Google和特拉維夫大學的一些人創建了一個名為GameNGen 的新遊戲引擎，它完全由神經模型（又稱人工智慧）即時驅動。其重點是，他們訓練了一個強化學習代理（RL-agent）來玩《毀滅戰士》。這個RL 代理會一遍又一遍地玩遊戲，同時記錄並儲存每次的遊戲過程，學習如何不被射殺、吃掉或以其他方式死亡，同時也學習如何與環境進行簡單的互動。

其次是擴散模型–這實際上是一種學習模型，在對資料進行去噪處理以恢復影像昔日的光彩之前，透過許多步驟用雜訊破壞原本完美的影像，這使它在預測和創建影像方面非常出色。在這個特殊的案例中，它是一個遊戲引擎，能夠根據前一幀預測下一幀的遊戲內容。

透過觀察RL 代理重複玩DOOM 所獲得的數據，它可以產生所有紋理、顏色、模型、皮膚以及DOOM 地圖視覺化所需的其他一切。

通常情況下，紋理、精靈、模型、著色器、預製件等都保存在本地，並在每個關卡開始時載入。每個關卡還會預載獨特的實體互動。

擴散器模型可以預測並繪製下一幀的畫面，例如，武器發射時的樣子、發射的目標，以及霰彈槍對擊中物體的物理影響。再加上一些用戶輸入，現在你就擁有了一款AI生成的遊戲。遊戲是即時生成和互動的，沒有預先載入或快取。本例使用的是DOOM，但任何遊戲都可以使用。甚至是還不存在的遊戲。理論上，如果給GameNGen 一些參數，它也可以自己製作遊戲。

所有這些都是透過單一張量處理單元（TPU）實現的–TPU 類似於處理圖形的GPU，但專為人工智慧設計，用於大容量、低精度的計算處理–能夠達到20 fps。這與現代遊戲的60 fps 基準相去甚遠，但正如每項新技術一樣，它只會不斷進步。 1993 年的老式版本最高運行速度為35 fps。

在單一TPU 設定下，記憶體成為一個問題，人工智慧模型只能”記住”大約三秒鐘的遊戲時間，然後在使用者闖關時”忘記”。 雖然人工智慧能夠推斷出大部分數據，例如你的彈藥數量和你是否已經打過地圖上的某個特定區域，但由於上下文長度只有三秒鐘左右，有時會導致錯誤。

另一個值得注意的事實是，僅依靠RL 代理進行訓練也有其缺陷；與使用RL 代理試圖獲得最高分和找到FPS 遊戲中經常隱藏的所有秘密地點不同，訓練RL 代理的目的是從普通人可能的遊戲方式中收集資料。在訓練過程中，RL 代理可以存取其先前執行的32 次操作。

根據GameNGen 發布的白皮書，”我們的代理即使在訓練結束後，仍然無法探索所有的遊戲地點和交互，從而在這些情況下導致錯誤的行為”。

一直以來，電子遊戲都是由編寫了數百萬行程式碼的人來製作的。 GameNGen 是第一個依靠神經模型的遊戲；恕我直言，它可能會改變遊戲規則。

從最初在DOS 上發布，到由人工智慧運行生成……30 多年前，誰能想到這樣的事情？生成式人工智慧遊戲引擎是未來的趨勢嗎？我們是否只需擁有一台連接到網路的遊戲機，然後給它一些提示，就能開始玩完全按照我們的口味定制的獨特遊戲？

希望了解更多，請點擊這裡查看完整的白皮書（PDF）。