DeepMind让AI当“上帝”,导演一场只有AI演员的“西部世界”

市场资讯
16 Jul

  炒股就看金麒麟分析师研报,权威,专业,及时,全面,助您挖掘潜力主题机会!

(来源:机器之心Pro)

编辑:+0、陈陈

剧本杀大家都玩过吗?这是一种经典的桌上角色扮演游戏(TTRPG), 游戏中的核心人物是游戏主持人(GM), 相当于整个世界的“导演 + 编剧 + 旁白”,负责掌控游戏环境,讲述故事背景,并扮演所有非玩家角色(NPC)。

现在,想象一下,如果我们用一个强大的生成式 AI 来担任这个 GM 的角色,同时,桌子旁的“玩家”也换成一群各具头脑的 AI,这会创造出一个怎样的世界?

这能实现以下应用:

美剧《西部世界》, 未来的西部主题虚拟世界里,所有角色均是 AI 。

然而,这三种需求(科学性、戏剧性、公平性)差异巨大,甚至相互冲突。如何用一个统一的框架来满足所有需求?

来自 Google DeepMind 和多伦多大学的研究人员从 TTRPG 和现代游戏引擎中获取灵感,提出了他们的解决方案:一个名为Concordia的软件库 。

传统上,游戏环境的逻辑是写死的程序。这里的主张是,不应该用一个硬编码的程序来充当 GM,而应该把 GM 本身也设计成一个可配置的、由 AI 驱动的智能体。

Concordia 的设计精髓,源自现代游戏引擎的“实体-组件Entity-Component)架构 。在这个架构里,无论是 AI 玩家还是 AI 游戏主持人(GM),都只是一个基础的“实体”容器 。它们具体拥有什么能力(比如记忆、目标或社交规则)则由一个个可插拔的“组件”来决定 。

这种方式巧妙地将“工程师”和“设计师”的角色分开:工程师负责创造功能强大的组件,而设计师则可以像搭乐高一样,自由组合这些组件来快速构建和测试各种复杂场景,整个过程几乎无需编写底层代码 。

实体、组件、引擎和游戏设计

实体 - 组件架构模式作为现代游戏开发的基石,为构建多角色生成式 AI 系统提供了强大而灵活的基础。

该框架采用组合而非继承机制,实体不再受限于僵化的类结构,而是携带唯一标识符的轻量级独立对象。实体的行为与属性完全由挂载的组件决定(即:实体本质是带有名称的组件容器)。引擎通过调用 observe、act 等函数处理实体,这些函数由实体所挂载的组件具体实现。

组件通过结合 Python 代码与 LLM 调用来实现,这种方式能提供最大的灵活性与表现力。当设计师掌握特定功能的编码方法时,可以自主实现;与此同时,同一环境中的其他功能可以通过让 GM 叙事型 LLM 来完成。这两种实现方式通常共存于同一环境中 —— 开发者既可以让 GM 根据 LLM 的自由发挥来创造内容,也可以严格限制其行为,使其完全遵循预设的硬编码规则,或采用介于二者之间的任何约束程度。

实体主要支持两种调用方式:observeact

调用 observe 时,会触发所有组件的 preobserve 和 postobserve 函数,对每个实体的观察数据进行处理。调用 act 时,每个组件会扮演上下文和行动两种角色之一。

在实际开发 Concordia 组件时,开发者通常需要实现 preobserve、postobserve、preact 和 postact 四类方法中的部分或全部。常见做法是仅实现观察类方法或行动类方法,同一组件中同时实现两类方法的情况较为罕见。这种组件化模块设计允许通过自由组合不同组件,快速创建功能各异的实体 —— 这与传统面向对象编程形成鲜明对比:后者在创建行为略有差异的新角色类型时,往往会导致复杂脆弱的继承链结构。

对于生成式 AI 智能体而言,这种架构优势尤为显著。一个智能体的思维可由多个组件构成:存储过往经历的 Memory 组件、调用大语言模型生成目标的 Planning 组件,以及表征世界认知的 Beliefs 组件。同理,一个组织实体可由代表其部门、政策及内部沟通结构的组件组合而成。只需配置不同的组件组合,就能为不同智能体赋予差异化的认知架构。

这一架构模式的灵活性同样体现在 Concordia 框架中的 GM 系统上。GM 本身也是一个实体,与玩家实体(角色)一样可通过组件进行定制。这种设计使得 GM 的职能和逻辑能够根据多智能体系统的具体需求灵活调整 —— 无论是执行严格的评估协议、引导叙事发展,还是维护因果一致性。

此外,Concordia 框架还通过多种游戏引擎模式支持不同的交互动态。

游戏 / 模拟设计目标的全景图分析

根据 Edwards(他是桌游角色扮演游戏理论的重要人物)的定义 ,TTRPG 可以分为:(1)游戏型(Gamist),GM 需设计难度适中的挑战以维持乐趣。(2)叙事型(Narrativist),GM 需灵活调整剧情以回应玩家的创作输入。(3)模拟型(Simulationist),玩家希望沉浸在一个逻辑自洽的虚拟世界中。

本文认为将使用多角色生成式 AI 的动机分为以下几种类型是有帮助的:(1)评估型(Evaluationist),对应 Edwards 理论中的游戏型;(2)戏剧型(Dramatist),对于 Edwards 理论中的叙事型;(3)模拟型(Simulationist),Edwards 同名分类。

生成式 AI 还有一个第四种动机,那就是创建合成训练数据的目标。

评估型的观点

游戏型玩家通常会寻求公平的竞争机会,并希望通过战略胜利来取得优势,而评估型用户则将多角色系统视为评估和比较的框架。

对于评估型用户来说,主要目标非常明确:确定哪些 AI 系统在指定维度和上下文中表现更好。这需要提供一个公平的竞争环境,并具有明确的成功指标。

评估型系统通常具有以下特点:

戏剧型视角

与评估型用户不同,戏剧型(Dramatist)用户主要将多角色生成式 AI 系统视为叙事引擎。

对于具有戏剧型的目标用户来说,核心关注点不是基准测试性能,而是通过多个 AI 角色的互动生成引人入胜的叙事。

从设计师的角度来看,针对戏剧型目标构建的系统将优先考虑叙事一致性、情感共鸣和动态人物发展,而不是标准化的评估。

主要关注以下特点:

在接下来的章节中,论文还讨论了模拟型视角、合成数据等方面的研究,感兴趣的读者,可以参考原论文,了解更多内容。

海量资讯、精准解读,尽在新浪财经APP

Disclaimer: Investing carries risk. This is not financial advice. The above content should not be regarded as an offer, recommendation, or solicitation on acquiring or disposing of any financial products, any associated discussions, comments, or posts by author or other users should not be considered as such either. It is solely for general information purpose only, which does not consider your own investment objectives, financial situations or needs. TTM assumes no responsibility or warranty for the accuracy and completeness of the information, investors should do their own research and may seek professional advice before investing.

Most Discussed

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