“`html
Революция в геймдеве: GameNGen – новый этап развития игровых движков
Существует значительное препятствие в использовании нейронных моделей для симуляции игр – это сложность точного воссоздания интерактивных сред в реальном времени. Традиционные игровые движки оперируют на основе циклов, созданных вручную, которые собирают вводы пользователя, обновляют игровые состояния и отображают визуал на высоких частотах кадров, что критически важно для поддержания иллюзии интерактивного виртуального мира. Воссоздание этого процесса с помощью нейронных моделей представляет особую сложность из-за проблем, таких как сохранение визуальной достоверности, обеспечение стабильности в течение длительных последовательностей и достижение необходимой производительности в реальном времени. Решение этих проблем является ключевым для развития возможностей ИИ в разработке игр и открывает путь к новой парадигме, где игровые движки работают на нейронных сетях, а не на ручно написанном коде.
Практические решения и ценность
Текущие подходы к симуляции интерактивных сред с помощью нейронных моделей включают методы, такие как обучение с подкреплением (RL) и модели диффузии. Техники, такие как World Models от Ha и Schmidhuber (2018) и GameGAN от Kim и др. (2020), были разработаны для симуляции игровых сред с использованием нейронных сетей. Однако эти методы сталкиваются с существенными ограничениями, включая высокую вычислительную стоимость, нестабильность в течение длительных траекторий и низкое качество визуального отображения.
Исследователи из Google и Тель-Авивского университета представили GameNGen – новый подход, использующий модифицированную версию модели Stable Diffusion v1.4 для симуляции сложных интерактивных сред, таких как игра DOOM, в реальном времени. GameNGen преодолевает ограничения существующих методов, применяя двухфазный процесс обучения: сначала обучается RL-агент для игры в игру, генерируя набор траекторий игрового процесса; затем генеративная модель диффузии обучается на этих траекториях для прогнозирования следующего кадра игры на основе предыдущих действий и наблюдений. Этот подход использует модели диффузии для симуляции игр, обеспечивая высокое качество, стабильность и интерактивные впечатления в реальном времени.
GameNGen демонстрирует впечатляющее качество симуляции, создавая визуальное отображение практически неотличимое от оригинальной игры DOOM даже в течение длительных последовательностей. Модель достигает показателя Peak Signal-to-Noise Ratio (PSNR) 29,43, сопоставимого с потерями при сжатии JPEG, и низкого значения Learned Perceptual Image Patch Similarity (LPIPS) 0,249, что указывает на высокую визуальную достоверность. Кроме того, подход демонстрирует устойчивость в поддержании игровой логики и визуальной согласованности при симуляции сложных игровых сценариев в реальном времени со скоростью 20 кадров в секунду.
GameNGen представляет собой прорыв в симуляции игр с использованием нейронных моделей в реальном времени, подчеркивая способность модели обеспечивать стабильную высококачественную производительность. Это открывает новые перспективы в разработке игр, где игровые движки создаются и управляются нейронными моделями, вместо традиционных кодовых движков, и может революционизировать отрасль, делая разработку игр более доступной и экономичной.
Для получения более подробной информации обращайтесь по ссылке на исследование и проект. Вся заслуга за этот прорыв принадлежит исследователям этого проекта. Также не забудьте подписаться на наш Твиттер и присоединиться к нашему Телеграм-каналу и группе в LinkedIn. Если вам понравилась наша работа, вам понравится и наша рассылка.
Не забудьте присоединиться к нашему сообществу 50 тыс. подписчиков на ML SubReddit.
И не пропустите рекомендуемый вебинар от нашего партнера: «Построение производительных приложений ИИ с помощью NVIDIA NIMs и Haystack».
Статья опубликована на сайте MarkTechPost.
“`
