隨著 AI 技術的快速發展，越來越多的領域開始探索如何利用 AI 來提升效率和創造力。
近日，谷歌和以色列特拉維夫大學的研究人員聯合推出了一款名為 GameNGen 的 AI 模型，這一最新技術進展能夠實時交互式模擬 1993 年經典第一人稱射擊游戲《毀滅戰士》（Doom）。
日前，相關論文以《擴散模型是實時游戲引擎》（Diffusion Models Are Real-Time Game Engines）為題在預印本網站 arXiv 上發表 [1]，該模型已在 GitHub 上開源。
論文作者包括：丹尼·瓦列夫斯基（Dani Valevski）、亞尼夫·利維坦（Yaniv Leviathan）、摩阿布·阿拉爾（Moab Arar）和肖米·弗魯赫特（Shomi Fruchter）。
GameNGen 是一個由神經網絡驅動的系統，其核心在于它能夠在沒有傳統游戲引擎的情況下，通過 AI 技術實時生成游戲畫面。
傳統的游戲引擎往往基于手工編寫的代碼，進行游戲狀態管理并渲染視覺效果，這一過程不僅耗時且成本高昂。
而 GameNGen 通過 AI 生成擴散模型，完全擺脫了這種傳統方法，自動模擬整個游戲環境。
該系統利用 AI 圖像生成模型 Stable Diffusion，最初用于生成靜態圖像。而 GameNGen 則進一步擴展了這一技術，將其應用于實時互動的游戲模擬中。
在 GameNGen 的用例中，Stable Diffusion 模型被修改為能夠預測游戲畫面中的下一個狀態。
這種預測不是基于固定的規則或預設的游戲邏輯，而是通過 AI 對之前狀態的分析和推測來實現的。
也就是說，GameNGen 能夠動態地生成每一幀的游戲畫面，而并非基于預先定義的場景或動作序列。
GameNGen 使用的另一項關鍵技術是神經網絡，尤其是與圖像生成相關的神經網絡。
首先，研究人員訓練了一個強化學習代理，讓它通過玩游戲來生成大量的游戲畫面數據。
隨后，這些數據被用于訓練 Stable Diffusion 模型，使其能夠在給定前一幀的情況下，預測并生成下一幀的游戲畫面。
這個過程包括了兩個主要階段：
第一階段是強化學習代理的訓練，目的是通過自動游戲生成大量的訓練數據。
第二階段是將這些數據輸入到 Stable Diffusion 模型中，以便模型能夠學習如何從一幀游戲畫面生成下一幀。
這種結合了強化學習和擴散模型的技術，使得 GameNGen 不僅能夠生成單幀的高質量圖像，還能夠保證這些圖像在時間維度上的連貫性。
在傳統的游戲開發中，游戲畫面的生成是通過預先設定的規則和算法來實現的。這種方法雖然可以產生高質量的圖像，但也需要大量的計算資源和時間。
而 GameNGen 則通過神經渲染的方式，利用神經網絡實時生成游戲畫面。
這種渲染方式與傳統的圖形渲染方法有很大的不同，它不依賴于固定的規則，而是通過 AI 對當前游戲狀態的“想象”來生成圖像。
GameNGen 的誕生和后續進展很可能引發游戲行業的變革。
傳統的游戲開發往往需要大量的人力和時間來編寫代碼、設計關卡和創建游戲世界。而 AI 驅動的引擎，如 GameNGen，能夠自動生成這些內容，顯著減少了開發時間和成本。
這一技術突破可能使游戲創作更加方便，小型工作室甚至個人創作者也可以制作出復雜、互動性強的游戲。
更重要的是，AI 驅動的游戲引擎不僅能夠生成靜態的游戲場景，還能夠根據玩家的實時操作動態調整游戲內容。
這意味著，未來的游戲可能不再是預先設計好的固定內容，而是能夠根據玩家的行為實時演變。
未來，或許這種動態生成的游戲世界將打破傳統游戲設計的桎梏，為玩家帶來更加沉浸式和個性化的游戲體驗。
盡管 GameNGen 目前主要在游戲領域應用，但其潛力遠不止于此。實時模擬適用于許多行業，特別是在虛擬現實（VR，Virtual Reality）、增強現實（AR，Augmented Reality）、自動駕駛汽車和智能城市等領域。
在 VR 和 AR 中，AI 驅動的引擎可以創建完全沉浸式的互動世界，并實時響應用戶的輸入。
盡管 GameNGen 展現了 AI 在游戲模擬中的巨大潛力，但這一技術在當前階段仍面臨諸多挑戰和限制。
首先，GameNGen 目前僅限于模擬一款相對簡單的古老游戲，相比于現代游戲，其圖形復雜度較低。
要將 GameNGen 的技術應用于更復雜的游戲或其他類型的模擬環境，需要克服大量技術難題。
其次，GameNGen 生成的游戲畫面偶爾會出現圖像故障，特別是在處理較復雜的游戲環境的情況。
這是由于 Stable Diffusion 模型的局限性，以及 AI 在生成連續幀時容易出現的累積誤差所導致的。
隨著時間的推移，這些小錯誤會逐漸積累，最終可能導致生成的虛擬世界變得不穩定或失真。
此外，GameNGen 只能訪問短短三秒鐘的游戲歷史，這意味著當玩家重新訪問先前經歷的游戲關卡時，系統只能通過概率性猜測進行模擬，而無法基于真實的游戲狀態進行準確再現。
這種局限性限制了 GameNGen 在更大規模和更復雜的游戲環境中應用。
盡管目前存在一些技術挑戰，GameNGen 仍然為未來的游戲開發和其他應用場景開辟了廣闊的前景。
隨著 AI 技術的不斷進步和計算成本的降低，未來有望實現更復雜的游戲和模擬環境。
與此同時，隨著時間的推移，AI 驅動的游戲引擎或將不僅限于模擬簡單的游戲場景，而是能夠生成大規模、復雜且互動性強的虛擬世界。
參考資料：
1.https://arxiv.org/abs/2408.14837
https://arstechnica.com/information-technology/2024/08/new-ai-model-can-hallucinate-a-game-of-1993s-doom-in-real-time/
https://gamengen.github.io/
運營/排版：何晨龍
