Agents IA : Une voie innovante pour redéfinir les jeux Web3
TechFlow SélectionTechFlow Sélection
Agents IA : Une voie innovante pour redéfinir les jeux Web3
Cet article dresse un état des lieux du développement des « grands modèles généraux, agents spécialisés et applications basées sur l'IA générative » dans le secteur du jeu Web3.
Dédié à des analyses Web3 approfondiesAuteur : PSE Trading Analyst @Minta
Points clés
-
Les agents IA sont des outils basés sur les grands modèles linguistiques (LLM), permettant aux développeurs et utilisateurs de construire directement des applications autonomes interactives.
-
La structure future du secteur IA pourrait être « grand modèle généraliste + application verticale » ; la position stratégique des agents IA est celle d’un intergiciel reliant les grands modèles généraux aux Dapps. Leur fossé compétitif étant faible, ils doivent renforcer leur effet réseau et fidéliser leurs utilisateurs pour améliorer leur compétitivité à long terme.
-
Cet article passe en revue l’évolution des « grands modèles généraux, des agents d’application verticale et des applications d’intelligence générative (Generative AI) » dans le domaine du jeu Web3. En intégrant la technologie Generative AI, il devient très probable de concevoir rapidement un jeu à succès.
01 Introduction technique
Parmi les technologies récentes d'intelligence artificielle générale (AGI) ayant connu un grand succès cette année, les grands modèles linguistiques (Large Language Model - LLM) jouent un rôle central. Des experts techniques clés d'OpenAI comme Andrej Karpathy et Lilian Weng ont indiqué que les agents IA basés sur les LLM représentent une direction stratégique majeure pour l'avenir de l'AGI. De nombreuses équipes développent désormais des systèmes d'agents d'intelligence artificielle (AI-Agents) pilotés par les LLM. En termes simples, un agent IA est un programme informatique qui utilise de grandes quantités de données et des algorithmes complexes pour simuler la pensée humaine et les processus décisionnels, afin d'exécuter diverses tâches et interactions, telles que la conduite autonome, la reconnaissance vocale ou encore les stratégies de jeu. L'illustration fournie par Abacus.ai présente clairement les principes fondamentaux des agents IA, selon les étapes suivantes :
-
Perception et collecte de données : entrée des données, ou acquisition d'informations via un système de perception (capteurs, caméras, microphones, etc.), par exemple l’état du jeu, des images ou des sons.
-
Représentation de l'état : les données doivent être traitées et converties sous une forme compréhensible par l'agent, comme des vecteurs ou tenseurs, afin d'être injectées dans un réseau neuronal.
-
Modèle de réseau neuronal : on utilise généralement des modèles de réseaux neuronaux profonds pour la prise de décision et l'apprentissage, comme les réseaux neuronaux convolutifs (CNN) pour le traitement d'image, les réseaux neuronaux récurrents (RNN) pour les données séquentielles, ou encore des architectures plus avancées comme les Transformers (mécanisme d'auto-attention).
-
Apprentissage par renforcement : l'agent apprend la meilleure stratégie d'action par interaction avec son environnement. Outre cela, les principes opérationnels incluent aussi les réseaux de politique, les réseaux de valeur, l'entraînement et l'optimisation, ainsi que l'équilibre entre exploration et exploitation. Par exemple, dans un scénario de jeu, le réseau de politique prend en entrée l’état du jeu et produit une distribution de probabilités d’actions ; le réseau de valeur estime la valeur de cet état ; l’agent peut alors optimiser continuellement ses réseaux de politique et de valeur via des interactions répétées, produisant des résultats de plus en plus performants.
En somme, les agents IA sont des entités intelligentes capables de comprendre, décider et agir, jouant un rôle important dans de nombreux domaines, notamment le jeu. L'article de Lilian Weng d'OpenAI intitulé « LLM Powered Autonomous Agents » offre une présentation très complète des principes des agents IA. Il mentionne notamment une expérience fascinante : les « Agents Génératifs » (Generative Agents).
Inspirés du jeu « The Sims », les Generative Agents (GA) utilisent la technologie LLM pour créer 25 personnages virtuels, chacun contrôlé par un agent alimenté par LLM, vivant et interagissant dans un environnement bac à sable. La conception des GA est ingénieuse : elle combine le LLM avec des fonctions de mémoire, de planification et de réflexion, permettant à l'agent de prendre des décisions basées sur son expérience passée et d'interagir avec d'autres agents.
L'article explique en détail comment l'agent affine continuellement son chemin décisionnel grâce au réseau de politique, au réseau de valeur et aux interactions avec l’environnement.
Le principe est le suivant : le flux de mémoire (Memory Stream) constitue un module de mémoire à long terme, conservant toutes les expériences d'interaction de l'agent. Le modèle de récupération (Retrieve) fournit des souvenirs pertinents (Retrieved Memories) selon leur pertinence, fraîcheur et importance, aidant l'agent à prendre des décisions (Plan). Le mécanisme de réflexion (Reflect) résume les événements passés pour guider les actions futures. Plan et Reflect transforment conjointement les informations de réflexion et de l’environnement en actions concrètes (Act).
Cette expérience originale illustre bien les capacités des agents IA, comme générer de nouveaux comportements sociaux, propager des informations, se souvenir de relations (par exemple deux personnages poursuivant une discussion), ou coordonner des activités sociales (comme organiser une fête et inviter d’autres personnages virtuels). En résumé, les agents IA constituent un outil extrêmement intéressant, dont l'application dans les jeux mérite une exploration approfondie.
02 Tendances technologiques
2.1 Tendances du secteur IA
LaoBai, associé recherche et investissement chez ABCDE, a résumé ainsi la vision de la Silicon Valley sur l’avenir de l’IA :
-
Il n’y aura pas de modèles verticaux spécifiques, seulement des grands modèles généraux + des applications verticales ;
-
Les données des appareils périphériques (ex : smartphones) pourraient constituer une barrière, rendant l’IA embarquée une opportunité ;
-
La longueur du contexte pourrait bientôt entraîner une transformation qualitative (actuellement, les bases de données vectorielles servent de mémoire aux IA, mais la longueur du contexte reste insuffisante).
D’un point de vue sectoriel classique, les grands modèles généraux sont trop lourds et universels pour qu’on continue d’en recréer sans cesse. Il est donc préférable de concentrer les efforts sur l’application de ces grands modèles à des domaines spécialisés.
Par ailleurs, les appareils périphériques traitent localement les données sans dépendre du cloud ou de serveurs distants. En raison de leur diversité, le déploiement des agents IA sur ces appareils et l’accès approprié à leurs données posent un défi, mais aussi une nouvelle opportunité.
Enfin, la question du contexte suscite un vif intérêt. Dans le cadre des LLM, le contexte correspond à la quantité d’information disponible, et sa longueur représente le nombre de dimensions des données. Imaginons un modèle Big Data pour un site e-commerce prédisant la probabilité d’achat d’un utilisateur. Le contexte peut inclure l’historique de navigation, les achats antérieurs, les recherches effectuées, les caractéristiques de l’utilisateur, etc. La longueur du contexte fait référence à la combinaison multidimensionnelle de ces informations, par exemple : historique d’achat d’un homme de 30 ans à Shanghai, combiné à sa fréquence d’achat récente et à ses dernières visites. Une augmentation de la longueur du contexte permet au modèle de mieux comprendre les facteurs influençant la décision d’achat.
La communauté s’accorde aujourd’hui sur le fait que, bien que l’utilisation actuelle de bases de données vectorielles limite la longueur du contexte, une mutation qualitative est attendue. Les futurs modèles LLM pourront ainsi utiliser des méthodes plus avancées pour traiter des contextes plus longs et complexes, ouvrant la voie à des applications inédites.
2.2 Tendances des agents IA
Folius Ventures a synthétisé les modes d’application des agents IA dans le jeu, comme illustré ci-dessous :
Dans ce schéma, (1) représente le modèle LLM, chargé de transformer les entrées traditionnelles (clavier/clics) en langage naturel, abaissant ainsi la barrière d’entrée pour les utilisateurs.
(2) désigne la Dapp frontale intégrant un agent IA, offrant des services fonctionnels tout en collectant les habitudes et données utilisateur.
(3) correspond aux différents types d’agents IA, pouvant exister sous forme de fonctionnalités internes, de bots, etc.
En résumé, en tant qu’outil logiciel, l’agent IA peut servir de programme de base pour étendre les fonctionnalités d’une Dapp et catalyser la croissance d’une plateforme — autrement dit, d’intergiciel reliant les grands modèles aux applications verticales.
Du point de vue utilisateur, les Dapps les plus susceptibles d’intégrer des agents IA seront probablement des applications sociales ouvertes, des chatbots ou des jeux ; ou bien transformeront des points d’entrée Web2 existants en interfaces IA+Web3 plus simples et accessibles — répondant ainsi à la problématique récurrente d’abaisser la barrière d’entrée du Web3.
Selon les dynamiques sectorielles, la couche intermédiaire des agents IA devient souvent un terrain de forte concurrence, avec peu de protection durable. Ainsi, au-delà de l’amélioration constante de l’expérience utilisateur pour répondre aux besoins B2C, les agents IA doivent créer un effet réseau ou renforcer la fidélité pour renforcer leur avantage concurrentiel.
03 Cartographie du secteur
Les applications de l’IA dans le jeu Web3 ont déjà donné lieu à plusieurs types d’expérimentations, regroupées ici en quatre catégories :
-
Modèles généraux : certains projets se concentrent sur la construction de modèles IA généraux adaptés aux besoins des projets Web3, en identifiant les architectures neuronales et modèles universels pertinents.
-
Applications verticales : destinées à résoudre des problèmes spécifiques dans les jeux ou fournir des services particuliers, elles prennent souvent la forme d’agents, de bots ou de kits de bots.
-
Applications Generative AI : l’application la plus directe des grands modèles est la génération de contenu. Le jeu étant un secteur créatif, les applications Generative AI y sont particulièrement prometteuses. Elles permettent de générer automatiquement des éléments virtuels, personnages, quêtes ou intrigues, voire des stratégies, décisions ou l’évolution autonome de l’écosystème du jeu, augmentant ainsi sa diversité et sa profondeur.
-
Jeux IA : de nombreux jeux intègrent désormais des technologies IA, avec des cas concrets présentés plus loin.
3.1 Grands modèles généraux
Dans le Web3, des modèles de simulation économiques ont déjà été développés, comme le modèle QTM (Quantitative Token Model). Dr. Achim Struve d’Outlier Venture a présenté lors d’ETHCC certaines idées sur la conception de modèles économiques, notamment l'idée qu’un projet peut créer un jumeau numérique (Digital Twin) via un modèle LLM pour simuler à l’identique son écosystème, assurant ainsi la robustesse du système économique.
Le QTM (modèle de jeton quantitatif), illustré ci-dessous, est un modèle de raisonnement piloté par IA. Il utilise une durée de simulation fixe de 10 ans, chaque pas de temps correspondant à un mois. Au début de chaque pas, des jetons sont distribués dans l’écosystème via des modules d’incitation, d’attribution et d’airdrop. Ces jetons sont ensuite répartis dans plusieurs compartiments métas, puis redistribués selon des utilités élargies, définissant des paiements de récompenses, etc. Pour les opérations hors chaîne, le modèle considère également l’état financier général, comme les rachats ou destructions, et mesure ou définit l’adoption utilisateur.
Bien sûr, la qualité des sorties dépend fortement des entrées. Avant d'utiliser QTM, une recherche de marché approfondie est nécessaire pour obtenir des données d'entrée précises. Toutefois, QTM constitue déjà une application concrète et opérationnelle des modèles pilotés par IA dans les modèles économiques Web3. De nombreux projets s'appuient désormais sur QTM pour créer des applications 2C/2B plus accessibles, réduisant ainsi la barrière d'utilisation.
3.2 Agents d’applications verticales
Les applications verticales existent principalement sous forme d’agents, pouvant être des bots, des kits de bots, des assistants virtuels, des systèmes d’aide à la décision intelligente ou des outils automatisés de traitement de données. Généralement, les agents IA utilisent un modèle généraliste OpenAI comme base, combiné à d’autres technologies open source ou propriétaires (comme la synthèse vocale - TTS), enrichi de données spécifiques et affiné via FineTune (technique d’apprentissage permettant d’optimiser un modèle pré-entraîné sur de grandes données), afin de créer un agent IA surpassant ChatGPT dans un domaine précis.
À ce jour, les agents NFT sont les plus matures dans le jeu Web3. Ce dernier considère les NFT comme une composante essentielle du jeu Web3.
Avec l’évolution des technologies de gestion des métadonnées dans l’écosystème Ethereum, les NFT programmables et dynamiques ont émergé. Pour les créateurs, cela permet de rendre les NFT plus flexibles. Pour les utilisateurs, les interactions accrues avec les NFT génèrent des données exploitables. Les agents IA peuvent alors optimiser ces interactions et étendre l’utilisation de ces données, injectant davantage d’innovation et de valeur dans l’écosystème NFT.
Exemple 1 : le framework de développement de Gelato permet aux développeurs de définir des logiques personnalisées pour mettre à jour les métadonnées des NFT en fonction d’événements hors chaîne ou d’intervalles temporels. Les nœuds Gelato déclenchent automatiquement ces changements lorsque certaines conditions sont remplies, assurant ainsi une mise à jour automatique des NFT. Par exemple, cette technologie peut récupérer des données sportives en temps réel via une API et, si un athlète gagne une compétition, améliorer automatiquement les caractéristiques du NFT.
Exemple 2 : Paima propose aussi des agents d’application pour les NFT dynamiques. Son protocole de compression NFT crée un ensemble minimal de NFT sur la L1, puis les fait évoluer selon l’état du jeu sur la L2, offrant aux joueurs une expérience plus riche et interactive. Par exemple, un NFT peut évoluer selon l’XP du personnage, les quêtes accomplies ou l’équipement.
Exemple 3 : Modulus Labs, célèbre projet ZKML, s’est aussi positionné sur le marché des NFT. Modulus a lancé la collection zkMon, permettant de générer des NFT via IA, de les publier sur la blockchain et d’en produire une preuve zkp. L’utilisateur peut ainsi vérifier via la preuve que son NFT a bien été généré par le modèle IA correspondant. Plus d’infos : Chapter 7.2: The World’s 1st zkGAN NFTs.
3.3 Applications Generative AI
Comme mentionné précédemment, le jeu étant une industrie du contenu, les agents IA peuvent générer massivement du contenu à faible coût et rapidement, y compris des personnages incertains et dynamiques. Les applications Generative AI sont donc idéales pour les jeux. Actuellement, leurs usages dans le jeu peuvent être classés en trois catégories principales :
-
Génération de personnages IA : jouer contre une IA, utiliser une IA pour simuler ou contrôler des PNJ, ou même générer directement des personnages via IA.
-
Génération de contenus de jeu : création automatique de quêtes, intrigues, objets, cartes, etc.
-
Génération de scènes de jeu : génération, optimisation ou extension automatique du terrain, des paysages et de l’ambiance du monde de jeu via IA.
3.3.1 Génération de personnages par IA
Exemple 1 : MyShell
MyShell est une plateforme de création de bots. Les utilisateurs peuvent créer des bots personnalisés pour discuter, pratiquer une langue, jouer ou même recevoir un soutien psychologique. MyShell utilise aussi la technologie TTS (text-to-speech) : quelques secondes d’échantillon vocal suffisent pour imiter n’importe quelle voix. De plus, AutoPrompt permet aux utilisateurs de commander simplement le modèle LLM par description, posant les bases d’un LLM privé.
Certains utilisateurs de MyShell affirment que la fonction de chat vocal est très fluide, plus rapide que celle de GPT, avec en plus du Live2D.
Exemple 2 : AI Arena
AI Arena est un jeu de combat IA où les utilisateurs entraînent continuellement leurs esprits de combat (NFT) via des modèles LLM, puis les envoient en PvP/PvE. Le mode de jeu rappelle celui de Super Smash Bros., mais l’entraînement IA ajoute une dimension compétitive plus riche.
Paradigm a mené le tour de financement d’AI Arena. La phase de test public a commencé : les joueurs peuvent y accéder gratuitement ou acheter des NFT pour intensifier l’entraînement.
Exemple 3 : le jeu d’échecs en chaîne Leela vs the World
Leela vs the World est un jeu d’échecs développé par Modulus Labs. Chaque partie oppose un humain à une IA. L’état du jeu est stocké dans un contrat. Les joueurs interagissent via leur portefeuille. L’IA lit le nouvel état, prend une décision, et génère une preuve zkp pour tout le calcul — opérations effectuées sur AWS. Cette preuve est envoyée au contrat sur chaîne, qui la valide avant d’exécuter le coup.
3.3.2 Génération de contenu de jeu par IA
Exemple 1 : AI Town
AI Town est le fruit d’une collaboration entre a16z et Convex Dev. Inspiré du papier « Generative Agent » de Stanford, AI Town est une ville virtuelle où chaque IA construit sa propre histoire à partir des interactions et expériences.
Techniquement, il repose sur le framework serverless de Convex, le stockage vectoriel Pinecone, l’authentification Clerk, la génération de texte OpenAI et le déploiement Fly. AI Town est entièrement open source, permettant aux développeurs de personnaliser divers composants : données, sprites, environnement visuel Tilemap, prompts de génération, règles et logique du jeu, etc. En plus d’être un jeu à contenu généré par IA, AI Town est aussi un écosystème de développement, voire un outil de création, adapté à de multiples usages.
Exemple 2 : Paul
Paul est un générateur d’histoires IA, proposant une solution clé en main pour générer des récits par IA et les inscrire directement sur chaîne, spécialement conçue pour les jeux fully on-chain. Son fonctionnement consiste à alimenter le LLM avec un ensemble de règles a priori, permettant aux joueurs de générer automatiquement du contenu dérivé selon ces règles.
Le jeu Straylight Protocol utilise Paul Seidler pour publier son jeu. Straylight est un jeu multijoueur NFT, dont le cœur de gameplay est une version fully on-chain de « Minecraft » : les joueurs peuvent mint automatiquement des NFT et construire leur monde selon les règles de base du modèle.
3.3.3 Génération de scènes de jeu par IA
Exemple 1 : Pahdo Labs
Pahdo Labs est un studio de développement de jeux, travaillant actuellement sur Halcyon Zero, un jeu de rôle fantastique animé et une plateforme de création de jeux en ligne basée sur le moteur Godot. L’action se déroule dans un monde imaginaire ethéré, centré autour d’une
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
@PSETrading
