AI Agents: Con đường đổi mới định nghĩa lại trò chơi Web3
Tuyển chọn TechFlowTuyển chọn TechFlow
AI Agents: Con đường đổi mới định nghĩa lại trò chơi Web3
Bài viết này hệ thống hóa tình hình phát triển của "mô hình nền tảng chung, ứng dụng Agent chuyên biệt và ứng dụng Generative AI" trong lĩnh vực game Web3.
Chuyên sâu báo cáo Web3Tác giả: PSE Trading Analyst @Minta
Thông tin chính
-
AI Agent là công cụ dựa trên mô hình lớn tổng quát LLM, cho phép nhà phát triển và người dùng trực tiếp xây dựng các ứng dụng có khả năng tự tương tác.
-
Xu hướng chính trong lĩnh vực AI trong tương lai có thể sẽ là: "mô hình lớn tổng quát + ứng dụng chuyên biệt"; vị trí sinh thái của AI Agent là lớp trung gian kết nối mô hình lớn tổng quát với Dapp, do đó rào cản cạnh tranh của AI Agent thấp, cần tạo hiệu ứng mạng lưới và tăng tính gắn kết người dùng để nâng cao năng lực cạnh tranh dài hạn.
-
Bài viết này tổng hợp tình hình phát triển của "mô hình lớn tổng quát, Agent ứng dụng chuyên biệt và ứng dụng Generative AI" trong lĩnh vực game Web3. Trong đó, kết hợp công nghệ Generative AI, rất có tiềm năng tạo ra trò chơi đình đám trong thời gian ngắn.
01 Giới thiệu công nghệ
Trong công nghệ AGI (Trí tuệ nhân tạo tổng quát) bùng nổ năm nay, mô hình ngôn ngữ lớn (Large Language Model - LLM) là nhân vật chủ chốt tuyệt đối. Các kỹ sư cốt lõi của OpenAI như Andrej Karpathy và Lilian Weng cũng từng bày tỏ rằng AI Agents dựa trên LLM là hướng phát triển quan trọng tiếp theo trong lĩnh vực AGI, nhiều đội ngũ cũng đang phát triển hệ thống đại lý trí tuệ nhân tạo (AI-Agents) được điều khiển bởi LLM. Nói một cách đơn giản, AI Agent là một chương trình máy tính sử dụng lượng lớn dữ liệu và các thuật toán phức tạp để mô phỏng quá trình tư duy và ra quyết định của con người, nhằm thực hiện nhiều nhiệm vụ và tương tác khác nhau, ví dụ như lái xe tự động, nhận dạng giọng nói và chiến lược trò chơi. Hình ảnh từ Abacus.ai rõ ràng giới thiệu nguyên lý cơ bản của AI Agent, các bước như sau:
-
Cảm nhận và thu thập dữ liệu: đầu vào dữ liệu, hoặc AI Agent thu thập thông tin và dữ liệu thông qua hệ thống cảm biến (các thiết bị như cảm biến, camera, micro...), ví dụ như trạng thái trò chơi, hình ảnh, âm thanh v.v.
-
Biểu diễn trạng thái: dữ liệu cần được xử lý và biểu diễn dưới dạng mà Agent có thể hiểu được, ví dụ chuyển đổi thành vector hoặc tensor, để thuận tiện cho việc đưa vào mạng thần kinh.
-
Mô hình mạng thần kinh: thường sử dụng mô hình mạng thần kinh sâu để ra quyết định và học hỏi, ví dụ sử dụng mạng nơ-ron tích chập (CNN) để xử lý hình ảnh, mạng nơ-ron hồi tiếp (RNN) để xử lý dữ liệu tuần tự, hoặc các mô hình tiên tiến hơn như cơ chế tự chú ý (Transformer) v.v.
-
Học tăng cường: Agent học chiến lược hành động tối ưu thông qua tương tác với môi trường. Ngoài ra, nguyên lý hoạt động của Agent còn bao gồm mạng chiến lược, mạng giá trị, huấn luyện và tối ưu hóa, cũng như khám phá và khai thác. Ví dụ trong bối cảnh trò chơi, mạng chiến lược có thể đưa vào trạng thái trò chơi và xuất phân bố xác suất hành động; mạng giá trị có thể ước tính giá trị trạng thái; Agent có thể liên tục cải thiện thuật toán học tăng cường thông qua tương tác với môi trường để tối ưu hóa mạng chiến lược và mạng giá trị, từ đó đưa ra kết quả hoàn hảo hơn.
Tóm lại, AI-Agents là một thực thể thông minh có khả năng hiểu biết, ra quyết định và hành động, chúng có thể đóng vai trò quan trọng trong nhiều lĩnh vực, bao gồm cả lĩnh vực trò chơi. Kỹ sư cốt lõi của OpenAI Lilian Weng đã viết bài "LLM Powered Autonomous Agents" giới thiệu toàn diện về nguyên lý AI-Agents, trong đó đề cập đến một thí nghiệm rất thú vị: Generative Agents.
Generative Agents (gọi tắt là GA) lấy cảm hứng từ trò chơi The Sims, sử dụng công nghệ LLM tạo ra 25 nhân vật ảo, mỗi nhân vật đều được điều khiển bởi một Agent hỗ trợ LLM, sống và tương tác trong môi trường sandbox. Thiết kế của GA rất thông minh, nó kết hợp LLM với chức năng ghi nhớ, lập kế hoạch và phản tư, giúp chương trình Agent có thể ra quyết định dựa trên kinh nghiệm trước đây và tương tác với các Agent khác.
Bài viết chi tiết giới thiệu cách Agent dựa trên mạng chiến lược, mạng giá trị và sự tương tác với môi trường để không ngừng huấn luyện và tối ưu hóa đường dẫn ra quyết định.
Nguyên lý như sau: trong đó, Memory Stream (Dòng ký ức) là một mô-đun bộ nhớ dài hạn, ghi lại mọi trải nghiệm tương tác của Agent. Mô hình truy xuất (Retrieve) cung cấp các kinh nghiệm (Retrieved Memories) dựa trên mức độ liên quan, tính mới và tầm quan trọng, giúp Agent ra quyết định (Plan). Cơ chế phản tư (Reflect) tóm tắt các sự kiện trong quá khứ, định hướng hành động tương lai của Agent. Plan và Reflect cùng nhau giúp Agent chuyển đổi phản tư và thông tin môi trường thành hành động thực tế Act.
Thí nghiệm thú vị này cho thấy khả năng của AI Agent, chẳng hạn như tạo ra hành vi xã hội mới, lan truyền thông tin, ghi nhớ mối quan hệ (ví dụ hai nhân vật ảo tiếp tục thảo luận một chủ đề) và phối hợp các hoạt động xã hội (ví dụ tổ chức tiệc tùng và mời các nhân vật ảo khác)... Tóm lại, AI-Agent là một công cụ rất thú vị, và ứng dụng của nó trong trò chơi cũng đáng được khám phá sâu rộng.
02 Xu hướng công nghệ
2.1 Xu hướng ngành AI
LaoBai, đối tác nghiên cứu đầu tư của ABCDE, từng tổng hợp đánh giá của giới đầu tư thung lũng Silicon về bước phát triển tiếp theo của AI:
-
Không có mô hình chuyên biệt, chỉ có mô hình lớn + ứng dụng chuyên biệt;
-
Dữ liệu từ thiết bị biên như điện thoại di động có thể trở thành rào cản, AI dựa trên thiết bị biên cũng có thể là cơ hội;
-
Chiều dài Context trong tương lai có thể gây ra bước nhảy chất lượng (hiện tại dùng cơ sở dữ liệu vector làm bộ nhớ cho AI, nhưng độ dài context vẫn chưa đủ).
Nói cách khác, xét theo quy luật phát triển chung của ngành, vì mô hình lớn tổng quát quá nặng nề và có tính phổ quát mạnh mẽ, nên không cần thiết phải liên tục phát triển vòng quanh trong lĩnh vực này, mà nên tập trung nhiều hơn vào việc áp dụng mô hình lớn tổng quát vào các lĩnh vực chuyên biệt.
Đồng thời, thiết bị biên thường chỉ những thiết bị đầu cuối xử lý dữ liệu và ra quyết định tại chỗ, không phụ thuộc vào trung tâm điện toán đám mây hay máy chủ từ xa. Do sự đa dạng của thiết bị biên, việc triển khai AI Agent lên thiết bị và thu thập dữ liệu thiết bị một cách hợp lý là một thách thức, nhưng đồng thời cũng là cơ hội mới.
Cuối cùng, vấn đề về Context cũng được quan tâm đặc biệt. Nói đơn giản, trong bối cảnh LLM, Context có thể hiểu là số lượng thông tin, độ dài Context có thể hiểu là số chiều dữ liệu. Giả sử hiện tại có một mô hình dữ liệu lớn cho trang web thương mại điện tử, mô hình này dùng để dự đoán khả năng người dùng mua một sản phẩm nhất định. Trong trường hợp này, Context có thể bao gồm lịch sử duyệt web, lịch sử mua hàng, lịch sử tìm kiếm, thuộc tính người dùng v.v. Độ dài Context đề cập đến số chiều chồng chất thông tin đặc trưng, ví dụ lịch sử mua hàng sản phẩm cạnh tranh của người dùng nam 30 tuổi ở Thượng Hải, cộng thêm tần suất mua gần đây, rồi cộng thêm lịch sử duyệt web gần đây v.v. Việc tăng độ dài Context có thể giúp mô hình hiểu toàn diện hơn các yếu tố ảnh hưởng đến quyết định mua hàng của người dùng.
Hiện tại, quan điểm chung cho rằng, mặc dù hiện nay sử dụng cơ sở dữ liệu vector làm bộ nhớ cho AI khiến độ dài Context chưa đủ, nhưng trong tương lai độ dài Context sẽ có sự thay đổi mang tính đột phá, sau đó mô hình LLM có thể tìm kiếm phương pháp cao cấp hơn để xử lý và hiểu thông tin Context dài hơn, phức tạp hơn. Từ đó xuất hiện thêm nhiều kịch bản ứng dụng vượt ngoài tưởng tượng.
2.2 Xu hướng AI Agent
Folius Ventures từng tổng hợp mô hình ứng dụng AI Agent trong lĩnh vực game, như hình dưới đây:
Số 1 trong hình là mô hình LLM, chịu trách nhiệm chính là chuyển đổi ý định người dùng từ đầu vào truyền thống bằng bàn phím/nhấp chuột sang đầu vào ngôn ngữ tự nhiên, giảm ngưỡng gia nhập cho người dùng.
Số 2 trong hình là Dapp frontend tích hợp AI Agent, vừa cung cấp dịch vụ chức năng cho người dùng, vừa có thể thu thập thói quen và dữ liệu người dùng từ đầu cuối.
Số 3 trong hình là các loại AI Agent, có thể tồn tại trực tiếp dưới dạng chức năng trong ứng dụng, Bot v.v.
Tóm lại, AI Agent với tư cách là công cụ dựa trên mã nguồn, có thể đóng vai trò là chương trình nền mở rộng chức năng ứng dụng Dapp và chất xúc tác tăng trưởng cho nền tảng, tức là lớp trung gian kết nối mô hình lớn và ứng dụng chuyên biệt.
Xét theo góc độ người dùng, Dapp có khả năng tích hợp AI Agent cao nhất có lẽ là các ứng dụng xã hội (Social app), Chatbot và trò chơi đủ mở; hoặc biến cổng vào lưu lượng Web2 hiện tại thành cổng vào AI+web3 tiện lợi và dễ tiếp cận hơn thông qua AI Agent; tức là việc hạ thấp ngưỡng người dùng Web3 luôn được ngành bàn luận.
Dựa theo quy luật phát triển ngành, lớp trung gian AI Agent thường trở thành một cuộc đua cạnh tranh khốc liệt, hầu như không có rào cản bảo vệ. Vì vậy, ngoài việc không ngừng nâng cao trải nghiệm để đáp ứng nhu cầu B2C, AI Agent còn có thể tăng rào cản bảo vệ của mình bằng cách tạo hiệu ứng mạng lưới hoặc tạo tính gắn kết người dùng.
03 Bản đồ lĩnh vực
Ứng dụng AI trong lĩnh vực game Web3 đã xuất hiện nhiều thử nghiệm khác nhau, những thử nghiệm này có thể được chia thành các loại sau:
-
Mô hình tổng quát: một số dự án tập trung vào việc xây dựng mô hình AI tổng quát, tìm kiến trúc mạng thần kinh phù hợp và mô hình tổng quát áp dụng được cho nhu cầu của các dự án Web3.
-
Ứng dụng chuyên biệt: các ứng dụng chuyên biệt nhằm giải quyết các vấn đề cụ thể trong trò chơi hoặc cung cấp dịch vụ cụ thể, thường xuất hiện dưới dạng Agent, Bot và BotKits.
-
Ứng dụng Generative AI: ứng dụng trực tiếp nhất tương ứng với mô hình lớn là tạo nội dung, và bản thân lĩnh vực trò chơi chính là ngành công nghiệp nội dung, do đó các ứng dụng Generative AI trong trò chơi rất đáng chú ý. Từ việc tự động tạo các yếu tố trong thế giới ảo, nhân vật, nhiệm vụ hoặc cốt truyện v.v., đến việc tự động tạo chiến lược trò chơi, quyết định thậm chí là sự tiến hóa tự động của hệ sinh thái trong trò chơi đều trở nên khả thi, khiến trò chơi phong phú và sâu sắc hơn.
-
Game AI: Hiện nay, đã có rất nhiều trò chơi tích hợp công nghệ AI, các tình huống ứng dụng khác nhau, phần sau sẽ đưa ra ví dụ minh họa.
3.1 Mô hình lớn tổng quát
Hiện nay, Web3 đã có các mô hình mô phỏng dành riêng cho thiết kế mô hình kinh tế và phát triển hệ sinh thái kinh tế, ví dụ như mô hình QTM (Quantitative Token Model). Dr. Achim Struve của Outlier Venture trong bài phát biểu tại ETHCC đã đề cập đến một số quan điểm về thiết kế mô hình kinh tế. Ví dụ, khi xem xét tính ổn định của hệ thống kinh tế, các bên phát triển dự án có thể sử dụng mô hình LLM để tạo ra một bản sao kỹ thuật số (Digital Twin), mô phỏng toàn bộ hệ sinh thái theo tỷ lệ 1:1.
Hình dưới đây, QTM (mô hình định lượng token) là một mô hình suy luận điều khiển bởi AI. QTM sử dụng thời gian mô phỏng cố định 10 năm, mỗi bước thời gian dài một tháng. Tại đầu mỗi bước thời gian, token sẽ được phát hành vào hệ sinh thái, do đó mô hình có các module khuyến khích, module归属 token, module airdrop v.v. Sau đó, các token này sẽ được phân bổ vào vài nhóm meta (meta buckets), từ các nhóm này lại tiếp tục phân bổ lại chi tiết hơn các tiện ích tổng quát. Tiếp theo, từ các công cụ tiện ích này định nghĩa việc thanh toán thưởng v.v. Ngoài ra, ở khía cạnh hoạt động off-chain, mô hình cũng xem xét tình trạng tài chính nói chung của doanh nghiệp, ví dụ như có thể thực hiện đốt cháy hoặc mua lại, còn có thể đo lường tỷ lệ áp dụng người dùng hoặc định nghĩa tình trạng áp dụng người dùng.
Tất nhiên, chất lượng đầu ra của mô hình phụ thuộc vào chất lượng đầu vào, do đó trước khi sử dụng QTM, phải tiến hành nghiên cứu thị trường đầy đủ để thu thập thông tin đầu vào chính xác hơn. Tuy nhiên, mô hình QTM đã là ứng dụng rất thực tế của mô hình điều khiển bởi AI trong mô hình kinh tế Web3, cũng có nhiều bên phát triển dự án dựa trên mô hình QTM để tạo ra các ứng dụng đầu 2C/2B dễ thao tác hơn, giảm ngưỡng sử dụng cho các bên phát triển.
3.2 Agent ứng dụng chuyên biệt
Các ứng dụng chuyên biệt chủ yếu tồn tại dưới dạng Agent, Agent có thể là Bot, BotKits, trợ lý ảo, hệ thống hỗ trợ ra quyết định thông minh, các công cụ xử lý dữ liệu tự động khác nhau v.v. Nói chung, AI Agent sử dụng mô hình tổng quát của OpenAI làm nền tảng, kết hợp với các công nghệ mã nguồn mở hoặc tự phát triển khác, ví dụ như chuyển văn bản thành giọng nói (TTS), đồng thời đưa vào dữ liệu cụ thể để FineTune (một kỹ thuật huấn luyện trong lĩnh vực học máy và học sâu, mục đích chính là tối ưu hóa thêm một mô hình đã được huấn luyện trước trên quy mô dữ liệu lớn), nhằm tạo ra AI Agent vượt trội hơn ChatGPT trong một lĩnh vực cụ thể.
Hiện tại, ứng dụng trưởng thành nhất trong lĩnh vực game Web3 là NFT Agent. Quan điểm chung trong lĩnh vực game là NFT chắc chắn sẽ là thành phần quan trọng của game Web3.
Cùng với sự phát triển công nghệ quản lý metadata trong hệ sinh thái Ethereum, các NFT động có thể lập trình xuất hiện. Đối với người sáng tạo NFT, họ có thể sử dụng thuật toán để làm cho chức năng NFT linh hoạt hơn. Đối với người dùng, người dùng và NFT có thể tương tác nhiều hơn, dữ liệu tương tác tạo ra cũng trở thành một nguồn thông tin. AI Agent có thể tối ưu hóa quá trình tương tác và mở rộng các tình huống ứng dụng dữ liệu tương tác, từ đó thổi thêm sức sống và giá trị đổi mới vào hệ sinh thái NFT.
Ví dụ một: ví dụ như khung phát triển của Gelato cho phép các nhà phát triển tùy chỉnh logic, cập nhật metadata của NFT dựa trên các sự kiện off-chain hoặc khoảng thời gian nhất định. Các nút Gelato sẽ kích hoạt việc thay đổi metadata khi điều kiện cụ thể được thỏa mãn, từ đó đạt được việc tự động cập nhật NFT on-chain. Ví dụ, công nghệ này có thể được dùng để lấy dữ liệu trận đấu thời gian thực từ API thể thao, và khi vận động viên giành chiến thắng, tự động nâng cấp đặc điểm kỹ năng của NFT.
Ví dụ hai: Paima cũng cung cấp Agent ứng dụng cho Dynamic NFT. Giao thức nén NFT của Paima đúc một nhóm NFT tối thiểu trên L1, sau đó tiến hóa dựa trên trạng thái trò chơi trên L2, mang lại trải nghiệm chơi sâu sắc và tương tác hơn cho người chơi. Ví dụ, NFT có thể thay đổi tùy theo kinh nghiệm, hoàn thành nhiệm vụ, trang bị v.v. của nhân vật.
Ví dụ ba: Mudulas Labs là một dự án ZKML nổi tiếng, cũng đã đầu tư vào lĩnh vực NFT. Mudulas đã ra mắt dòng NFT zkMon, cho phép tạo NFT bằng AI và đăng tải lên blockchain, đồng thời tạo một zkp, người dùng có thể kiểm tra qua zkp xem NFT của mình có thực sự được tạo từ mô hình AI tương ứng hay không. Thông tin đầy đủ hơn có thể tham khảo: Chương 7.2: Những NFT zkGAN đầu tiên trên thế giới.
3.3 Ứng dụng Generative AI
Như đã đề cập ở trên, vì bản thân trò chơi là ngành công nghiệp nội dung, AI-Agent có thể tạo ra lượng lớn nội dung trong thời gian ngắn với chi phí thấp, bao gồm việc tạo ra nhân vật trò chơi bất định, nhân vật động v.v. Vì vậy, Generative AI rất phù hợp để ứng dụng trong trò chơi. Hiện nay, ứng dụng Generative AI trong lĩnh vực trò chơi có thể được tổng kết thành các loại chính sau:
-
Loại tạo nhân vật trò chơi bằng AI: ví dụ như đấu với AI, hoặc do AI đảm nhiệm mô phỏng và điều khiển NPC trong trò chơi, thậm chí trực tiếp dùng AI tạo nhân vật v.v.
-
Loại tạo nội dung trò chơi bằng AI: trực tiếp do AI tạo ra các nội dung như nhiệm vụ, cốt truyện, đạo cụ, bản đồ v.v.
-
Loại tạo cảnh quan trò chơi bằng AI: hỗ trợ dùng AI tự động tạo, tối ưu hoặc mở rộng địa hình, phong cảnh và bầu không khí của thế giới trò chơi.
3.3.1 Tạo nhân vật bằng AI
Ví dụ một: MyShell
MyShell là một nền tảng tạo Bot, người dùng có thể tạo Bot riêng theo nhu cầu để trò chuyện, luyện khẩu ngữ, chơi trò chơi, thậm chí tìm kiếm tư vấn tâm lý v.v. Đồng thời, Myshell sử dụng công nghệ chuyển văn bản thành giọng nói (TTS), chỉ cần mẫu giọng nói vài giây, có thể tự động tạo Bot bắt chước giọng nói của bất kỳ ai. Ngoài ra, MyShell sử dụng AutoPrompt, cho phép người dùng chỉ cần mô tả ý tưởng của mình để ra lệnh cho mô hình LLM, đặt nền móng cho mô hình ngôn ngữ lớn riêng tư (LLM).
Có người dùng Myshell cho biết, chức năng trò chuyện bằng giọng nói rất mượt mà, tốc độ phản hồi còn nhanh hơn trò chuyện bằng giọng nói của GPT, và còn có Live2D.
Ví dụ hai: AI Arena
AI Arena là một trò chơi đấu AI, người dùng có thể sử dụng mô hình LLM để không ngừng huấn luyện精灵 chiến đấu (NFT) của mình, sau đó gửi精灵 đã huấn luyện tốt đến chiến trường PvP/PvE để đấu. Chế độ đấu tương tự Super Smash Bros. của Nintendo, nhưng tăng thêm thú vị cạnh tranh nhờ huấn luyện bằng AI.
Paradigm dẫn đầu vòng gọi vốn cho AI Arena, hiện giai đoạn beta công khai đã bắt đầu, người chơi có thể vào miễn phí, hoặc mua NFT để tăng cường độ huấn luyện.
Ví dụ ba: Trò chơi cờ vua on-chain Leela vs the World
Leela vs the World là một trò chơi cờ vua do Mudulas Labs phát triển. Trong trò chơi, hai bên là AI và con người, tình trạng cờ được đặt trong hợp đồng. Người chơi thao tác thông qua ví (tương tác với hợp đồng). AI đọc tình trạng cờ mới, ra quyết định, và tạo zkp cho toàn bộ quá trình tính toán, hai bước này đều hoàn thành trên đám mây AWS, sau đó zkp được gửi đến hợp đồng on-chain để xác minh, nếu xác minh thành công thì gọi hợp đồng cờ để "đi nước".
3.3.2 Tạo nội dung trò chơi bằng AI
Ví dụ một: AI Town
AI Town là thành quả hợp tác giữa a16z và công ty danh mục đầu tư Convex Dev, lấy cảm hứng từ bài báo "Generative Agent" của Đại học Stanford. AI Town là một thị trấn ảo, mỗi AI trong thị trấn đều có thể xây dựng câu chuyện riêng dựa trên tương tác và kinh nghiệm.
Trong đó sử dụng stack công nghệ bao gồm framework serverless backend Convex, lưu trữ vector Pinecone, xác thực Clerk, tạo văn bản ngôn ngữ tự nhiên OpenAI và triển khai Fly. Ngoài ra, AI Town hoàn toàn mã nguồn mở, hỗ trợ các nhà phát triển trong trò chơi tự tùy chỉnh nhiều thành phần khác nhau, bao gồm dữ liệu đặc trưng, bảng sprite, môi trường trực quan Tilemap, gợi ý tạo văn bản, quy tắc và logic trò chơi v.v. Ngoài người chơi bình thường có thể trải nghiệm AI Town, các nhà phát triển cũng có thể sử dụng mã nguồn để phát triển nhiều chức năng khác nhau trong và ngoài trò chơi, sự linh hoạt này khiến AI Town phù hợp với nhiều loại ứng dụng khác nhau.
Vì vậy, bản thân AI Town là một trò chơi tạo nội dung bằng AI, nhưng cũng là một hệ sinh thái phát triển, thậm chí là một công cụ phát triển.
Ví dụ hai: Paul
Paul là một công cụ tạo truyện bằng AI, chuyên cung cấp giải pháp tạo truyện AI và đưa trực tiếp lên blockchain cho game toàn chuỗi. Logic thực hiện là đưa vào LLM một loạt quy tắc tiên nghiệm, sau đó người chơi có thể tự động tạo nội dung thứ cấp dựa theo các quy tắc.
Hiện có trò chơi Straylight protocol sử dụng Paul Seidler phát hành trò chơi, Straylight là một trò chơi NFT nhiều người chơi, lõi gameplay là phiên bản game toàn chuỗi của "Minecraft", người chơi có thể tự động Mint NFT, sau đó xây dựng thế giới riêng dựa theo các quy tắc cơ bản được đưa vào mô hình.
3.3.3 Tạo cảnh quan trò chơi bằng AI
Ví dụ một: Pahdo Labs
Pahdo Labs là một studio phát triển trò chơi, hiện đang phát triển Halcyon Zero, một trò chơi nhập vai kỳ ảo anime và nền tảng tạo trò chơi online được xây dựng trên engine Godot. Trò chơi diễn ra trong một thế giới kỳ ảo huyền ảo, lấy trung tâm là một thị trấn sầm uất làm nơi giao lưu xã hội.
Điểm đặc biệt của trò chơi này là người chơi có thể sử dụng công cụ sáng tạo AI do nhà phát hành cung cấp để nhanh chóng tạo thêm nhiều bối cảnh hiệu ứng 3D và đưa nhân vật yêu thích vào trò chơi, thực sự cung cấp công cụ và bối cảnh chơi cho UGC trò chơi đại chúng.
Ví dụ hai: Kaedim
Kaedim phát triển một công cụ tạo mô hình 3D dựa trên Generative AI dành cho các studio trò chơi, có thể nhanh chóng giúp các studio trò chơi tạo hàng loạt cảnh/quỹ đạo 3D trong trò chơi phù hợp nhu cầu. Hiện sản phẩm phổ thông của Kaedim vẫn đang phát triển, dự kiến mở cửa cho các studio trò chơi sử dụng vào năm 2024.
Logic cốt lõi của sản phẩm Kaedim hoàn toàn giống với AI-Agent, sử dụng mô hình lớn tổng quát làm nền tảng, sau đó các nghệ sĩ nội bộ của đội ngũ liên tục đưa vào dữ liệu tốt, sau đó phản hồi với đầu ra của Agent, không ngừng huấn luyện mô hình này bằng học máy, cuối cùng để AI-Agent có thể xuất cảnh 3D đáp ứng yêu cầu.
04 Tổng kết
Trong bài viết này, chúng tôi đã phân tích và tổng kết chi tiết về ứng dụng AI trong lĩnh vực trò chơi. Tóm lại, trong tương lai, ứng dụng mô hình tổng quát và Generative AI trong trò chơi chắc chắn sẽ xuất hiện các dự án kỳ lân đình đám. Mặc dù các ứng dụng chuyên biệt có rào cản bảo vệ thấp, nhưng lợi thế đi đầu mạnh mẽ, nếu có thể tận dụng lợi thế đi đầu để tạo hiệu ứng mạng lưới và tăng tính gắn kết người dùng, thì tiềm năng rất lớn. Ngoài ra, AI tạo sinh vốn dĩ phù hợp với ngành công nghiệp nội dung trò chơi, hiện đã có rất nhiều đội ngũ đang thử nghiệm ứng dụng GA trong trò chơi, trong chu kỳ này rất có khả năng xuất hiện trò chơi bom tấn ứng dụng GA.
Ngoài các hướng đã đề cập trong bài, tương lai còn có các góc độ khám phá khác. Ví dụ:
(1) Lĩnh vực dữ liệu + tầng ứng dụng: lĩnh vực dữ liệu AI đã ươm mầm một số dự án kỳ lân định giá hàng tỷ USD, sự liên động giữa dữ liệu và tầng ứng dụng cũng đầy tiềm năng tưởng tượng.
(2) Kết hợp với Socialfi: ví dụ cung cấp cách tương tác xã hội đổi mới; dùng AI Agent tối ưu xác thực danh tính cộng đồng, quản trị cộng đồng; hoặc đề xuất cá nhân hóa thông minh hơn v.v.
(3) Cùng với sự tự động hóa và trưởng thành của Agent, người tham gia chính trong thế giới tự trị tương lai là con người hay Bot? Thế giới tự trị on-chain có thể đạt tới mức 80%+ DAU đều là Bot như Uniswap? Nếu đúng như vậy, Agent quản trị kết hợp khái niệm quản trị Web3 cũng rất đáng để khám phá.
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
@PSETrading
