DeepMind讓AI當“上帝”,導演一場只有AI演員的“西部世界”

市場資訊
07-16

  炒股就看金麒麟分析師研報,權威,專業,及時,全面,助您挖掘潛力主題機會!

(來源:機器之心Pro)

編輯:+0、陳陳

劇本殺大家都玩過嗎?這是一種經典的桌上角色扮演遊戲(TTRPG), 遊戲中的核心人物是遊戲主持人(GM), 相當於整個世界的“導演 + 編劇 + 旁白”,負責掌控遊戲環境,講述故事背景,並扮演所有非玩家角色(NPC)。

現在,想象一下,如果我們用一個強大的生成式 AI 來擔任這個 GM 的角色,同時,桌子旁的“玩家”也換成一羣各具頭腦的 AI,這會創造出一個怎樣的世界?

這能實現以下應用:

美劇《西部世界》, 未來的西部主題虛擬世界裏,所有角色均是 AI 。

然而,這三種需求(科學性、戲劇性、公平性)差異巨大,甚至相互衝突。如何用一個統一的框架來滿足所有需求?

來自 Google DeepMind 和多倫多大學的研究人員從 TTRPG 和現代遊戲引擎中獲取靈感,提出了他們的解決方案:一個名爲Concordia的軟件庫 。

傳統上,遊戲環境的邏輯是寫死的程序。這裏的主張是,不應該用一個硬編碼的程序來充當 GM,而應該把 GM 本身也設計成一個可配置的、由 AI 驅動的智能體。

Concordia 的設計精髓,源自現代遊戲引擎的“實體-組件Entity-Component)架構 。在這個架構裏,無論是 AI 玩家還是 AI 遊戲主持人(GM),都只是一個基礎的“實體”容器 。它們具體擁有什麼能力(比如記憶、目標或社交規則)則由一個個可插拔的“組件”來決定 。

這種方式巧妙地將“工程師”和“設計師”的角色分開:工程師負責創造功能強大的組件,而設計師則可以像搭樂高一樣,自由組合這些組件來快速構建和測試各種複雜場景,整個過程幾乎無需編寫底層代碼 。

實體、組件、引擎和遊戲設計

實體 - 組件架構模式作爲現代遊戲開發的基石,爲構建多角色生成式 AI 系統提供了強大而靈活的基礎。

該框架採用組合而非繼承機制,實體不再受限於僵化的類結構,而是攜帶唯一標識符的輕量級獨立對象。實體的行爲與屬性完全由掛載的組件決定(即:實體本質是帶有名稱的組件容器)。引擎通過調用 observe、act 等函數處理實體,這些函數由實體所掛載的組件具體實現。

組件通過結合 Python 代碼與 LLM 調用來實現,這種方式能提供最大的靈活性與表現力。當設計師掌握特定功能的編碼方法時,可以自主實現;與此同時,同一環境中的其他功能可以通過讓 GM 敘事型 LLM 來完成。這兩種實現方式通常共存於同一環境中 —— 開發者既可以讓 GM 根據 LLM 的自由發揮來創造內容,也可以嚴格限制其行爲,使其完全遵循預設的硬編碼規則,或採用介於二者之間的任何約束程度。

實體主要支持兩種調用方式:observeact

調用 observe 時,會觸發所有組件的 preobserve 和 postobserve 函數,對每個實體的觀察數據進行處理。調用 act 時,每個組件會扮演上下文和行動兩種角色之一。

在實際開發 Concordia 組件時,開發者通常需要實現 preobserve、postobserve、preact 和 postact 四類方法中的部分或全部。常見做法是僅實現觀察類方法或行動類方法,同一組件中同時實現兩類方法的情況較爲罕見。這種組件化模塊設計允許通過自由組合不同組件,快速創建功能各異的實體 —— 這與傳統面向對象編程形成鮮明對比:後者在創建行爲略有差異的新角色類型時,往往會導致複雜脆弱的繼承鏈結構。

對於生成式 AI 智能體而言,這種架構優勢尤爲顯著。一個智能體的思維可由多個組件構成:存儲過往經歷的 Memory 組件、調用大語言模型生成目標的 Planning 組件,以及表徵世界認知的 Beliefs 組件。同理,一個組織實體可由代表其部門、政策及內部溝通結構的組件組合而成。只需配置不同的組件組合,就能爲不同智能體賦予差異化的認知架構。

這一架構模式的靈活性同樣體現在 Concordia 框架中的 GM 系統上。GM 本身也是一個實體,與玩家實體(角色)一樣可通過組件進行定製。這種設計使得 GM 的職能和邏輯能夠根據多智能體系統的具體需求靈活調整 —— 無論是執行嚴格的評估協議、引導敘事發展,還是維護因果一致性。

此外,Concordia 框架還通過多種遊戲引擎模式支持不同的交互動態。

遊戲 / 模擬設計目標的全景圖分析

根據 Edwards(他是桌遊角色扮演遊戲理論的重要人物)的定義 ,TTRPG 可以分爲:(1)遊戲型(Gamist),GM 需設計難度適中的挑戰以維持樂趣。(2)敘事型(Narrativist),GM 需靈活調整劇情以回應玩家的創作輸入。(3)模擬型(Simulationist),玩家希望沉浸在一個邏輯自洽的虛擬世界中。

本文認爲將使用多角色生成式 AI 的動機分爲以下幾種類型是有幫助的:(1)評估型(Evaluationist),對應 Edwards 理論中的遊戲型;(2)戲劇型(Dramatist),對於 Edwards 理論中的敘事型;(3)模擬型(Simulationist),Edwards 同名分類。

生成式 AI 還有一個第四種動機,那就是創建合成訓練數據的目標。

評估型的觀點

遊戲型玩家通常會尋求公平的競爭機會,並希望通過戰略勝利來取得優勢,而評估型用戶則將多角色系統視爲評估和比較的框架。

對於評估型用戶來說,主要目標非常明確:確定哪些 AI 系統在指定維度和上下文中表現更好。這需要提供一個公平的競爭環境,並具有明確的成功指標。

評估型系統通常具有以下特點:

戲劇型視角

與評估型用戶不同,戲劇型(Dramatist)用戶主要將多角色生成式 AI 系統視爲敘事引擎。

對於具有戲劇型的目標用戶來說,核心關注點不是基準測試性能,而是通過多個 AI 角色的互動生成引人入勝的敘事。

從設計師的角度來看,針對戲劇型目標構建的系統將優先考慮敘事一致性、情感共鳴和動態人物發展,而不是標準化的評估。

主要關注以下特點:

在接下來的章節中,論文還討論了模擬型視角、合成數據等方面的研究,感興趣的讀者,可以參考原論文,瞭解更多內容。

海量資訊、精準解讀,盡在新浪財經APP

免責聲明:投資有風險,本文並非投資建議,以上內容不應被視為任何金融產品的購買或出售要約、建議或邀請,作者或其他用戶的任何相關討論、評論或帖子也不應被視為此類內容。本文僅供一般參考,不考慮您的個人投資目標、財務狀況或需求。TTM對信息的準確性和完整性不承擔任何責任或保證,投資者應自行研究並在投資前尋求專業建議。

熱議股票

  1. 1
     
     
     
     
  2. 2
     
     
     
     
  3. 3
     
     
     
     
  4. 4
     
     
     
     
  5. 5
     
     
     
     
  6. 6
     
     
     
     
  7. 7
     
     
     
     
  8. 8
     
     
     
     
  9. 9
     
     
     
     
  10. 10