近日，谷歌和以色列特拉维夫大学的研究职员联合推出了一款名为 GameNGen 的 AI 模型，这一最新技能进展能够实时交互式仿照 1993 年经典第一人称射击游戏《毁灭战士》（Doom）。
日前，干系论文以《扩散模型是实时游戏引擎》（Diffusion Models Are Real-Time Game Engines）为题在预印本网站 arXiv 上揭橥 [1]，该模型已在 GitHub 上开源。
论文作者包括：丹尼·瓦列夫斯基（Dani Valevski）、亚尼夫·利维坦（Yaniv Leviathan）、摩阿布·阿拉尔（Moab Arar）和肖米·弗鲁赫特（Shomi Fruchter）。
图丨干系论文（来源：arXiv）
GameNGen 是一个由神经网络驱动的系统，其核心在于它能够在没有传统游戏引擎的情形下，通过 AI 技能实时天生游戏画面。
传统的游戏引擎每每基于手工编写的代码，进行游戏状态管理并渲染视觉效果，这一过程不仅耗时且本钱高昂。
而 GameNGen 通过 AI 天生扩散模型，完备摆脱了这种传统方法，自动仿照全体游戏环境。
该系统利用 AI 图像天生模型 Stable Diffusion，最初用于天生静态图像。而 GameNGen 则进一步扩展了这一技能，将其运用于实时互动的游戏仿照中。
在 GameNGen 的用例中，Stable Diffusion 模型被修正为能够预测游戏画面中的下一个状态。
这种预测不是基于固定的规则或预设的游戏逻辑，而是通过 AI 对之前状态的剖析和推测来实现的。
也便是说，GameNGen 能够动态地天生每一帧的游戏画面，而并非基于预先定义的场景或动作序列。
GameNGen 利用的另一项关键技能是神经网络，尤其是与图像天生干系的神经网络。
首先，研究职员演习了一个强化学习代理，让它通过玩游戏来天生大量的游戏画面数据。
随后，这些数据被用于演习 Stable Diffusion 模型，使其能够在给定前一帧的情形下，预测并天生下一帧的游戏画面。
这个过程包括了两个紧张阶段：
第一阶段是强化学习代理的演习，目的是通过自动游戏天生大量的演习数据。
第二阶段是将这些数据输入到 Stable Diffusion 模型中，以便模型能够学习如何从一帧游戏画面天生下一帧。
这种结合了强化学习和扩散模型的技能，使得 GameNGen 不仅能够天生单帧的高质量图像，还能够担保这些图像在韶光维度上的连贯性。
在传统的游戏开拓中，游戏画面的天生是通过预先设定的规则和算法来实现的。这种方法虽然可以产生高质量的图像，但也须要大量的打算资源和韶光。
而 GameNGen 则通过神经渲染的办法，利用神经网络实时天生游戏画面。
这种渲染办法与传统的图形渲染方法有很大的不同，它不依赖于固定的规则，而是通过 AI 对当前游戏状态的“想象”来天生图像。
GameNGen 的出身和后续进展很可能引发游戏行业的变革。
传统的游戏开拓每每须要大量的人力和韶光来编写代码、设计关卡和创建游戏天下。而 AI 驱动的引擎，如 GameNGen，能够自动天生这些内容，显著减少了开拓韶光和本钱。
这一技能打破可能使游戏创作更加方便，小型事情室乃至个人创作者也可以制作出繁芜、互动性强的游戏。
更主要的是，AI 驱动的游戏引擎不仅能够天生静态的游戏场景，还能够根据玩家的实时操作动态调度游戏内容。
这意味着，未来的游戏可能不再是预先设计好的固定内容，而是能够根据玩家的行为实时演化。
未来，或许这种动态天生的游戏天下将冲破传统游戏设计的桎梏，为玩家带来更加沉浸式和个性化的游戏体验。
只管 GameNGen 目前紧张在游戏领域运用，但其潜力远不止于此。实时仿照适用于许多行业，特殊是在虚拟现实（VR，Virtual Reality）、增强现实（AR，Augmented Reality）、自动驾驶汽车和智能城市等领域。
在 VR 和 AR 中，AI 驱动的引擎可以创建完备沉浸式的互动天下，并实时响运用户的输入。
只管 GameNGen 展现了 AI 在游戏仿照中的巨大潜力，但这一技能在当前阶段仍面临诸多寻衅和限定。
首先，GameNGen 目前仅限于仿照一款相对大略的古老游戏，比较于当代游戏，其图形繁芜度较低。
要将 GameNGen 的技能运用于更繁芜的游戏或其他类型的仿照环境，须要战胜大量技能难题。
其次，GameNGen 天生的游戏画面偶尔会涌现图像故障，特殊是在处理较繁芜的游戏环境的情形。
这是由于 Stable Diffusion 模型的局限性，以及 AI 在天生连续帧时随意马虎涌现的累积偏差所导致的。
随着韶光的推移，这些小缺点会逐渐积累，终极可能导致天生的虚拟天下变得不稳定或失落真。
此外，GameNGen 只能访问短短三秒钟的游戏历史，这意味着当玩家重新访问先前经历的游戏关卡时，系统只能通过概任性预测进行仿照，而无法基于真实的游戏状态进行准确再现。
这种局限性限定了 GameNGen 在更大规模和更繁芜的游戏环境中运用。
只管目前存在一些技能寻衅，GameNGen 仍旧为未来的游戏开拓和其他运用处景开辟了广阔的前景。
随着 AI 技能的不断进步和打算本钱的降落，未来有望实现更繁芜的游戏和仿照环境。
与此同时，随着韶光的推移，AI 驱动的游戏引擎或将不仅限于仿照大略的游戏场景，而是能够天生大规模、繁芜且互动性强的虚拟天下。
参考资料：
1.https://arxiv.org/abs/2408.14837
https://arstechnica.com/information-technology/2024/08/new-ai-model-can-hallucinate-a-game-of-1993s-doom-in-real-time/
https://gamengen.github.io/
运营/排版：何晨龙