Tác giả gốc: Nhà phân tích giao dịch PSE@Minta
Key Insights
AI Agent là một công cụ dựa trên mô hình lớn chung LLM cho phép nhà phát triển và người dùng trực tiếp xây dựng các ứng dụng có thể tương tác độc lập.
Mô hình chính của đường đua AI trong tương lai có thể là: “mô hình lớn chung + ứng dụng dọc”; niche sinh thái của AI Agent là phần mềm trung gian kết nối các mô hình lớn nói chung và Dapps, vì vậy AI Agent có tỷ lệ thấp hào và cần phải dựa vào việc tạo ra các hiệu ứng và cải tiến mạng Độ gắn kết của người dùng sẽ nâng cao khả năng cạnh tranh lâu dài.
Bài viết này trình bày sự phát triển của các mô hình lớn nói chung, tác nhân ứng dụng dọc và ứng dụng AI tổng quát trong lộ trình trò chơi Web3. Trong số đó, kết hợp với công nghệ Generative AI, nó có tiềm năng rất lớn để tạo ra những game đình đám trong thời gian ngắn.
01 Giới thiệu kỹ thuật
Trong số công nghệ AGI (Trí tuệ tổng hợp nhân tạo) đã bùng nổ trong năm nay, Mô hình ngôn ngữ lớn (LLM) là nhân vật chính tuyệt đối. Nhân viên kỹ thuật cốt lõi của OpenAIAndrej KarpathyVàLilian WengNgười ta cũng bày tỏ rằng Tác nhân AI dựa trên LLM là hướng phát triển quan trọng tiếp theo trong lĩnh vực AGI và nhiều nhóm cũng đang phát triển hệ thống tác nhân trí tuệ nhân tạo (AI-Agent) do LLM điều khiển. Nói một cách đơn giản, AI Agent là một chương trình máy tính sử dụng lượng lớn dữ liệu và thuật toán phức tạp để mô phỏng quá trình suy nghĩ và ra quyết định của con người nhằm thực hiện các nhiệm vụ và tương tác khác nhau, chẳng hạn như lái xe tự động, nhận dạng giọng nói và chiến lược trò chơi.Abacus.aiHình ảnh giới thiệu rõ ràng các nguyên tắc cơ bản của AI Agent, các bước thực hiện như sau:
Nhận thức và thu thập dữ liệu: Dữ liệu đầu vào hoặc Tác nhân AI lấy thông tin và dữ liệu, chẳng hạn như trạng thái trò chơi, hình ảnh, âm thanh, v.v., thông qua hệ thống nhận thức (cảm biến, camera, micrô, v.v.).
Biểu diễn trạng thái: Dữ liệu cần được xử lý và biểu diễn thành dạng mà Tác nhân có thể hiểu được, chẳng hạn như chuyển đổi thành vectơ hoặc tensor để có thể đưa vào mạng nơ-ron.
Mô hình mạng thần kinh: Các mô hình mạng thần kinh sâu thường được sử dụng để ra quyết định và học tập, chẳng hạn như mạng thần kinh tích chập (CNN) để xử lý hình ảnh, mạng thần kinh tái phát (RNN) để xử lý dữ liệu theo trình tự hoặc các mô hình nâng cao hơn như tự chú ý Cơ chế lực (Transformer), v.v.
Học tăng cường: Tác nhân học các chiến lược hành động tối ưu thông qua tương tác với môi trường. Ngoài ra, nguyên tắc hoạt động của Đại lý còn bao gồm mạng lưới chiến lược, mạng lưới giá trị, đào tạo và tối ưu hóa cũng như thăm dò và sử dụng. Ví dụ: trong kịch bản trò chơi, mạng chiến lược có thể nhập trạng thái trò chơi và sau đó đưa ra phân bố xác suất hành động; mạng giá trị có thể ước tính giá trị của trạng thái; tác nhân có thể liên tục tăng cường thuật toán học bằng cách tương tác với môi trường để tối ưu hóa chiến lược và mạng lưới giá trị và tạo ra kết quả hoàn hảo hơn.
Source：blog.abacus.ai
Tóm lại, Tác nhân AI là những thực thể thông minh có khả năng hiểu biết, ra quyết định và hành động, đồng thời chúng có thể đóng một vai trò quan trọng trong nhiều lĩnh vực khác nhau, bao gồm cả chơi game. Nhân viên kỹ thuật cốt lõi của OpenAILilian WengĐược viết bởiLLM Powered Autonomous Agents》Giới thiệu rất đầy đủ về nguyên tắc của AI-Agent, trong số đó có đề cập đến một thử nghiệm rất thú vị: Generative Agent.
Generative Agents(viết tắt là GA) được lấy cảm hứng từ trò chơi “Sims”, sử dụng công nghệ LLM để tạo ra 25 nhân vật ảo, mỗi nhân vật được điều khiển bởi một Agent được hỗ trợ bởi LLM, sống và tương tác trong môi trường sandbox. Thiết kế của GA rất thông minh, nó kết hợp LLM với các chức năng bộ nhớ, lập kế hoạch và phản ánh, cho phép chương trình Tác nhân đưa ra quyết định dựa trên kinh nghiệm trước đó và tương tác với các Tác nhân khác.
Bài viết nêu chi tiết cách Đại lý liên tục đào tạo và tối ưu hóa lộ trình ra quyết định của mình dựa trên mạng chính sách, mạng giá trị và tương tác với môi trường.
Nguyên tắc như sau: Memory Stram là mô-đun bộ nhớ dài hạn ghi lại tất cả trải nghiệm tương tác của Tác nhân. Mô hình truy xuất (Retrieve) cung cấp trải nghiệm (Retrived Memories) dựa trên mức độ liên quan, mới mẻ và tầm quan trọng để giúp Agent đưa ra quyết định (Plan). Cơ chế phản ánh (Reflect) tóm tắt các sự kiện trong quá khứ và hướng dẫn các hành động trong tương lai của Tác nhân. Lập kế hoạch và Phản ánh phối hợp với nhau để giúp Tác nhân chuyển đổi thông tin phản ánh và môi trường thành hành động thực tế.
Source：LLM Powered Autonomous Agents
Thử nghiệm thú vị này cho chúng ta thấy khả năng của Tác nhân AI, chẳng hạn như tạo ra các hành vi xã hội mới, phổ biến thông tin, ghi nhớ mối quan hệ (chẳng hạn như hai nhân vật ảo tiếp tục thảo luận về các chủ đề) và phối hợp các hoạt động xã hội (chẳng hạn như tổ chức các bữa tiệc và mời các nhân vật ảo khác) vân vân. Nhìn chung, AI-Agent là một công cụ rất thú vị và ứng dụng của nó trong trò chơi rất đáng để khám phá sâu.
02 Xu hướng công nghệ
2.1 AI theo dõi xu hướng
Đối tác nghiên cứu đầu tư của ABCDELaoBaiTôi đã từng tóm tắt nhận định của giới đầu tư mạo hiểm ở Thung lũng Silicon về sự phát triển tiếp theo của AI:
Không có mô hình dọc, chỉ có mô hình lớn + ứng dụng dọc;
Dữ liệu từ các thiết bị biên như điện thoại di động có thể là rào cản và AI dựa trên các thiết bị biên cũng có thể là một cơ hội;
Độ dài của Ngữ cảnh có thể gây ra những thay đổi về chất trong tương lai (cơ sở dữ liệu vectơ hiện được sử dụng làm bộ nhớ AI, nhưng độ dài ngữ cảnh vẫn chưa đủ).
Có nghĩa là, nhìn từ góc độ quy luật phát triển chung của ngành, vì các mô hình tổng quát quy mô lớn quá nặng và có tính phổ biến mạnh nên không cần phải liên tục phát minh lại bánh xe trong lĩnh vực mô hình tổng hợp quy mô lớn. Thay vào đó, chúng ta nên tập trung hơn vào việc áp dụng các mô hình tổng quát quy mô lớn vào trường Vertical.
Đồng thời, các thiết bị biên đề cập đến các thiết bị đầu cuối thường không dựa vào trung tâm điện toán đám mây hoặc máy chủ từ xa mà thực hiện xử lý dữ liệu và ra quyết định cục bộ. Do tính đa dạng của các thiết bị biên nên việc triển khai AI Agent chạy trên thiết bị và lấy dữ liệu thiết bị một cách hợp lý là một thách thức nhưng cũng là một cơ hội mới.
Cuối cùng, vấn đề về Bối cảnh cũng đã thu hút được nhiều sự quan tâm. Nói một cách đơn giản, Ngữ cảnh trong ngữ cảnh LLM có thể được hiểu là lượng thông tin và Độ dài ngữ cảnh có thể được hiểu là số lượng kích thước của dữ liệu. Giả sử có một mô hình dữ liệu lớn cho một trang web thương mại điện tử, được sử dụng để dự đoán khả năng người dùng mua một sản phẩm nhất định. Trong trường hợp này, Ngữ cảnh có thể bao gồm các thông tin như lịch sử duyệt web của người dùng, lịch sử mua hàng, lịch sử tìm kiếm, thuộc tính người dùng, v.v. Độ dài ngữ cảnh đề cập đến thứ nguyên trong đó thông tin tính năng được xếp chồng lên nhau, chẳng hạn như lịch sử mua các sản phẩm cạnh tranh của một người dùng nam 30 tuổi ở Thượng Hải, tần suất mua hàng gần đây và lịch sử duyệt web gần đây. Việc tăng độ dài Ngữ cảnh có thể giúp mô hình hiểu một cách toàn diện hơn các yếu tố ảnh hưởng đến quyết định mua hàng của người dùng.
Sự đồng thuận hiện tại là mặc dù việc sử dụng cơ sở dữ liệu vectơ làm bộ nhớ AI hiện tại khiến cho Độ dài ngữ cảnh không đủ, nhưng Độ dài ngữ cảnh sẽ thay đổi về mặt chất lượng trong tương lai và khi đó mô hình LLM có thể tìm kiếm các phương pháp nâng cao hơn để xử lý và hiểu các Ngữ cảnh dài hơn và phức tạp hơn . thông tin. Nhiều kịch bản ứng dụng ngoài sức tưởng tượng đang xuất hiện.
2.2 Xu hướng tác nhân AI
Folius VenturesMô hình ứng dụng AI Agent trong đường dẫn trò chơi đã được tóm tắt như hình dưới đây:
Nguồn: Folius Ventures - Tính năng trò chơi: Hành trình tìm kiếm ngôi sao phương Bắc của trò chơi Web3
Số 1 trong hình là mô hình LLM, chịu trách nhiệm chính trong việc chuyển đổi ý định của người dùng từ đầu vào bàn phím/nhấp chuột truyền thống sang đầu vào ngôn ngữ tự nhiên, giảm ngưỡng đầu vào của người dùng.
Thứ 2 trong hình là một Dapp giao diện người dùng được tích hợp với AI Agent. Trong khi cung cấp các dịch vụ chức năng cho người dùng, nó cũng có thể thu thập thói quen và dữ liệu của người dùng từ thiết bị đầu cuối.
3 trong hình là nhiều loại Tác nhân AI khác nhau, có thể tồn tại trực tiếp dưới dạng các chức năng trong ứng dụng, Bot, v.v.
Nhìn chung, AI Agent, với tư cách là một công cụ dựa trên mã, có thể đóng vai trò là chương trình cơ bản để Dapp mở rộng các chức năng ứng dụng và là chất xúc tác tăng trưởng của nền tảng, tức là phần mềm trung gian liên kết các mô hình lớn và ứng dụng dọc.
Từ góc độ kịch bản của người dùng, các Dapp có nhiều khả năng tích hợp AI Agent nhất có thể là các ứng dụng xã hội, chatbot và trò chơi đủ mở; hoặc lối vào lưu lượng truy cập Web2 hiện tại có thể được chuyển đổi thành AI+ đơn giản và thân thiện hơn với người dùng. lối vào web3 thông qua Tác nhân AI; tức là ngành Chúng tôi đã thảo luận về việc hạ thấp ngưỡng người dùng của Web3.
Dựa theo quy luật phát triển của ngành, lớp middleware nơi đặt AI Agent thường sẽ trở thành một đường đua có tính cạnh tranh cao và gần như không có hào quang. Do đó, ngoài việc không ngừng cải thiện trải nghiệm để phù hợp với nhu cầu B2C, AI Agent còn có thể cải thiện lợi thế của mình bằng cách tạo hiệu ứng mạng hoặc tạo sự gắn bó với người dùng.
03 Bản đồ đường đi
Đã có nhiều nỗ lực khác nhau nhằm áp dụng AI vào lĩnh vực trò chơi Web3 và những nỗ lực này có thể được chia thành các loại sau:
Mô hình chung: Một số dự án tập trung xây dựng các mô hình AI tổng quát và tìm kiếm các kiến trúc mạng nơ-ron và mô hình chung phù hợp cho nhu cầu của các dự án Web3.
Ứng dụng dọc: Ứng dụng dọc được thiết kế để giải quyết các vấn đề cụ thể trong trò chơi hoặc cung cấp các dịch vụ cụ thể và thường xuất hiện dưới dạng Đại lý, Bot và BotKit.
Ứng dụng Generative AI: Ứng dụng trực tiếp nhất tương ứng với các mô hình lớn là tạo nội dung, và bản thân lĩnh vực game cũng là một ngành nội dung nên các ứng dụng Generative AI trong lĩnh vực game rất đáng được quan tâm. Có thể tự động tạo ra các yếu tố, nhân vật, nhiệm vụ hoặc cốt truyện trong thế giới ảo, tự động tạo ra các chiến lược, quyết định trong trò chơi và thậm chí là sự phát triển tự động của hệ sinh thái trong trò chơi, giúp trò chơi trở nên đa dạng và có chiều sâu hơn.
Game AI: Hiện nay có rất nhiều game được tích hợp công nghệ AI, với các kịch bản ứng dụng khác nhau, ví dụ sẽ được đưa ra dưới đây.
3.1 Mô hình lớn tổng quát
Hiện tại, Web3 đã có các mô hình mô phỏng để thiết kế mô hình kinh tế và phát triển sinh thái kinh tế, chẳng hạn như mô hình mã thông báo định lượng QTM. Liên doanh ngoại lệDr. Achim StruveTrong bài phát biểu của ETHCC, một số ý tưởng về thiết kế mô hình kinh tế đã được đề cập. Ví dụ: xem xét sự vững mạnh của hệ thống kinh tế, nhóm dự án có thể tạo ra bản song sinh kỹ thuật số thông qua mô hình LLM để mô phỏng toàn bộ hệ sinh thái 1:1.
Hình dưới đâyQTM(Mô hình mã thông báo định lượng) là mô hình suy luận dựa trên AI. QTM sử dụng thời gian mô phỏng cố định là 10 năm, mỗi bước thời gian là một tháng. Khi bắt đầu mỗi bước thời gian, token sẽ được thải vào hệ sinh thái nên trong mô hình sẽ có các mô-đun khuyến khích, mô-đun phân bổ mã thông báo, mô-đun airdrop, v.v. Sau đó, các mã thông báo này sẽ được đưa vào một số nhóm meta, từ đó việc phân phối lại tiện ích chung chi tiết hơn sẽ được thực hiện lại. Sau đó, xác định các khoản thanh toán thưởng, v.v. từ các công cụ tiện ích này. Ngoài ra còn có các khía cạnh như kinh doanh ngoài chuỗi, cũng tính đến trạng thái tài trợ chung của doanh nghiệp, chẳng hạn như doanh nghiệp có thể bị phá hủy hoặc mua lại và cũng có thể đo lường tỷ lệ chấp nhận của người dùng hoặc xác định mức độ chấp nhận của người dùng.
Tất nhiên, chất lượng đầu ra của mô hình phụ thuộc vào chất lượng đầu vào nên trước khi sử dụng QTM, phải tiến hành nghiên cứu thị trường đầy đủ để có được thông tin đầu vào chính xác hơn. Tuy nhiên, mô hình QTM đã là ứng dụng rất thực tế của mô hình định hướng AI trong mô hình kinh tế Web3. Ngoài ra, cũng có nhiều bên dự án sử dụng mô hình QTM để tạo ra các ứng dụng 2C/2B với độ khó vận hành thấp hơn, hạ thấp ngưỡng cho các bên dự án để dùng nó.
3.2 Tác nhân ứng dụng dọc
Các ứng dụng dọc chủ yếu tồn tại ở dạng Agent, các Agent có thể ở nhiều dạng khác nhau như Bot, BotKit, trợ lý ảo, hệ thống hỗ trợ ra quyết định thông minh, các công cụ xử lý dữ liệu tự động khác nhau, v.v. Nói chung, AI Agent lấy mô hình chung của OpenAI làm lớp dưới cùng, kết hợp nó với các công nghệ nguồn mở hoặc tự phát triển khác, chẳng hạn như chuyển văn bản thành giọng nói (TTS) và thêm dữ liệu cụ thể cho FineTune (một loại hình đào tạo trong lĩnh vực machine learning và deep learning), mục đích chính là tối ưu hóa hơn nữa mô hình đã được đào tạo trước trên dữ liệu quy mô lớn) để tạo ra một AI Agent hoạt động tốt hơn ChatGPT trong một lĩnh vực cụ thể.
Hiện tại, ứng dụng trưởng thành nhất trong dòng trò chơi Web3 là NFT Agent. Sự đồng thuận trong mạch chơi game là NFT phải là một phần quan trọng của trò chơi Web3.
Với sự phát triển của công nghệ quản lý siêu dữ liệu trong hệ sinh thái Ethereum, các NFT động có thể lập trình đã xuất hiện. Đối với người tạo NFT, họ có thể làm cho các chức năng NFT linh hoạt hơn thông qua các thuật toán. Đối với người dùng, có thể có nhiều tương tác hơn giữa người dùng và NFT và dữ liệu tương tác được tạo sẽ trở thành nguồn thông tin. Tác nhân AI có thể tối ưu hóa quá trình tương tác và mở rộng các kịch bản ứng dụng của dữ liệu tương tác, đưa thêm nhiều đổi mới và giá trị vào hệ sinh thái NFT.
Trường hợp 1: Ví dụ: khung phát triển của Gelato cho phép các nhà phát triển tùy chỉnh logic để cập nhật siêu dữ liệu NFT dựa trên các sự kiện ngoài chuỗi hoặc khoảng thời gian cụ thể. Các nút Gelato sẽ kích hoạt các thay đổi siêu dữ liệu khi đáp ứng các điều kiện cụ thể, từ đó cho phép cập nhật tự động NFT trên chuỗi. Ví dụ: công nghệ này có thể được sử dụng để lấy dữ liệu trò chơi theo thời gian thực từ API thể thao và tự động nâng cấp các đặc tính kỹ năng của NFT trong một số điều kiện nhất định, chẳng hạn như khi một vận động viên thắng một trò chơi.
Source：Gelato - The Ultimate Guide to Dynamic NFTs
Trường hợp 2:PaimaTác nhân ứng dụng cũng được cung cấp cho Dynamic NFT. Giao thức nén NFT của Paima tạo ra một bộ NFT tối thiểu trên L1 và sau đó phát triển chúng dựa trên trạng thái trò chơi trên L2, cung cấp cho người chơi trải nghiệm chơi trò chơi tương tác và có chiều sâu hơn. Ví dụ: NFT có thể thay đổi dựa trên giá trị kinh nghiệm của nhân vật, mức độ hoàn thành nhiệm vụ, trang bị và các yếu tố khác.
Trường hợp thứ ba:Mudulas LabsĐây là một dự án ZKML rất nổi tiếng và nó cũng có bố cục trong đường đua NFT. Mudulas đã ra mắt dòng NFT zkMon, cho phép tạo NFT thông qua AI và phát hành vào chuỗi. Đồng thời, một zkp được tạo ra. Người dùng có thể sử dụng zkp để kiểm tra xem NFT của họ có được tạo từ mô hình AI tương ứng hay không. Để biết thông tin đầy đủ hơn, vui lòng tham khảo:Chapter 7.2: The World’s 1 st zkGAN NFTs。
3.3 Ứng dụng AI sáng tạo
Như đã đề cập trước đó, vì bản thân trò chơi là một ngành công nghiệp nội dung nên AI-Agent có thể tạo ra một lượng lớn nội dung trong thời gian ngắn và với chi phí thấp, bao gồm cả việc tạo ra những nội dung không chắc chắn,Nhân vật trò chơi năng độngvân vân. Vì vậy, Generative AI rất phù hợp cho các ứng dụng game. Hiện nay, các ứng dụng của Generative AI trong lĩnh vực game có thể tóm tắt thành các loại chính sau:
Nhân vật game do AI tạo ra: Ví dụ như chiến đấu chống lại AI, hay AI chịu trách nhiệm mô phỏng và điều khiển các NPC trong game, hoặc thậm chí trực tiếp sử dụng AI để tạo ra nhân vật, v.v.
Nội dung trò chơi do AI tạo ra: Nhiều nội dung khác nhau, chẳng hạn như nhiệm vụ, cốt truyện, đạo cụ, bản đồ, v.v., đều do AI trực tiếp tạo ra.
Lớp cảnh trò chơi do AI tạo: Hỗ trợ sử dụng AI để tự động tạo, tối ưu hóa hoặc mở rộng địa hình, cảnh quan và bầu không khí của thế giới trò chơi.
3.3.1 Ký tự do AI tạo ra
Trường hợp 1: MyShell
MyShellLà nền tảng tạo Bot, người dùng có thể tạo Bot độc quyền theo nhu cầu riêng để trò chuyện, luyện nói, chơi game, thậm chí tìm kiếm tư vấn tâm lý, v.v. Đồng thời, Myshell sử dụng công nghệ chuyển văn bản thành giọng nói (TTS), có thể tự động tạo Bot bằng cách bắt chước giọng nói của bất kỳ ai chỉ bằng vài giây mẫu giọng nói. Ngoài ra, MyShell sử dụng AutoPrompt, cho phép người dùng đưa ra hướng dẫn cho mô hình LLM chỉ bằng cách mô tả suy nghĩ của chính họ, đặt nền tảng cho mô hình ngôn ngữ lớn riêng tư (LLM).
Người dùng với Myshellthể hiện, chức năng trò chuyện thoại của nó rất mượt mà, tốc độ phản hồi nhanh hơn trò chuyện thoại của GPT và nó cũng có Live 2D.
Trường hợp 2: Đấu trường AI
AI ArenaĐây là một trò chơi chiến đấu AI. Người dùng có thể sử dụng mô hình LLM để liên tục huấn luyện các yêu tinh chiến đấu (NFT) của riêng mình, sau đó gửi các yêu tinh chiến đấu đã được huấn luyện đến chiến trường PvP/PvE. Chế độ chiến đấu tương tự như Super Smash Bros., nhưng mang lại nhiều niềm vui cạnh tranh hơn thông qua đào tạo AI.
Paradigm đã dẫn đầu khoản đầu tư vào AI Arena và giai đoạn beta công khai đã bắt đầu. Người chơi có thể vào trò chơi miễn phí hoặc mua NFT để tăng cường độ luyện tập.
Trường hợp 3: Trò chơi cờ vua trên chuỗi Leela vs the World
Leela vs the Worldlà một trò chơi cờ vua được phát triển bởi Mudulas Labs. Trong trò chơi, hai bên là AI và con người, tình huống ván cờ được đặt trong hợp đồng. Người chơi vận hành (tương tác với hợp đồng) thông qua ví của họ. AI đọc tình huống ván cờ mới, đưa ra phán đoán và tạo zkp cho toàn bộ quá trình tính toán. Cả hai bước đều được hoàn thành trên đám mây AWS và zkp được xác minh theo hợp đồng trên chuỗi. Sau khi xác minh thành công , hợp đồng chơi cờ có tên là cờ Xuống.
3.3.2 AI tạo ra nội dung trò chơi
Trường hợp 1: Thị trấn AI
AI Town là sự hợp tác giữa a16z và công ty đầu tư Convex Dev, lấy cảm hứng từ bài báo Generative Agent của Đại học Stanford. Thị trấn AI là một thị trấn ảo nơi mỗi AI trong thị trấn có thể xây dựng câu chuyện của riêng mình dựa trên sự tương tác và trải nghiệm.
Trong số đó, các nhóm công nghệ như khung không máy chủ back-end Convex, lưu trữ vectơ Pinecone, xác thực Thư ký, tạo văn bản ngôn ngữ tự nhiên OpenAI và triển khai Fly được sử dụng. Ngoài ra, AI Town đều là mã nguồn mở và hỗ trợ các nhà phát triển trong trò chơi tùy chỉnh các thành phần khác nhau, bao gồm dữ liệu tính năng, bảng sprite, môi trường hình ảnh Tilemap, lời nhắc tạo văn bản, quy tắc trò chơi và logic, v.v. Ngoài việc người chơi bình thường có thể trải nghiệm AI Town, nhà phát triển cũng có thể sử dụng mã nguồn để phát triển nhiều chức năng khác nhau trong trò chơi hoặc thậm chí bên ngoài trò chơi. Tính linh hoạt này khiến AI Town phù hợp với nhiều loại ứng dụng khác nhau.
Vì vậy, bản thân AI Town là một trò chơi có nội dung do AI tạo ra, nhưng nó cũng là một hệ sinh thái phát triển và thậm chí là một công cụ phát triển.
Trường hợp 2: Phao-lô
Paul là người tạo câu chuyện AI, chuyên cung cấp đường dẫn giải pháp cho các trò chơi trên toàn chuỗi để tạo các câu chuyện AI và tải chúng trực tiếp lên chuỗi. Logic triển khai là nhập nhiều quy tắc tiên nghiệm vào LLM và sau đó người chơi có thể tự động tạo nội dung phụ dựa trên các quy tắc.
Hiện tại có một trò chơi được phát hành bằng giao thức Straylight sử dụng Paul Seidler.StraylightĐây là một trò chơi NFT nhiều người chơi. Lối chơi cốt lõi là phiên bản trò chơi đầy đủ chuỗi của Minecraft. Người chơi có thể tự động Đúc NFT và sau đó xây dựng thế giới của riêng mình theo các quy tắc cơ bản do mô hình nhập vào.
3.3.3 Cảnh trò chơi do AI tạo ra
Trường hợp 1: Phòng thí nghiệm Pahdo
Pahdo Labs là một studio phát triển trò chơi hiện đang phát triển Halcyon Zero, một trò chơi nhập vai giả tưởng anime và nền tảng tạo trò chơi trực tuyến được xây dựng trên Godot engine. Trò chơi diễn ra trong một thế giới giả tưởng thanh tao, xoay quanh một thị trấn nhộn nhịp đóng vai trò là trung tâm xã hội.
Điều rất đặc biệt ở trò chơi này là người chơi có thể sử dụng các công cụ tạo AI do trò chơi cung cấp để nhanh chóng tạo thêm nhiều hình nền hiệu ứng 3D và đưa các nhân vật yêu thích của mình vào trò chơi, thực sự cung cấp các công cụ và cảnh trò chơi cho trò chơi đại chúng UGC.
Trường hợp 2: Kaedim
KaedimMột công cụ tạo mô hình 3D dựa trên Generative AI đã được phát triển cho các studio trò chơi, công cụ này có thể nhanh chóng giúp các studio trò chơi tạo ra hàng loạt cảnh/nội dung 3D trong trò chơi đáp ứng nhu cầu của họ. Sản phẩm chung của Kaedim hiện vẫn đang được phát triển và dự kiến sẽ mở cửa cho các studio game vào năm 2024.
Logic cốt lõi của sản phẩm Kaedim hoàn toàn giống với logic của AI-Agent, nó sử dụng một mô hình lớn nói chung làm cơ sở, sau đó các nghệ sĩ trong nhóm sẽ liên tục nhập dữ liệu tốt, sau đó đưa ra phản hồi về đầu ra của Tác nhân và liên tục đào tạo Mô hình thông qua học máy, cuối cùng AI-Agent có thể xuất ra cảnh 3D đáp ứng yêu cầu.
04 Tóm tắt
Trong bài viết này, chúng tôi tiến hành phân tích và tóm tắt chi tiết về ứng dụng của AI trong lĩnh vực game. Nhìn chung, việc ứng dụng các mô hình tổng quát và Generative AI vào game chắc chắn sẽ dẫn đến những dự án kỳ lân ngôi sao trong tương lai. Mặc dù các ứng dụng dọc có hào thấp nhưng chúng có lợi thế mạnh mẽ của người đi đầu. Nếu chúng có thể dựa vào lợi thế của người đi đầu để tạo hiệu ứng mạng và tăng mức độ gắn bó của người dùng thì sẽ có rất nhiều chỗ cho trí tưởng tượng. Ngoài ra, Generative AI đương nhiên phù hợp với ngành nội dung game, hiện tại có rất nhiều đội đang cố gắng áp dụng GA vào game, rất có thể sẽ có những game đình đám sử dụng GA trong chu kỳ này.
Ngoài một số định hướng được đề cập trong bài viết, còn có những góc độ khám phá khác trong thời gian tới. Ví dụ:
(1) Đường dữ liệu + lớp ứng dụng: Đường dữ liệu AI đã khai sinh ra một số dự án kỳ lân trị giá hàng tỷ đô la, và sự liên kết giữa lớp dữ liệu + ứng dụng cũng đầy trí tưởng tượng.
(2) Tích hợp với Socialfi: như cung cấp các phương thức tương tác xã hội sáng tạo; sử dụng AI Agent để tối ưu hóa xác thực danh tính cộng đồng và quản trị cộng đồng; hoặc các đề xuất được cá nhân hóa thông minh hơn, v.v.
(3) Với sự tự động hóa và trưởng thành của các Đặc vụ, liệu đối tượng tham gia chính trong Thế giới tự trị trong tương lai sẽ là con người hay Bot? Liệu thế giới tự trị trên chuỗi có thể giống như Uniswap, trong đó hơn 80% DAU là Bot không? Nếu vậy thì một tác nhân quản trị kết hợp các khái niệm quản trị Web3 cũng đáng để khám phá.
05 Tài liệu tham khảo
Exploring the Design Space for Dynamic NFTs
Generative Manufacturing: Transmuting Code intoPhysical Goods
Từ AI có thể xác minh đến AI có thể kết hợp: Những phản ánh về các kịch bản ứng dụng zkML
Thiết kế và tối ưu hóa mã thông báo dựa trên dữ liệu
Cách các Tác nhân AI thực hiện quản trị DAO tự động
IOS
Android