GameGPT进军游戏制作！全自动生成游戏，时间可缩百倍

原文来源：新智元

图片来源：由无界AI生成

不得了了！GPT技能树再成长，现在直接连游戏都能做了！？

要知道，现在这个时代，已经不是过去那个做个小游戏就可以抢占市场的时代了。如今的游戏开发流程超级复杂。

先说人力，每个游戏团队的人员都是数以几十甚至上百来记。有人负责编程，有人负责美工，有人负责维护，等等。

每个游戏还都有庞大的代码库、素材库。

结果就是，开发一款优秀的游戏大作，需要大量人员，投入大量时间才能完成。而这个时间周期，往往要长达数年。

更直观的，就是钱。

游戏团队开发一款能让人们记住并且爱玩儿的大作，预算动不动就要超过1亿美元。

要不然怎么说，游戏制作算是一种用爱发电呢。

现在，情况有变！

有研究人员开发了一个叫GameGPT的模型，GameGPT可以整合多个AI智能体（agent）来自动完成游戏开发中的部分流程。

而不同的智能体各司其职，工作起来井井有条。

有智能体负责审查游戏的设计计划，并进行相应的修改和调整；有的负责将任务转化为具体的代码；有的负责对上一步生成的代码进行检查，对运行结果进行审核；还有智能体负责验证全部的工作是否符合初始预期。

如此这般，通过细化分解工作流程，GameGPT就可以简化AI智能体的工作。这种各司其职会更加有效率，实现起来也比一个全能型的智能体完成一切要简单得多。

研究人员表示，GameGPT可以简化传统游戏开发流程中一些重复和死板的内容，比如代码测试。

大量开发人员就可以从繁杂的检验工作中解放出来，专注于AI所不能替代的，更有挑战性的设计环节。

当然，这篇论文目前还处于一个比较初步的阶段。目前还没有任何具体的结果或者实验来证明性能上的提高。

换句话说，还没人用GameGPT真的开发过游戏，这个模型目前还处在概念形成阶段，在有具体的应用结果以及可量化的数据之前，咱也不好评估。

不过，总归是个努力的方向。

有网友表示，人们对LLM的想法是有一定偏差的。现在，研究人员有了一种能够100%解决NLP问题的工具，而人们却只关心如何实现某些工作流程的自动化。

举例来说，想象一下如果游戏世界对你的决定做出的反应，要比你在五分钟内判断出基于规则的硬编码引擎的反应更正常，那将会是怎样的情景。

再想象一下，如果一款游戏能根据你做出的决定（比如在路上随机屠杀你看到的敌人等），为你临时安排一些支线任务，那会是什么场景。

而开发者在创建这样一个系统时，会使用提示工程来指导LLM，而不是编码这些东西。

但是，这样做的目的不是为了节省成本，而是为了在以前无法制作更多游戏的阶段制作游戏（是不是有点拗口）。

GameGPT

首先，让我们来看看GameGPT模型的大框架——全流程。

可以看到，作者将每个智能体拟人化，更生动地展示了他们是如何各司其职的。

流程最左侧是用户端，向GameGPT输入prompt，然后开发经理和审核进行初步计划。

接着，再把需求发送给开发工程师，以及游戏引擎工程师，来执行具体的任务，生成代码。

最后检查一下有没有遗漏，有的话发回左侧，再跑一遍。没有就继续向右，由负责检查的工程师来进行testing。

AI开发游戏？？

实际上，AI开发游戏历史的雏形也许可以追溯到更早。

AI在游戏开发中的应用可以追溯到「星际争霸」和「暗黑破坏神」等经典游戏。在当时，开发人员需要用AI系统来制作交互式的虚拟世界和角色。

而这些系统已成为此类互动平台开发的标准配置。

早期和游戏开发AI相关的研究强调控制非玩家的角色（NPC），而随着自然语言处理（NLP）技术的发展，出现了一些利用深度学习技术生成关卡的开创性工作。

其中代表作是MarioGPT，它通过微调的GPT-2模型成功生成了「超级马里奥兄弟」中的部分关卡。

而众所周知，LLM又在今年取得了巨大进步，在NLP和计算机视觉（CV）领域都取得了不错的成绩。

我们知道，LLM的训练是一个多阶段的过程。初始阶段包括在广泛的语料库中训练这些模型，促进基本语言能力的获得。

随后就是更重要的阶段了，通过指令（instruction）生成各种NLP任务的数据对模型进行微调。这种指令调整，增强了模型在广泛应用中的泛化能力，从而可以让LLM能够在之前训练中没有执行过的任务中取得零误差的性能。

最后，人类反馈强化学习（RLHF）阶段保证了模型的结构完整性和可靠性。

这里还有一点需要注意——RLHF阶段能让模型生成模仿人类风格的内容，从而增强其作为智能体的多功能性。