AI Agents xác định lại con đường đổi mới trong trò chơi Web3

Thông tin chi tiết chính

1.AI Agent là một công cụ dựa trên mô hình lớn chung của LLM, để các nhà phát triển và người dùng trực tiếp xây dựng các ứng dụng có thể tương tác độc lập. 2.AI Mô hình chính của tương lai của đường đua có thể là: "mô hình lớn chung + ứng dụng mặt dây chuyền"; Ngách sinh thái của AI Agent là phần mềm trung gian kết nối mô hình lớn nói chung và Dapp, vì vậy AI Agent có hào thấp, và cần phải xây dựng hiệu ứng mạng và cải thiện mức độ gắn bó của người dùng để cải thiện khả năng cạnh tranh lâu dài. 3. Bài viết này đánh giá sự phát triển của "các mô hình lớn nói chung, tác nhân ứng dụng mặt dây chuyền và ứng dụng AI tạo ra" trong đường đua trò chơi Web3. Trong số đó, kết hợp với công nghệ Generative AI, nó có tiềm năng lớn để tấn công trò chơi trong ngắn hạn.

01 Tóm tắt kỹ thuật

Trong công nghệ trí tuệ tổng hợp nhân tạo AGI (Trí tuệ tổng hợp nhân tạo) bùng nổ năm nay, Mô hình ngôn ngữ lớn (LLM) là nhân vật chính tuyệt đối. Các nhà công nghệ cốt lõi của OpenAI Andrej Karpathy và Lilian Weng cũng nói rằng các 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 các hệ thống tác nhân AI dựa trên LLM (AI-Agents). Nói một cách đơn giản, AI Agent là một chương trình máy tính sử dụng một lượng lớn dữ liệu và các 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. Hình ảnh của Abacus.ai giới thiệu rõ nguyên tắc cơ bản của AI Agent, và các bước như sau:

1. Nhận thức và thu thập dữ liệu: Đầu vào dữ liệu, hoặc Tác nhân AI thông qua các hệ thống nhận thức (cảm biến, camera, micrô, v.v.) để thu thập thông tin và dữ liệu, chẳng hạn như trạng thái trò chơi, hình ảnh, âm thanh, v.v. **
2. Biểu diễn trạng thái: Dữ liệu cần được xử lý và biểu diễn dưới dạng mà Tác nhân có thể hiểu được, chẳng hạn như được chuyển đổi thành vectơ hoặc tensor, để có thể dễ dàng nhập vào mạng thần kinh. **
3. Mô hình mạng nơ-ron: Các mô hình mạng nơ-ron sâu thường được sử dụng để ra quyết định và học tập, chẳng hạn như mạng nơ-ron tích chập (CNN) để xử lý hình ảnh, mạng nơ-ron tái phát (RNN) để xử lý dữ liệu trình tự hoặc các mô hình tiên tiến hơn như cơ chế tự chú ý (Transformers). **
4. Học tăng cường: Nhân viên học các chiến lược hành động tốt nhất thông qua tương tác với môi trường. Ngoài ra, các nguyên tắc hoạt động của đại lý bao gồm mạng lưới chiến lược, mạng giá trị, đào tạo và tối ưu hóa, 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 xuất ra phân phối xác suất hành động; Mạng giá trị có thể ước tính giá trị nhà nước; Các đại lý có thể liên tục củng cố các thuật toán học tập bằng cách tương tác với môi trường để tối ưu hóa các chính sách và mạng lưới giá trị và mang lại kết quả tốt hơn. **

Tóm lại, AI-Agents là những thực thể thông minh hiểu, quyết định và hành động, và chúng có thể đóng một vai trò quan trọng trong nhiều lĩnh vực, bao gồm cả chơi game. "LLM Powered Autonomous Agents" của kỹ thuật viên cốt lõi OpenAI Lilian Weng cung cấp một giới thiệu rất toàn diện về các nguyên tắc của AI-Agents, bao gồm một thử nghiệm rất thú vị: Generative Agents.

Generative Agents (GA) được lấy cảm hứng từ các trò chơi The Sims, sử dụng công nghệ LLM để tạo ra 25 nhân vật ảo, mỗi nhân vật được điều khiển bởi một tác nhân được hỗ trợ bởi LLM, sống và tương tác trong môi trường hộp cát. GA được thiết kế thông minh để kết hợp LLM với khả năng ghi nhớ, lập kế hoạch và phản xạ, cho phép các chương trình đại lý 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 các đường dẫn quyết định dựa trên mạng lưới chính sách, mạng lưới giá trị và tương tác với môi trường.

Nguyên tắc như sau: trong đó Memory Stream (Memory Stram) là mô-đun bộ nhớ dài hạn ghi lại tất cả các trải nghiệm tương tác của tác nhân. Mô hình Truy xuất cung cấp Ký ức truy xuất dựa trên mức độ liên quan, độ mới và tầm quan trọng để giúp tác nhân đưa ra quyết định. Cơ chế phản ánh 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 làm việc cùng nhau để giúp các tác nhân chuyển phản ánh và thông tin môi trường thành các hành động có thể hành động.

Thí nghiệm thú vị này cho chúng ta thấy khả năng của các tác nhân AI, chẳng hạn như tạo ra các hành vi xã hội mới, phổ biến thông tin, bộ nhớ quan hệ (chẳng hạn như hai nhân vật ảo tiếp tục thảo luận về một chủ đề) và điều phối các hoạt động xã hội (như tổ chức một bữa tiệc và mời các nhân vật ảo khác), v.v. Nhìn chung, AI-Agent là một công cụ rất thú vị và ứng dụng của nó trong các trò chơi rất đáng để khám phá sâu.

02 Xu hướng công nghệ

2.1 AI Theo dõi xu hướng

Lao Bai, một đối tác nghiên cứu đầu tư tại ABCDE, từng tóm tắt nhận định của cộng đồng đầu tư mạo hiểm Thung lũng Silicon về sự phát triển tiếp theo của AI:

1. ** Không có mô hình dọc, chỉ có mô hình lớn + ứng dụng dọc; **
2. Dữ liệu trên các thiết bị biên như điện thoại di động có thể là rào cản và dựa trên AI trên các thiết bị biên cũng có thể là một cơ hội; **
3. Độ dài của Context có thể gây ra những thay đổi về chất trong tương lai (cơ sở dữ liệu vector hiện được sử dụng làm bộ nhớ AI, nhưng độ dài của ngữ cảnh vẫn chưa đủ). **

**Tức là, dưới góc độ quy luật phát triển chung của ngành, do chế độ mô hình mô hình chung quy mô quy mô lớn quá nặng và có tính phổ quát mạnh nên không cần phải liên tục chế tạo bánh xe trong lĩnh vực mô hình chung quy mô lớn, mà nên tập trung nhiều hơn vào việc áp dụng các mô hình chung quy mô lớn vào lĩnh vực mặt dây chuyền. **

Đồng thời, các thiết bị biên đề cập đến các thiết bị đầu cuối thường không dựa vào các trung tâm điện toán đám mây hoặc máy chủ từ xa, nhưng tiến hành xử lý dữ liệu và ra quyết định cục bộ. Do sự đa dạng của các thiết bị biên, làm thế nào để triển khai các tác nhân AI để chạy trên các thiết bị và lấy dữ liệu thiết bị đúng cách là một thách thức, nhưng nó cũng là một cơ hội mới.

Cuối cùng, câu hỏi về Bối cảnh cũng đã thu hút rất nhiều sự chú ý. Nói một cách đơn giản, ngữ cảnh trong ngữ cảnh LLM có thể được hiểu là lượng thông tin và độ dài của ngữ cảnh có thể được hiểu là dữ liệu có bao nhiêu chiều. Giả sử bạn có một mô hình dữ liệu lớn của 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 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 kích thước của sự chồng chất thông tin tính năng, chẳng hạn như lịch sử mua các sản phẩm cạnh tranh của 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 của ngữ cảnh có thể giúp mô hình hiểu 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 vector hiện tại làm bộ nhớ của AI làm cho độ dài Context không đủ, độ dài Context sẽ thay đổi về chất trong tương lai và mô hình hậu LLM có thể tìm kiếm các phương pháp nâng cao hơn để xử lý và hiểu thông tin Context dài hơn và phức tạp hơn. Hơn nữa, nhiều kịch bản ứng dụng ngoài sức tưởng tượng đã xuất hiện.

2.2 Xu hướng AI Agent

Folius Ventures đã tóm tắt mô hình ứng dụng của AI Agent trong đường đua trò chơi, như hình dưới đây:

Hình 1 là mô hình LLM, chủ yếu chịu trách nhiệm chuyển đổi ý định của người dùng từ đầu vào bàn phím / nhấp chuột truyền thống sang đầu vào ngôn ngữ tự nhiên, giảm rào cản gia nhập cho người dùng.

Hình 2 là một Dapp front-end được tích hợp với AI Agent cung cấp cho người dùng các dịch vụ chức năng trong khi thu thập thói quen và dữ liệu của người dùng từ thiết bị đầu cuối.

3 trong hình là các tác nhân AI khác nhau, có thể tồn tại trực tiếp dưới dạng các chức năng trong ứng dụng, bot, v.v.

Nói chung, là một công cụ dựa trên mã, AI Agent có thể hoạt động như một chương trình cơ bản cho Dapps để mở rộng chức năng ứng dụng và là chất xúc tác tăng trưởng cho nền tảng, nghĩa là phần mềm trung gian liên kết các mô hình lớn và ứng dụng dọc.

Về kịch bản người dùng, Dapp nhiều khả năng tích hợp AI Agent có khả năng đủ mở cho các ứng dụng xã hội, chatbot và trò chơi; Hoặc chuyển đổi cổng lưu lượng truy cập Web2 hiện có thành lối vào AI + web3 đơn giản và dễ tiếp cận hơn thông qua AI Agent; Đó là, ngành công nghiệp đã thảo luận để hạ thấp ngưỡng của người dùng Web3.

Dựa trên quy luật phát triển của ngành, lớp phần mềm trung gian trong đó AI Agent được đặt thường trở thành một đường đua cạnh tranh cao mà hầu như không có hào. Do đó, ngoài việc liên tục cải thiện trải nghiệm để phù hợp với nhu cầu của B2C, các tác nhân AI có thể cải thiện hào của họ bằng cách tạo hiệu ứng mạng hoặc tạo sự gắn bó của người dùng.

03 Bản đồ theo dõi

Đã có một số nỗ lực khác nhau đối với các ứng dụng AI trong trò chơi Web3, có thể được nhóm thành các loại sau:

1. Mô hình chung: Một số dự án tập trung xây dựng các mô hình AI chung, tìm kiếm kiến trúc mạng nơ-ron phù hợp và các mô hình chung cho nhu cầu của các dự án Web3. **
2. Ứng dụng dọc: Ứng dụng mặt dây chuyền được thiết kế để giải quyết các vấn đề cụ thể trong trò chơi hoặc cung cấp các dịch vụ cụ thể, thường là dưới dạng Đại lý, Bot và BotKit. **
3. **Ứng dụng AI tạo ra: Ứng dụng trực tiếp nhất tương ứng với mô hình lớn là tạo nội dung, và bản thân đường đua trò chơi là ngành công nghiệp nội dung, vì vậy ứng dụng Generative AI trong lĩnh vực game rất đáng được quan tâm. Từ việc tự động tạo ra các yếu tố, nhân vật, nhiệm vụ hoặc cốt truyện trong thế giới ảo, đến việc tạo tự động các chiến lược, quyết định trò chơi và thậm chí là sự phát triển tự động của hệ sinh thái trong trò chơi, điều đó đã trở nên khả thi, làm cho trò chơi trở nên đa dạng và sâu sắc hơn. ** 4.AI trò chơi: Hiện tại, đã có rất nhiều trò chơi tích hợp công nghệ AI và có các kịch bản ứng dụng khác nhau, sẽ được minh họa dưới đây. **

3.1 Mô hình lớn phổ 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. Tiến sĩ Achim Struve của Outlier Venture đã đề cập đến một số ý tưởng cho thiết kế mô hình kinh tế trong bài nói chuyện của ông tại ETHCC. Ví dụ, xem xét sự mạnh mẽ của hệ thống kinh tế, nhóm dự án có thể tạo ra một bản sao kỹ thuật số Digital Twin thông qua mô hình LLM để mô phỏng toàn bộ hệ sinh thái 1: 1.

QTM (Quantized Token Model) trong hình dưới đây là một mô hình suy luận do AI điều khiển. QTM sử dụng thời gian mô phỏng cố định là 10 năm, với mỗi bước thời gian đo một tháng. Vào đầu mỗi bước thời gian, mã thông báo được phát ra vào hệ sinh thái, do đó có các mô-đun khuyến khích, mô-đun trao mã thông báo, mô-đun airdrop, v.v. trong mô hình. Các mã thông báo này sau đó sẽ được thả vào một số nhóm meta, từ đó phân phối lại tiện ích tổng quát chi tiết hơn sẽ diễn ra. Sau đó, xác định các khoản thanh toán phần thưởng, v.v. từ các công cụ tiện ích này. Ngoài ra, giống như kinh doanh ngoài chuỗi, điều này cũng tính đến tình hình tài trợ chung của doanh nghiệp, chẳng hạn như khả năng phá hủy hoặc mua lại và cũng có thể đo lường sự chấp nhận của người dùng hoặc xác định sự chấp nhận của người dùng.

Tất nhiên, chất lượng đầu ra của mô hình phụ thuộc vào chất lượng đầu vào, vì vậy trước khi sử dụng QTM, cần phải nghiên cứu thị trường đầy đủ để có được thông tin đầu vào chính xác hơn. Tuy nhiên, mô hình QTM đã là một ứng dụng rất thiết thực của mô hình AI điều khiển trong mô hình kinh tế Web3, và có nhiều bên dự án dựa trên mô hình QTM để thực hiện các ứng dụng 2C / 2B với độ khó hoạt động thấp hơn, giảm ngưỡng cho các bên dự án sử dụng.

3.2 Tác nhân ứng dụng mặt dây chuyền

Các ứng dụng mặt dây chuyền chủ yếu tồn tại dưới dạng Tác nhân, có thể là Bot, BotKits, trợ lý ảo, hệ thống hỗ trợ 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 nền tảng, kết hợp các công nghệ mã nguồn mở hoặc tự phát triển khác, chẳng hạn như chuyển văn bản thành giọng nói (TTS), v.v. và thêm dữ liệu cụ thể cho FineTune (một kỹ thuật đào tạo trong lĩnh vực học máy và học sâu, mục đích chính là tối ưu hóa hơn nữa một 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 của đường đua trò chơi Web3 là NFT Agent. Sự đồng thuận trên đường đua 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 những người tạo ra NFT, họ có thể làm cho chức năng NFT linh hoạt hơn theo 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 ra đã trở thành một nguồn thông tin. AI Agent có thể tối ưu hóa quá trình tương tác và mở rộng các kịch bản ứng dụng của dữ liệu tương tác, đưa thêm sự 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 các khoảng thời gian cụ thể. Các nút Gelato sẽ kích hoạt các thay đổi siêu dữ liệu khi đáp ứng một số điều kiện nhất định, cho phép cập nhật tự động các NFT trên chuỗi. Ví dụ: công nghệ này có thể được sử dụng để tìm nạp dữ liệu trận đấu theo thời gian thực từ API thể thao và tự động nâng cấp các đặc điểm kỹ năng của NFT trong một số điều kiện nhất định, chẳng hạn như khi vận động viên thắng một trận đấu.

Trường hợp 2: Paima cũng cung cấp một tác nhân ứng dụng cho Dynamic NFT. Giao thức nén NFT của Paima đúc một tập hợp các NFT tối thiểu trên L1 và sau đó phát triển chúng dựa trên trạng thái của trò chơi trên L2, cung cấp cho người chơi trải nghiệm chơi game sâu sắc và tương tác hơn. Ví dụ, NFT có thể thay đổi theo các yếu tố như điểm kinh nghiệm của nhân vật, hoàn thành nhiệm vụ, trang bị, v.v.

Trường hợp 3: Mudulas Labs là một dự án ZKML rất nổi tiếng, cũng có bố cục trong đường đua NFT. Mudulas đã ra mắt loạt NFT zkMon, cho phép NFT được tạo thông qua AI và được xuất bản lên chuỗi, đồng thời tạo zkp, qua đó người dùng có thể kiểm tra xem NFT của họ có được tạo từ mô hình AI tương ứng hay không. Để biết thêm thông tin toàn diện, hãy xem: Chương 7.2: NFT zkGAN số 1 thế giới.

3.3 Ứng dụng AI tạo ra

Như đã đề cập trước đó, vì bản thân trò chơi là một ngành công nghiệp nội dung, AI-Agent có thể tạo ra một lượng lớn nội dung trong thời gian ngắn và với chi phí thấp, bao gồm tạo ra các nhân vật trò chơi không chắc chắn, năng động, v.v. Vì vậy, Generative AI là hoàn hảo cho các ứng dụng chơi game. Hiện tại, ứng dụng của Generative AI trong lĩnh vực game có thể được tóm tắt thành các loại chính sau:

1. **Lớp nhân vật trò chơi do AI tạo ra: chẳng hạn như chơi với AI, hoặc AI chịu trách nhiệm mô phỏng và điều khiển NPC trong trò chơi, hoặc thậm chí trực tiếp sử dụng AI để tạo nhân vật. **
2. **Lớp nội dung trò chơi do AI tạo ra: Nhiều nội dung khác nhau do AI trực tiếp tạo ra, chẳng hạn như nhiệm vụ, cốt truyện, đạo cụ, bản đồ, v.v. **
3. **Lớp cảnh trò chơi do AI tạo ra: hỗ trợ tự động sử dụng, tối ưu hóa hoặc mở rộng địa hình, cảnh quan và bầu không khí của thế giới trò chơi với AI. **

3.3.1 Vai trò do AI tạo ra

Trường hợp 1: MyShell

MyShell là một nền tảng tạo bot cho phép người dùng tạo bot của riêng họ để trò chuyện, luyện nói, chơi trò chơi và thậm chí tìm kiếm tư vấn theo nhu cầu của họ. Trong khi đó, Myshell sử dụng công nghệ chuyển văn bản thành giọng nói (TTS), tự động tạo ra một bot bắt chước giọng nói của bất kỳ ai chỉ trong vài giây. Ngoài ra, MyShell sử dụng Auto, cho phép người dùng hướng dẫn các mô hình LLM chỉ bằng cách mô tả ý tưởng của họ, đặt nền tảng cho các mô hình ngôn ngữ lớn riêng (LLM).

Người dùng Myshell nói rằng tính năng trò chuyện thoại của nó rất mượt mà, nhanh hơn so với trò chuyện thoại của GPT và Live2D.

Trường hợp 2: AI Arena**

AI Arena là một trò chơi chiến đấu AI, nơi người dùng có thể sử dụng mô hình LLM để liên tục huấn luyện Yêu tinh chiến đấu (NFT) của riêng họ, sau đó gửi các Pháp sư Chiến đấu đã được đào tạo đến các trận chiến PvP / PvE. Chế độ chiến đấu tương tự như Nintendo Star Smash Bros., nhưng với đào tạo AI thêm niềm vui cạnh tranh hơn.

Paradigm dẫn đầu việc đầu tư vào AI Arena, hiện đã bắt đầu trong giai đoạn beta mở, nơi người chơi có thể tham gia trò chơi miễn phí hoặc mua NFT để tăng cường độ luyện tập.

Nghiên cứu điển hình 3: Leela vs thế giới **

Leela vs the World là một trò chơi cờ vua được phát triển bởi Mudulas Labs. Trong trò chơi, hai bên của trò chơi là AI và con người, và tình huống trò chơi cờ vua được đặt trong hợp đồng. Người chơi hoạt động (tương tác với hợp đồng) thông qua ví của họ. AI đọc tình huống trò chơi cờ vua mới, đưa ra phán đoán và tạo zkp cho toàn bộ quá trình tính toán, cả hai đều được hoàn thành trên Đám mây AWS và zkp được xác minh bằng hợp đồng trên chuỗi và sau khi xác minh thành công, hợp đồng cờ vua được gọi là "chơi cờ".

**3.3.2 Nội dung trò chơi do AI tạo **

Trường hợp 1: AI Town

AI Town là sự hợp tác giữa a16z và công ty danh mục đầu tư của nó, Convex Dev, lấy cảm hứng từ bài báo Generative Agent của Đại học Stanford. AI Town là một thị trấn ảo, nơi mọi AI trong thị trấn có thể xây dựng câu chuyện của riêng mình dựa trên các tương tác và trải nghiệm.

Điều này sử dụng các ngăn xếp công nghệ như khung máy chủ phụ trợ Convex, lưu trữ vectơ Pinecone, xác thực thư ký, tạo văn bản ngôn ngữ tự nhiên OpenAI và triển khai Fly. Ngoài ra, AI Town hoàn toàn là mã nguồn mở và cho phép các nhà phát triển trong trò chơi tùy chỉnh các thành phần khác nhau, bao gồm dữ liệu tính năng, bảng sprite, môi trường trực quan của Tilemap, lời nhắc tạo văn bản, quy tắc và logic trò chơi, v.v. Ngoài những người chơi thông thường có thể trải nghiệm AI Town, các nhà phát triển cũng có thể sử dụng mã nguồn để phát triển nhiều tính năng trong trò chơi và thậm chí ngoài trò chơi, và sự linh hoạt này làm cho AI Town phù hợp với nhiều loại ứng dụng khác nhau.

Do đó, bản thân AI Town là một trò chơi 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: Paul

Paul là một trình tạo câu chuyện AI chuyên cung cấp đường dẫn giải pháp cho các trò chơi chuỗi đầy đủ để tạo các câu chuyện AI và đi trực tiếp đến chuỗi. Logic thực hiện là nhập một số lượng lớn các quy tắc trước đó 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 giao thức Straylight được phát hành bằng Paul Seidler, Straylight là một trò chơi NFT nhiều người chơi, lối chơi cốt lõi là phiên bản trò chơi full-chain của "Minecraft", người chơi có thể tự động Mint NFT, và sau đó xây dựng thế giới của riêng mình theo các quy tắc cơ bản của đầu vào mô hình.

**3.3.3 Cảnh trò chơi do AI tạo **

Trường hợp 1: Pahdo Labs

Pahdo Labs là một studio phát triển trò chơi hiện đang làm việc trên Halcyon Zero, một nền tảng tạo anime, giả tưởng, trò chơi nhập vai và trò chơi trực tuyến được xây dựng trên công cụ Godot. Trò chơi diễn ra trong một thế giới giả tưởng thanh tao tập trung xung quanh một thị trấn nhộn nhịp đóng vai trò là trung tâm xã hội.

Điều làm cho trò chơi này trở nên rất đặc biệt là người chơi có thể sử dụng các công cụ tạo AI do trò chơi cung cấp để nhanh chóng tạo thêm nhiều nền hiệu ứng 3D và đưa các nhân vật yêu thích của mình vào trò chơi, điều này thực sự cung cấp các công cụ và cảnh trò chơi cho trò chơi nổi tiếng UGC.

Trường hợp 2: Kaedim

Kaedim đã phát triển một công cụ tạo mô hình 3D dựa trên AI tạo ra cho Game Studio, có thể nhanh chóng giúp Game Studio tạo hàng loạt cảnh / tài sản 3D trong trò chơi đáp ứng nhu cầu của họ. Sản phẩm chung của Kaedim vẫn đang được phát triển và dự kiến sẽ có mặt trên Game Studio vào năm 2024.

Logic cốt lõi của các sản phẩm Kaedim hoàn toàn giống với AI-Agent, sử dụng mô hình lớn chung làm cơ sở, và sau đó các nghệ sĩ trong nhóm sẽ tiếp tục nhập dữ liệu tốt, sau đó phản hồi đầu ra của Tác nhân, liên tục đào tạo Mô hình thông qua học máy và cuối cùng để AI-Agent xuất ra các cảnh 3D đáp ứng yêu cầu.

04 Tóm tắt

Trong bài viết này, chúng tôi đã thực hiện phân tích chi tiết và tóm tắt về ứng dụng AI trong lĩnh vực game. Nhìn chung, sẽ có những dự án kỳ lân ngôi sao trong tương lai của các mô hình chung và ứng dụng AI Generative trong game. Mặc dù hào của các ứng dụng mặt dây chuyền thấp, nhưng lợi thế của người di chuyển đầu tiên là mạnh mẽ và nếu có thể dựa vào lợi thế của người đi đầu để tạo hiệu ứng mạng và cải thiện độ dính của người dùng, không gian tưởng tượng là rất lớn. Ngoài ra, AI tạo ra đương nhiên phù hợp với ngành công nghiệp nội dung của trò chơi, và đã có nhiều đội thử ứng dụng GA trong trò chơi, và chu kỳ này rất có thể sẽ xuất hiện một trò chơi phổ biến sử dụng GA.

Ngoài một số hướng được đề cập trong bài viết, còn có những góc độ khám phá khác trong tương lai. Giống như những gì:

(1) Theo dõi dữ liệu + lớp ứng dụng: Theo dõi dữ liệu AI đã sinh ra một số dự án kỳ lân trị giá hàng tỷ đô la, và sự liên kết của lớp dữ liệu + ứng dụng cũng đầy trí tưởng tượng.

(2) Tích hợp với Socialfi: chẳng hạn như cung cấp các cách 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 đại lý, những người tham gia chính trong Thế giới tự trị sẽ là người hay bot? Có thể thế giới tự trị trên chuỗi có thể giống như Uniswap, nơi 80% + DAU là bot? Nếu vậy, thì các tác nhân quản trị kết hợp với các khái niệm quản trị Web3 cũng đáng để khám phá.