, chịu trách nhiệm thực thi mã được tạo.
Ở giai đoạn này, tác nhân cũng tuân theo trình tự thực thi được thiết lập trong giai đoạn trước.
Quá trình thực thi cụ thể liên quan đến việc gửi mã cho từng tác vụ riêng lẻ đến công cụ trò chơi, thực thi nó và liên tục theo dõi nó trong quá trình thực thi, tạo nhật ký.
Sau khi hoàn thành tất cả các tác vụ được chỉ định trong trình tự thực thi, tổng đài viên sẽ hợp nhất tất cả nhật ký được tạo trong suốt quá trình thực thi.
Kết quả là một bản tóm tắt ngắn gọn và toàn diện được trình bày cho người dùng thông qua giao diện front-end.
Ngoài ra, tác nhân kỹ sư kiểm thử xác định và báo cáo sự xuất hiện của bất kỳ backtracking nào được quan sát thấy trong quá trình thực hiện. Những dấu vết ngược này đóng vai trò là chỉ số chính cho thấy AI thực hiện các điều chỉnh tiếp theo đối với quy trình thực thi hoặc mã, cho phép toàn bộ quá trình được tinh chỉnh và giúp tạo ra một sản phẩm cuối cùng hoàn hảo.
Cuối cùng, hãy xem xét công thức khung cho nhiều tác nhân làm việc cùng một lúc:
Đầu tiên, trong GameGPT, mỗi đại lý có một hệ thống bộ nhớ riêng và họ có quyền truy cập vào nội dung công khai được chia sẻ để có được thông tin cần thiết để hướng dẫn quá trình ra quyết định của họ.
Đối với tác nhân i với bước thời gian t, quá trình này có thể được biểu thị như sau:
Do đặc thù của ngành phát triển trò chơi và những hạn chế của mô hình ngôn ngữ lớn, sự hiện diện của nhiều tác nhân với các vai trò khác nhau trong GameGPT là rất quan trọng.
Do chu kỳ phát triển trò chơi thường kéo dài hàng tháng, việc dựa vào một tác nhân duy nhất có bộ nhớ toàn diện và thông tin theo ngữ cảnh có thể làm giảm đáng kể hiệu quả của các mô hình ngôn ngữ, bao gồm cả LLM.
Khi các dự án trở nên phức tạp hơn theo thời gian, cách tiếp cận này đưa ra những thách thức về khả năng mở rộng. Ngoài ra, do giới hạn về số lượng thẻ được xử lý bởi LLM, việc sử dụng một tác nhân riêng biệt có bộ nhớ đầy đủ trong các dự án phát triển trò chơi lớn là không thực tế.
Ngoài ra, các vấn đề cố hữu như ảo giác và dư thừa được quan sát thấy trong LLM làm nổi bật tầm quan trọng của sự hợp tác giữa nhiều tác nhân, đặc biệt là những người có vai trò quan trọng.
Sự hợp tác này có ý nghĩa quan trọng trong việc giảm thiểu những thách thức đặt ra bởi ảo tưởng LLM và sự dư thừa.
Do đó, GameGPT sử dụng một loạt các vai trò khác nhau để tạo điều kiện thuận lợi cho hoạt động của mình, bao gồm cả trách nhiệm trong suốt chu kỳ phát triển trò chơi.
Những vai trò này bao gồm nhà thiết kế nội dung trò chơi, quản lý phát triển trò chơi, kiểm toán viên chương trình, kỹ sư phát triển trò chơi, kiểm toán viên tác vụ, cũng như kỹ sư công cụ trò chơi, kiểm toán viên mã và kỹ sư kiểm tra công cụ trò chơi được đề cập ở trên.
Xuyên suốt quá trình phát triển game, mỗi nhân vật đảm nhận những nhiệm vụ khác nhau.
Tài nguyên: