PSE Trading: ตัวแทน AI กำหนดเส้นทางนวัตกรรมใหม่ของเกม Web3

ผู้เขียนต้นฉบับ: นักวิเคราะห์การซื้อขาย PSE@Minta

Key Insights

1. AI Agent เป็นเครื่องมือที่ใช้โมเดลขนาดใหญ่ทั่วไปของ LLM ซึ่งช่วยให้นักพัฒนาและผู้ใช้สามารถสร้างแอปพลิเคชันที่สามารถโต้ตอบได้อย่างอิสระโดยตรง

2. รูปแบบหลักของการติดตาม AI ในอนาคตอาจเป็น: โมเดลขนาดใหญ่ทั่วไป + แอปพลิเคชันแนวตั้ง ช่องเชิงนิเวศน์ของ AI Agent คือมิดเดิลแวร์ที่เชื่อมต่อกับโมเดลขนาดใหญ่ทั่วไปและ Dapps ดังนั้น AI Agent จึงมีค่าต่ำ คูเมืองและจำเป็นต้องพึ่งพาการสร้างเอฟเฟกต์เครือข่ายและการปรับปรุง ความเหนียวของผู้ใช้ช่วยเพิ่มความสามารถในการแข่งขันในระยะยาว

3. บทความนี้จะแยกการพัฒนา โมเดลขนาดใหญ่ทั่วไป เอเจนต์แอปพลิเคชันแนวตั้ง และแอปพลิเคชัน AI ทั่วไป ในแทร็กเกม Web3 เมื่อรวมกับเทคโนโลยี Generative AI ก็มีศักยภาพอย่างมากในการผลิตเกมยอดฮิตในระยะสั้น

01 บทนำทางเทคนิค

ในบรรดาเทคโนโลยี AGI (ปัญญาประดิษฐ์ทั่วไป) ที่ได้รับความนิยมอย่างรวดเร็วในปีนี้ Large Language Model (LLM) เป็นตัวชูโรงที่แท้จริง เจ้าหน้าที่ด้านเทคนิคหลักของ OpenAIAndrej KarpathyและLilian Wengนอกจากนี้ยังแสดงให้เห็นว่าตัวแทน AI ที่ใช้ LLM เป็นทิศทางการพัฒนาที่สำคัญถัดไปในสาขา AGI และหลายทีมยังกำลังพัฒนาระบบตัวแทนปัญญาประดิษฐ์ (AI-Agents) ที่ขับเคลื่อนด้วย LLM อีกด้วย พูดง่ายๆ ก็คือ AI Agent คือโปรแกรมคอมพิวเตอร์ที่ใช้ข้อมูลจำนวนมากและอัลกอริธึมที่ซับซ้อนเพื่อจำลองกระบวนการคิดและการตัดสินใจของมนุษย์ เพื่อดำเนินงานและการโต้ตอบต่างๆ เช่น การขับขี่อัตโนมัติ การรู้จำเสียง และกลยุทธ์ของเกมAbacus.aiภาพแนะนำหลักการพื้นฐานของ AI Agent อย่างชัดเจน โดยมีขั้นตอนดังนี้

1. การรับรู้และการรวบรวมข้อมูล: การป้อนข้อมูล หรือ AI Agent รับข้อมูลและข้อมูล เช่น สถานะของเกม รูปภาพ เสียง ฯลฯ ผ่านระบบการรับรู้ (เซ็นเซอร์ กล้อง ไมโครโฟน ฯลฯ)

2. การเป็นตัวแทนสถานะ: ข้อมูลจะต้องได้รับการประมวลผลและแสดงเป็นรูปแบบที่ตัวแทนสามารถเข้าใจได้ เช่น การแปลงเป็นเวกเตอร์หรือเทนเซอร์ เพื่อให้สามารถป้อนข้อมูลลงในโครงข่ายประสาทเทียมได้

3. โมเดลโครงข่ายประสาทเทียม: โมเดลโครงข่ายประสาทเทียมระดับลึกมักจะใช้สำหรับการตัดสินใจและการเรียนรู้ เช่น โครงข่ายประสาทเทียมแบบหมุน (CNN) สำหรับการประมวลผลภาพ โครงข่ายประสาทเทียมที่เกิดซ้ำ (RNN) สำหรับการประมวลผลข้อมูลตามลำดับ หรือแบบจำลองขั้นสูงอื่น ๆ เช่น การเอาใจใส่ตนเอง กลไกแรง (หม้อแปลงไฟฟ้า) เป็นต้น

4. การเรียนรู้แบบเสริมกำลัง: เจ้าหน้าที่เรียนรู้กลยุทธ์การดำเนินการที่เหมาะสมที่สุดผ่านการโต้ตอบกับสภาพแวดล้อม นอกจากนี้ หลักการทำงานของตัวแทนยังรวมถึงเครือข่ายเชิงกลยุทธ์ เครือข่ายคุณค่า การฝึกอบรมและการเพิ่มประสิทธิภาพ ตลอดจนการสำรวจและการใช้ประโยชน์ ตัวอย่างเช่น ในสถานการณ์เกม เครือข่ายกลยุทธ์สามารถป้อนสถานะของเกมแล้วส่งออกการกระจายความน่าจะเป็นของการดำเนินการ เครือข่ายคุณค่าสามารถประมาณมูลค่าของสถานะได้ ตัวแทนสามารถเสริมความแข็งแกร่งให้กับอัลกอริทึมการเรียนรู้ได้อย่างต่อเนื่องโดยการโต้ตอบกับสภาพแวดล้อมเพื่อปรับให้เหมาะสม กลยุทธ์และเครือข่ายคุณค่าและผลลัพธ์ที่สมบูรณ์แบบยิ่งขึ้น

Source：blog.abacus.ai

โดยสรุป AI-Agent เป็นหน่วยงานที่ชาญฉลาดที่สามารถเข้าใจ ตัดสินใจ และดำเนินการได้ และสามารถมีบทบาทสำคัญในหลากหลายสาขา รวมถึงการเล่นเกมด้วย เจ้าหน้าที่ด้านเทคนิคหลักของ OpenAILilian WengเขียนโดยLLM Powered Autonomous Agents》การแนะนำหลักการของ AI-Agent ที่ครอบคลุมมาก ในบรรดาบทความเหล่านั้น บทความกล่าวถึงการทดลองที่น่าสนใจมาก: Generative Agents

Generative Agents(เรียกสั้น ๆ ว่า GA) ได้รับแรงบันดาลใจจากเกม Sims ซึ่งใช้เทคโนโลยี LLM เพื่อสร้างตัวละครเสมือน 25 ตัว ตัวละครแต่ละตัวจะถูกควบคุมโดยตัวแทนที่สนับสนุนโดย LLM ซึ่งอาศัยและโต้ตอบในสภาพแวดล้อมแบบแซนด์บ็อกซ์ การออกแบบของ GA ฉลาดมาก โดยผสมผสาน LLM เข้ากับหน่วยความจำ ฟังก์ชันการวางแผน และการสะท้อนกลับ ซึ่งช่วยให้โปรแกรม Agent สามารถตัดสินใจตามประสบการณ์ก่อนหน้าและโต้ตอบกับ Agent อื่นๆ ได้

บทความนี้ให้รายละเอียดว่า Agent ฝึกฝนและปรับเส้นทางการตัดสินใจให้เหมาะสมอย่างต่อเนื่องโดยพิจารณาจากเครือข่ายนโยบาย เครือข่ายคุณค่า และการโต้ตอบกับสภาพแวดล้อมอย่างไร

หลักการมีดังนี้: Memory Stram เป็นโมดูลหน่วยความจำระยะยาวที่บันทึกประสบการณ์การโต้ตอบทั้งหมดของ Agent โมเดลการดึงข้อมูล (Retrieve) มอบประสบการณ์ (Retrieve Memories) ตามความเกี่ยวข้อง ความสดใหม่ และความสำคัญ เพื่อช่วย Agent ในการตัดสินใจ (Plan) กลไกการสะท้อน (สะท้อน) สรุปเหตุการณ์ในอดีตและเป็นแนวทางในการดำเนินการในอนาคตของตัวแทน Plan and Reflect ทำงานร่วมกันเพื่อช่วยให้ Agent เปลี่ยนข้อมูลการสะท้อนและข้อมูลสิ่งแวดล้อมให้เป็นการกระทำจริง

Source：LLM Powered Autonomous Agents

การทดลองที่น่าสนใจนี้แสดงให้เราเห็นถึงความสามารถของ AI Agent เช่น การสร้างพฤติกรรมทางสังคมใหม่ๆ การเผยแพร่ข้อมูล หน่วยความจำความสัมพันธ์ (เช่น ตัวละครเสมือนสองตัวที่ยังคงพูดคุยกันในหัวข้อต่างๆ ต่อไป) และการประสานงานของกิจกรรมทางสังคม (เช่น การจัดงานปาร์ตี้และการเชิญตัวละครเสมือนจริงอื่นๆ ) ฯลฯ โดยรวมแล้ว AI-Agent เป็นเครื่องมือที่น่าสนใจมาก และการใช้งานในเกมก็คุ้มค่าที่จะสำรวจในเชิงลึก

02 แนวโน้มเทคโนโลยี

2.1 แนวโน้มการติดตาม AI

พันธมิตรวิจัยการลงทุนของ ABCDELaoBaiครั้งหนึ่งฉันเคยสรุปการตัดสินใจของกลุ่มทุนร่วมทุน Silicon Valley เกี่ยวกับการพัฒนา AI ครั้งต่อไป:

1. ไม่มีโมเดลแนวตั้ง มีเพียงรุ่นขนาดใหญ่ + การใช้งานแนวตั้งเท่านั้น

2. ข้อมูลจากอุปกรณ์ Edge เช่น โทรศัพท์มือถือ อาจเป็นอุปสรรค และ AI ที่ใช้อุปกรณ์ Edge ก็อาจเป็นโอกาสเช่นกัน

3. ความยาวของบริบทอาจทำให้เกิดการเปลี่ยนแปลงเชิงคุณภาพในอนาคต (ปัจจุบันฐานข้อมูลเวกเตอร์ใช้เป็นหน่วยความจำ AI แต่ความยาวของบริบทยังไม่เพียงพอ)

กล่าวคือจากมุมมองของกฎการพัฒนาทั่วไปของอุตสาหกรรม เนื่องจากโมเดลทั่วไปขนาดใหญ่มีน้ำหนักมากเกินไปและมีความเป็นสากลสูง จึงไม่จำเป็นต้องคิดค้นล้อใหม่อย่างต่อเนื่องในด้านโมเดลทั่วไปขนาดใหญ่ แต่เราควรมุ่งเน้นไปที่การใช้โมเดลทั่วไปขนาดใหญ่กับฟิลด์แนวตั้งแทน

ในเวลาเดียวกัน อุปกรณ์ Edge หมายถึงอุปกรณ์เทอร์มินัลที่ปกติไม่ต้องใช้ศูนย์คอมพิวเตอร์คลาวด์หรือเซิร์ฟเวอร์ระยะไกล แต่ทำการประมวลผลข้อมูลและการตัดสินใจภายในเครื่อง เนื่องจากความหลากหลายของอุปกรณ์ Edge วิธีการปรับใช้ AI Agent เพื่อทำงานบนอุปกรณ์และรับข้อมูลอุปกรณ์อย่างสมเหตุสมผลถือเป็นความท้าทาย แต่ก็เป็นโอกาสใหม่เช่นกัน

ในที่สุด ปัญหาเกี่ยวกับบริบทก็ได้รับความสนใจอย่างมากเช่นกัน พูดง่ายๆ ก็คือ บริบทในบริบทของ LLM สามารถเข้าใจได้ว่าเป็นจำนวนข้อมูล และความยาวของบริบทสามารถเข้าใจได้ว่าเป็นจำนวนมิติของข้อมูล สมมติว่ามีโมเดลข้อมูลขนาดใหญ่สำหรับเว็บไซต์อีคอมเมิร์ซ ซึ่งใช้ในการคาดการณ์แนวโน้มที่ผู้ใช้จะซื้อผลิตภัณฑ์บางอย่าง ในกรณีนี้ บริบทอาจรวมถึงข้อมูลต่างๆ เช่น ประวัติการเรียกดูของผู้ใช้ ประวัติการซื้อ ประวัติการค้นหา คุณลักษณะของผู้ใช้ เป็นต้น ความยาวของบริบทหมายถึงมิติข้อมูลที่มีการซ้อนทับข้อมูลคุณลักษณะ เช่น ประวัติการซื้อผลิตภัณฑ์คู่แข่งโดยผู้ใช้ชายอายุ 30 ปีในเซี่ยงไฮ้ ความถี่ของการซื้อล่าสุด และประวัติการเข้าชมล่าสุด การเพิ่มความยาวของบริบทสามารถช่วยให้โมเดลเข้าใจปัจจัยที่มีอิทธิพลต่อการตัดสินใจซื้อของผู้ใช้ได้อย่างครอบคลุมมากขึ้น

ฉันทามติในปัจจุบันคือ แม้ว่าการใช้ฐานข้อมูลเวกเตอร์ในปัจจุบันเป็นหน่วยความจำ AI จะทำให้ความยาวของบริบทไม่เพียงพอ แต่ความยาวของบริบทจะเปลี่ยนในเชิงคุณภาพในอนาคต จากนั้นโมเดล LLM ก็สามารถแสวงหาวิธีการขั้นสูงเพิ่มเติมเพื่อประมวลผลและทำความเข้าใจบริบทที่ยาวและซับซ้อนมากขึ้น . ข้อมูล สถานการณ์การใช้งานที่เหนือจินตนาการกำลังเกิดขึ้นมากมาย

2.2 เทรนด์ตัวแทน AI

Folius Venturesสรุปรูปแบบการใช้งาน AI Agent ในสนามเกมได้ดังนี้

ที่มา: Folius Ventures - คุณสมบัติของเกม: การเดินทางเพื่อค้นหาดาวเหนือของเกม Web3

ในรูปหมายเลข 1 คือโมเดล LLM ซึ่งมีหน้าที่หลักในการแปลงความตั้งใจของผู้ใช้จากแป้นพิมพ์/การคลิกแบบเดิมไปเป็นการป้อนข้อมูลด้วยภาษาธรรมชาติ ซึ่งช่วยลดเกณฑ์การเข้าสู่ของผู้ใช้

รูปที่ 2 คือ DApp ส่วนหน้าที่ผสานรวมเข้ากับ AI Agent ในขณะที่ให้บริการที่ใช้งานได้แก่ผู้ใช้ก็ยังสามารถรวบรวมพฤติกรรมและข้อมูลของผู้ใช้จากเทอร์มินัลได้อีกด้วย

3 ในรูปคือ AI Agent ประเภทต่างๆ ซึ่งสามารถมีอยู่ได้โดยตรงในรูปแบบของฟังก์ชันในแอปพลิเคชัน บอท ฯลฯ

โดยทั่วไป AI Agent ในฐานะเครื่องมือที่ใช้โค้ด สามารถทำหน้าที่เป็นโปรแกรมพื้นฐานสำหรับ Dapp เพื่อขยายฟังก์ชันแอปพลิเคชันและตัวเร่งการเติบโตของแพลตฟอร์ม ซึ่งก็คือมิดเดิลแวร์ที่เชื่อมโยงโมเดลขนาดใหญ่และแอปพลิเคชันแนวตั้ง

จากมุมมองของสถานการณ์ผู้ใช้ DApps ที่มีแนวโน้มที่จะรวม AI Agent มากที่สุดคือแอปโซเชียล แชทบอท และเกมที่เปิดเพียงพอ หรือทางเข้าการรับส่งข้อมูล Web2 ที่มีอยู่สามารถเปลี่ยนเป็น AI+ ที่เรียบง่ายและใช้งานง่ายยิ่งขึ้น ทางเข้า web3 ผ่าน AI Agent นั่นคืออุตสาหกรรม เราได้หารือเกี่ยวกับการลดเกณฑ์ผู้ใช้ของ Web3

ตามกฎของการพัฒนาอุตสาหกรรม เลเยอร์มิดเดิลแวร์ที่ AI Agent ตั้งอยู่มักจะกลายเป็นเส้นทางที่มีการแข่งขันสูงโดยแทบไม่มีคูน้ำเลย ดังนั้น นอกเหนือจากการปรับปรุงประสบการณ์อย่างต่อเนื่องเพื่อให้ตรงกับความต้องการของ B2C แล้ว AI Agent ยังสามารถปรับปรุงคูเมืองโดยการสร้างเอฟเฟกต์เครือข่ายหรือสร้างความเหนียวแน่นให้กับผู้ใช้

03 แผนที่เส้นทาง

มีความพยายามที่แตกต่างกันมากมายในการใช้ AI ในด้านเกม Web3 และความพยายามเหล่านี้สามารถแบ่งออกเป็นประเภทต่อไปนี้:

1. โมเดลทั่วไป: บางโปรเจ็กต์มุ่งเน้นไปที่การสร้างแบบจำลอง AI ทั่วไปและค้นหาสถาปัตยกรรมเครือข่ายประสาทเทียมและโมเดลทั่วไปที่เหมาะกับความต้องการของโปรเจ็กต์ Web3

2. แอปพลิเคชันแนวตั้ง: แอปพลิเคชันแนวตั้งได้รับการออกแบบมาเพื่อแก้ไขปัญหาเฉพาะในเกมหรือให้บริการเฉพาะ และมักจะปรากฏในรูปแบบของตัวแทน บอท และบอทคิท

3. แอปพลิเคชัน Generative AI: แอปพลิเคชันโดยตรงที่สุดที่เกี่ยวข้องกับโมเดลขนาดใหญ่คือการสร้างเนื้อหา และตัวแทร็กเกมเองก็เป็นอุตสาหกรรมเนื้อหา ดังนั้นแอปพลิเคชัน Generative AI ในด้านเกมจึงคุ้มค่าแก่ความสนใจเป็นอย่างยิ่ง มันเป็นไปได้ที่จะสร้างองค์ประกอบ ตัวละคร งาน หรือเนื้อเรื่องในโลกเสมือนจริงโดยอัตโนมัติ เพื่อสร้างกลยุทธ์เกม การตัดสินใจ และแม้แต่วิวัฒนาการอัตโนมัติของระบบนิเวศในเกม ทำให้เกมมีความหลากหลายและเจาะลึกมากขึ้น

4. เกม AI: ปัจจุบันมีเกมมากมายที่มีการบูรณาการเทคโนโลยี AI เข้ากับสถานการณ์การใช้งานที่แตกต่างกัน ตัวอย่างจะแสดงด้านล่าง

3.1 รุ่นใหญ่ทั่วไป

ปัจจุบัน Web3 มีแบบจำลองจำลองสำหรับการออกแบบแบบจำลองทางเศรษฐกิจและการพัฒนาระบบนิเวศทางเศรษฐกิจ เช่น โมเดลโทเค็นเชิงปริมาณ QTM Outlier VenturesDr. Achim Struveในสุนทรพจน์ของ ETHCC ได้มีการกล่าวถึงแนวคิดบางประการเกี่ยวกับการออกแบบแบบจำลองทางเศรษฐกิจ ตัวอย่างเช่น เมื่อพิจารณาถึงความแข็งแกร่งของระบบเศรษฐกิจ ทีมงานโครงการสามารถสร้างแฝดดิจิทัลผ่านโมเดล LLM เพื่อจำลองระบบนิเวศทั้งหมด 1:1

ภาพด้านล่างQTM(Quantitative Token Model) คือโมเดลการให้เหตุผลที่ขับเคลื่อนด้วย AI QTM ใช้เวลาจำลองคงที่ 10 ปี โดยแต่ละขั้นตอนคือหนึ่งเดือน ในช่วงเริ่มต้นของแต่ละขั้นตอนเวลา โทเค็นจะถูกปล่อยออกสู่ระบบนิเวศ ดังนั้นจึงมีโมดูลสิ่งจูงใจ โมดูลการระบุแหล่งที่มาของโทเค็น โมดูล Airdrop ฯลฯ ในโมเดล ต่อจากนั้น โทเค็นเหล่านี้จะถูกใส่ลงในที่เก็บข้อมูลเมตาหลายรายการ ซึ่งจะมีการแจกจ่ายยูทิลิตี้ทั่วไปที่มีรายละเอียดมากขึ้นอีกครั้ง จากนั้น กำหนดการจ่ายรางวัล ฯลฯ จากเครื่องมือสาธารณูปโภคเหล่านี้ นอกจากนี้ยังมีแง่มุมต่างๆ เช่น ธุรกิจนอกเครือข่าย ซึ่งคำนึงถึงสถานะการจัดหาเงินทุนทั่วไปของธุรกิจด้วย เช่น สามารถถูกทำลายหรือซื้อคืนได้ และยังสามารถวัดอัตราการยอมรับของผู้ใช้หรือกำหนดการยอมรับของผู้ใช้ได้อีกด้วย

แน่นอนว่าคุณภาพผลลัพธ์ของแบบจำลองขึ้นอยู่กับคุณภาพอินพุต ดังนั้นก่อนที่จะใช้ QTM จะต้องดำเนินการวิจัยตลาดอย่างเพียงพอเพื่อให้ได้ข้อมูลอินพุตที่แม่นยำยิ่งขึ้น อย่างไรก็ตาม โมเดล QTM เป็นแอปพลิเคชันที่ใช้งานได้จริงของโมเดลที่ขับเคลื่อนด้วย AI ในโมเดลเศรษฐกิจ Web3 นอกจากนี้ยังมีฝ่ายโครงการจำนวนมากที่ใช้โมเดล QTM เพื่อสร้างแอปพลิเคชัน 2C/2B ที่มีความยากในการปฏิบัติงานต่ำลง เพื่อใช้มัน

3.2 ตัวแทนแอปพลิเคชันแนวตั้ง

แอปพลิเคชันแนวตั้งส่วนใหญ่มีอยู่ในรูปแบบของ Agent Agent อาจอยู่ในรูปแบบที่แตกต่างกัน เช่น Bots, BotKits, ผู้ช่วยเสมือน, ระบบสนับสนุนการตัดสินใจอัจฉริยะ, เครื่องมือประมวลผลข้อมูลอัตโนมัติต่างๆ เป็นต้น โดยทั่วไปแล้ว AI Agent จะใช้โมเดลทั่วไปของ OpenAI เป็นชั้นล่างสุด รวมกับโอเพ่นซอร์สหรือเทคโนโลยีที่พัฒนาตนเองอื่นๆ เช่น การแปลงข้อความเป็นคำพูด (TTS) และเพิ่มข้อมูลเฉพาะสำหรับ FineTune (ประเภทของการฝึกอบรมใน ด้านการเรียนรู้ของเครื่องและการเรียนรู้เชิงลึก) โดยมีวัตถุประสงค์หลักคือเพื่อเพิ่มประสิทธิภาพโมเดลที่ได้รับการฝึกอบรมล่วงหน้าเกี่ยวกับข้อมูลขนาดใหญ่) เพื่อสร้าง AI Agent ที่ทำงานได้ดีกว่า ChatGPT ในสาขาเฉพาะ

ในปัจจุบัน แอปพลิเคชันที่เติบโตมากที่สุดในแทร็กเกม Web3 คือ NFT Agent ฉันทามติเกี่ยวกับวงจรเกมคือ NFT จะต้องเป็นส่วนสำคัญของเกม Web3

ด้วยการพัฒนาเทคโนโลยีการจัดการข้อมูลเมตาในระบบนิเวศ Ethereum ทำให้ NFT ไดนามิกที่ตั้งโปรแกรมได้ถือกำเนิดขึ้น สำหรับผู้สร้าง NFT พวกเขาสามารถทำให้ฟังก์ชัน NFT มีความยืดหยุ่นมากขึ้นผ่านอัลกอริธึม สำหรับผู้ใช้ อาจมีการโต้ตอบระหว่างผู้ใช้กับ NFT มากขึ้น และข้อมูลเชิงโต้ตอบที่สร้างขึ้นจะกลายเป็นแหล่งข้อมูล AI Agent สามารถเพิ่มประสิทธิภาพกระบวนการโต้ตอบและขยายสถานการณ์การใช้งานของข้อมูลเชิงโต้ตอบ โดยอัดฉีดนวัตกรรมและมูลค่าเพิ่มเติมให้กับระบบนิเวศ NFT

กรณีที่ 1: ตัวอย่างเช่น กรอบการพัฒนาของ Gelato ช่วยให้นักพัฒนาสามารถปรับแต่งตรรกะเพื่ออัปเดตข้อมูลเมตา NFT ตามเหตุการณ์นอกเครือข่ายหรือช่วงเวลาที่เฉพาะเจาะจง โหนดเจลาโตจะทริกเกอร์การเปลี่ยนแปลงเมตาดาต้าเมื่อตรงตามเงื่อนไขที่กำหนด ดังนั้นจึงเปิดใช้งานการอัปเดตอัตโนมัติของ NFT บนเชน ตัวอย่างเช่น เทคโนโลยีนี้สามารถใช้เพื่อรับข้อมูลเกมแบบเรียลไทม์จาก API กีฬา และอัปเกรดลักษณะทักษะของ NFT โดยอัตโนมัติภายใต้เงื่อนไขบางประการ เช่น เมื่อนักกีฬาชนะเกม

Source：Gelato - The Ultimate Guide to Dynamic NFTs

กรณีที่ 2:PaimaApplication Agent ยังมีให้สำหรับ Dynamic NFT อีกด้วย โปรโตคอลการบีบอัด NFT ของ Paima สร้างชุด NFT ขั้นต่ำบน L1 แล้วพัฒนาตามสถานะของเกมบน L2 ทำให้ผู้เล่นได้รับประสบการณ์การเล่นเกมเชิงลึกและโต้ตอบมากขึ้น ตัวอย่างเช่น NFT สามารถเปลี่ยนแปลงได้ตามค่าประสบการณ์ของตัวละคร ความสมบูรณ์ของงาน อุปกรณ์ และปัจจัยอื่นๆ

กรณีที่ 3:Mudulas Labsเป็นโปรเจ็กต์ ZKML ที่รู้จักกันดี และยังมีเลย์เอาต์ในแทร็ก NFT อีกด้วย Mudulas เปิดตัวซีรีส์ NFT zkMon ซึ่งช่วยให้สามารถสร้าง NFT ผ่าน AI และเผยแพร่ไปยังเชนได้ ในขณะเดียวกัน zkp ก็ถูกสร้างขึ้น ผู้ใช้สามารถใช้ zkp เพื่อตรวจสอบว่า NFT ของพวกเขาถูกสร้างขึ้นจากโมเดล AI ที่เกี่ยวข้องหรือไม่ หากต้องการข้อมูลที่ครอบคลุมเพิ่มเติม โปรดดูที่:Chapter 7.2: The World’s 1 st zkGAN NFTs。

3.3 แอปพลิเคชั่น AI เจนเนอเรชั่น

ตามที่กล่าวไว้ข้างต้น เนื่องจากตัวเกมเองเป็นอุตสาหกรรมเนื้อหา AI-Agent จึงสามารถสร้างเนื้อหาจำนวนมากได้ในเวลาอันสั้นและด้วยต้นทุนที่ต่ำ รวมถึงการสร้างความไม่แน่นอนตัวละครในเกมแบบไดนามิกฯลฯ ดังนั้น Generative AI จึงเหมาะกับการใช้งานเกมเป็นอย่างมาก ปัจจุบันการใช้งาน Generative AI ในวงการเกมสามารถสรุปได้เป็นประเภทหลักๆ ดังนี้

1. ตัวละครในเกมที่สร้างโดย AI: เช่น การต่อสู้กับ AI หรือ AI มีหน้าที่ในการจำลองและควบคุม NPC ในเกม หรือแม้แต่การใช้ AI โดยตรงเพื่อสร้างตัวละคร เป็นต้น

2. เนื้อหาเกมที่สร้างโดย AI: เนื้อหาต่าง ๆ เช่น ภารกิจ เนื้อเรื่อง อุปกรณ์ประกอบฉาก แผนที่ ฯลฯ ถูกสร้างขึ้นโดยตรงโดย AI

3. คลาสฉากเกมที่สร้างโดย AI: รองรับการใช้ AI เพื่อสร้าง เพิ่มประสิทธิภาพ หรือขยายภูมิประเทศ ภูมิทัศน์ และบรรยากาศของโลกเกมโดยอัตโนมัติ

3.3.1 AI สร้างตัวละคร

กรณีที่ 1: MyShell

MyShellเป็นแพลตฟอร์มการสร้าง Bot ผู้ใช้สามารถสร้างบอทพิเศษได้ตามความต้องการของตนเองในการสนทนา ฝึกพูด เล่นเกม และแม้กระทั่งขอคำปรึกษาด้านจิตวิทยา เป็นต้น ในเวลาเดียวกัน Myshell ใช้เทคโนโลยีการแปลงข้อความเป็นคำพูด (TTS) ซึ่งสามารถสร้างบอทได้โดยอัตโนมัติโดยการเลียนแบบเสียงของใครก็ตามด้วยตัวอย่างเสียงเพียงไม่กี่วินาที นอกจากนี้ MyShell ยังใช้ AutoPrompt ซึ่งช่วยให้ผู้ใช้สามารถออกคำสั่งให้กับโมเดล LLM โดยการอธิบายความคิดของตนเองเท่านั้น ซึ่งเป็นการวางรากฐานสำหรับโมเดลภาษาขนาดใหญ่ส่วนตัว (LLM)

ผู้ใช้ที่มี Myshellด่วนฟังก์ชั่นการแชทด้วยเสียงนั้นราบรื่นมาก ความเร็วในการตอบสนองเร็วกว่าการแชทด้วยเสียงของ GPT และยังมี Live 2D อีกด้วย

กรณีที่ 2: AI อารีน่า

AI Arenaมันเป็นเกมต่อสู้แบบ AI ผู้ใช้สามารถใช้โมเดล LLM เพื่อฝึกฝนเอลฟ์การต่อสู้ของตนเอง (NFT) อย่างต่อเนื่อง จากนั้นจึงส่งเอลฟ์การต่อสู้ที่ได้รับการฝึกฝนไปยังสนามรบ PvP/PvE โหมดการต่อสู้จะคล้ายกับ Super Smash Bros. แต่เพิ่มความสนุกสนานในการแข่งขันผ่านการฝึก AI

Paradigm เป็นผู้นำการลงทุนใน AI Arena และช่วงเบต้าสาธารณะได้เริ่มขึ้นแล้ว ผู้เล่นสามารถเข้าเกมได้ฟรีหรือซื้อ NFT เพื่อเพิ่มความเข้มข้นในการฝึกฝน

กรณีที่ 3: เกมหมากรุกออนไลน์ Leela vs the World

Leela vs the Worldเป็นเกมหมากรุกที่พัฒนาโดย Mudulas Labs ในเกมทั้งสองฝ่ายคือ AI และมนุษย์ และสถานการณ์เกมหมากรุกจะอยู่ในสัญญา ผู้เล่นดำเนินการ (โต้ตอบกับสัญญา) ผ่านกระเป๋าเงินของพวกเขา AI อ่านสถานการณ์เกมหมากรุกใหม่ ตัดสิน และสร้าง zkp สำหรับกระบวนการคำนวณทั้งหมด ทั้งสองขั้นตอนเสร็จสิ้นบน AWS cloud และ zkp ได้รับการตรวจสอบโดยสัญญาในห่วงโซ่ หลังจากการตรวจสอบเสร็จสมบูรณ์ สัญญาเกมหมากรุกเรียกว่าหมากรุก ลง

3.3.2 AI สร้างเนื้อหาเกม

กรณีที่ 1: เมือง AI

AI Town เป็นความร่วมมือระหว่าง a16z และบริษัท Convex Dev ซึ่งได้รับแรงบันดาลใจจากรายงาน Generative Agent ของมหาวิทยาลัยสแตนฟอร์ด AI Town เป็นเมืองเสมือนจริงที่ AI แต่ละคนในเมืองสามารถสร้างเรื่องราวของตัวเองตามปฏิสัมพันธ์และประสบการณ์

มีการใช้สแต็คเทคโนโลยี เช่น เฟรมเวิร์กไร้เซิร์ฟเวอร์แบ็กเอนด์ Convex, พื้นที่จัดเก็บเวกเตอร์ Pinecone, การรับรองความถูกต้องของเสมียน, การสร้างข้อความภาษาธรรมชาติของ OpenAI และการปรับใช้ Fly นอกจากนี้ AI Town ยังเป็นโอเพ่นซอร์สและสนับสนุนนักพัฒนาในเกมเพื่อปรับแต่งองค์ประกอบต่าง ๆ รวมถึงข้อมูลคุณสมบัติ สไปรท์ชีต สภาพแวดล้อมภาพ Tilemap ข้อความแจ้งการสร้างข้อความ กฎของเกมและตรรกะ ฯลฯ นอกเหนือจากที่ผู้เล่นทั่วไปจะได้สัมผัสกับ AI Town แล้ว นักพัฒนายังสามารถใช้ซอร์สโค้ดเพื่อพัฒนาฟังก์ชันต่างๆ ภายในเกม หรือแม้แต่นอกเกม ความยืดหยุ่นนี้ทำให้ AI Town เหมาะสำหรับแอปพลิเคชันประเภทต่างๆ ที่หลากหลาย

ดังนั้น AI Town จึงเป็นเกมเนื้อหาที่สร้างโดย AI แต่ยังเป็นระบบนิเวศการพัฒนาและแม้แต่เครื่องมือในการพัฒนาอีกด้วย

กรณีที่ 2: พอล

Paul เป็นตัวสร้างเรื่องราวด้วย AI ที่ให้เส้นทางโซลูชันสำหรับเกมในเครือโดยเฉพาะ เพื่อสร้างเรื่องราวด้วย AI และอัปโหลดไปยังเชนโดยตรง ตรรกะในการนำไปปฏิบัติคือการป้อนกฎนิรนัยจำนวนมากลงใน LLM จากนั้นผู้เล่นจะสามารถสร้างเนื้อหารองตามกฎได้โดยอัตโนมัติ

ขณะนี้มีเกมที่วางจำหน่ายโดยใช้โปรโตคอล Straylight โดยใช้ Paul SeidlerStraylightมันเป็นเกม NFT ที่มีผู้เล่นหลายคน รูปแบบการเล่นหลักคือเวอร์ชันเกมเต็มรูปแบบของ Minecraft ผู้เล่นสามารถสร้าง NFT โดยอัตโนมัติแล้วสร้างโลกของตัวเองตามกฎพื้นฐานที่ป้อนโดยโมเดล

3.3.3 AI สร้างฉากในเกม

กรณีที่ 1: Pahdo Labs

Pahdo Labs เป็นสตูดิโอพัฒนาเกมที่กำลังพัฒนา Halcyon Zero ซึ่งเป็นเกมเล่นตามบทบาทอะนิเมะแฟนตาซีและแพลตฟอร์มการสร้างเกมออนไลน์ที่สร้างขึ้นบนเอ็นจิ้น Godot เกมดังกล่าวเกิดขึ้นในโลกแฟนตาซีอันบริสุทธิ์ โดยมีศูนย์กลางอยู่ที่เมืองอันพลุกพล่านซึ่งทำหน้าที่เป็นศูนย์กลางทางสังคม

สิ่งที่พิเศษมากเกี่ยวกับเกมนี้คือผู้เล่นสามารถใช้เครื่องมือสร้าง AI ที่มีอยู่ในเกมเพื่อสร้างพื้นหลังเอฟเฟกต์ 3D ได้อย่างรวดเร็วและนำตัวละครที่พวกเขาชื่นชอบเข้ามาในเกม มอบเครื่องมือและฉากเกมสำหรับเกม UGC จำนวนมากอย่างแท้จริง

กรณีที่ 2: แกดิม

Kaedimเครื่องมือสร้างโมเดล 3 มิติที่ใช้ Generative AI ได้รับการพัฒนาสำหรับสตูดิโอเกม ซึ่งสามารถช่วยให้สตูดิโอเกมสร้างฉาก/สินทรัพย์ 3 มิติในเกมที่ตรงกับความต้องการได้อย่างรวดเร็ว ผลิตภัณฑ์ทั่วไปของ Kaedim ยังอยู่ระหว่างการพัฒนาและคาดว่าจะเปิดให้สตูดิโอเกมได้ในปี 2567

ตรรกะหลักของผลิตภัณฑ์ของ Kaedim นั้นเหมือนกับของ AI-Agent ทุกประการ โดยจะใช้โมเดลขนาดใหญ่ทั่วไปเป็นพื้นฐาน จากนั้น ศิลปินในทีมจะป้อนข้อมูลที่ดีอย่างต่อเนื่อง จากนั้นให้ข้อเสนอแนะกับผลลัพธ์ของ Agent และ ฝึกฝนโมเดลอย่างต่อเนื่องผ่านการเรียนรู้ของเครื่อง ในที่สุด AI-Agent ก็สามารถส่งออกฉาก 3 มิติที่ตรงตามข้อกำหนดได้

04 สรุป

ในบทความนี้ เราจะทำการวิเคราะห์โดยละเอียดและสรุปการนำ AI ไปใช้ในวงการเกม โดยทั่วไปแล้วการประยุกต์ใช้โมเดลทั่วไปและ Generative AI ในเกมจะนำไปสู่โปรเจ็กต์ระดับยูนิคอร์นในอนาคตอย่างแน่นอน แม้ว่าแอปพลิเคชันแนวตั้งจะมีคูน้ำต่ำ แต่ก็มีข้อได้เปรียบจาก first-mover ที่แข็งแกร่ง หากพวกเขาสามารถพึ่งพาข้อได้เปรียบจาก first-mover เพื่อสร้างเอฟเฟกต์เครือข่ายและเพิ่มความเหนียวแน่นของผู้ใช้ ก็จะมีพื้นที่ขนาดใหญ่สำหรับจินตนาการ นอกจากนี้ generative AI ยังเหมาะสมกับอุตสาหกรรมเนื้อหาของเกมโดยธรรมชาติ ขณะนี้ มีหลายทีมที่พยายามนำ GA ไปใช้ในเกม มีแนวโน้มมากว่าจะมีเกมยอดนิยมที่ใช้ GA ในรอบนี้

นอกจากแนวทางบางส่วนที่กล่าวถึงในบทความแล้ว ยังมีมุมการสำรวจอื่นๆ ในอนาคตอีกด้วย ตัวอย่างเช่น:

(1) แทร็กข้อมูล + เลเยอร์แอปพลิเคชัน: แทร็กข้อมูล AI ทำให้เกิดโครงการยูนิคอร์นบางโครงการที่มีมูลค่าหลายพันล้านดอลลาร์ และการเชื่อมโยงระหว่างข้อมูล + เลเยอร์แอปพลิเคชันก็เต็มไปด้วยจินตนาการ

(2) การบูรณาการกับ Socialfi: เช่น การจัดหาวิธีการโต้ตอบทางสังคมที่เป็นนวัตกรรม การใช้ AI Agent เพื่อเพิ่มประสิทธิภาพการตรวจสอบตัวตนของชุมชนและการกำกับดูแลชุมชน หรือคำแนะนำส่วนบุคคลที่ชาญฉลาดยิ่งขึ้น เป็นต้น

(3) ด้วยระบบอัตโนมัติและวุฒิภาวะของตัวแทน ผู้เข้าร่วมหลักในโลกอัตโนมัติในอนาคตจะเป็นมนุษย์หรือบอท? เป็นไปได้ไหมที่โลกอัตโนมัติบนเครือข่ายจะเหมือนกับ Uniswap โดยที่ DAU มากกว่า 80% เป็นบอท หากเป็นเช่นนั้น เอเจนต์การกำกับดูแลที่รวมแนวคิดการกำกับดูแล Web3 ก็คุ้มค่าที่จะสำรวจเช่นกัน

05 ข้อมูลอ้างอิง

messari.io

Exploring the Design Space for Dynamic NFTs

Generative Manufacturing: Transmuting Code intoPhysical Goods

จาก AI ที่ตรวจสอบได้ไปจนถึง AI ที่ประกอบได้: ภาพสะท้อนเกี่ยวกับสถานการณ์แอปพลิเคชัน zkML

LD Capital: Crypto Bots ประเภทต่างๆ ที่ได้รับความนิยมเมื่อเร็วๆ นี้ เป็นวิธีการสร้างรายได้หรือช่องทางการลงทุนใหม่หรือไม่?

การออกแบบและการเพิ่มประสิทธิภาพโทเค็นที่ขับเคลื่อนด้วยข้อมูล

ดูโครงการโอเพ่นซอร์ส AI Town โดย a16z โดยย่อ: แนะนำเมืองเสมือนจริงที่ตัวละคร AI สามารถเข้าสังคมและใช้ชีวิตได้

AI-Agents ตระหนักถึงการกำกับดูแลแบบอัตโนมัติของ DAO ได้อย่างไร

DocSend