پژوهشگران PUBG Ally را به‌عنوان هم‌تیمی هوش مصنوعی معرفی کردند

پژوهشی منتشرشده در arXiv در ۲۸ سپتامبر ۲۰۲۶، از ساخت PUBG Ally خبر می‌دهد؛ عاملی هوشمند برای PUBG: BATTLEGROUNDS که می‌تواند با بازیکنان گفت‌وگو کند و در نقش هم‌تیمی، وضعیت بازی را بررسی کرده و به‌طور مستقل دست به عمل بزند. این سامانه باید هم‌زمان به تغییرات سریع میدان بازی واکنش نشان دهد و گفتار خود را با کنش‌هایش هماهنگ کند؛ چالشی که به گفته پژوهشگران، به پردازش کم‌تأخیر و تعامل طبیعی با بازیکن نیاز دارد.

ترکیب گفت‌وگو و کنترل بازی

بر اساس چکیده مقاله، PUBG Ally از یک عامل مبتنی بر مدل زبانی و یک لایه کنترل سریع‌تر تشکیل شده است. مدل زبانی اطلاعات بازی را از طریق رابطی کنترل‌شده بررسی می‌کند، گفتار بازیکن را تفسیر می‌کند، زمینه مکالمه را نگه می‌دارد و درباره پاسخ یا انتخاب‌های کلی در بازی تصمیم می‌گیرد.

این انتخاب‌ها به لایه‌ای دیگر فرستاده می‌شوند که مسئول کنترل سریع‌تر حرکت، نبرد و بازیابی است. به این ترتیب، مدل زبانی نقش تصمیم‌گیر سطح بالا را دارد و لایه کنترل، انتخاب‌ها را به کنش‌های درون بازی تبدیل می‌کند. پژوهشگران می‌گویند سامانه باید ضمن پاسخ‌گویی به دنیایی پیوسته در حال تغییر، تأخیر را نیز در محدوده‌ای مناسب نگه دارد.

تعامل دوطرفه بخش دیگری از مسئله است: گفتار و رفتار بازیکن بر تصمیم‌های Ally اثر می‌گذارد و کنش‌ها و پاسخ‌های Ally نیز مسیر بازی و گفت‌وگو را تغییر می‌دهد. به همین دلیل، ارزیابی یک هم‌تیمی هوشمند صرفاً با سنجش عملکرد فنی یا تصمیم‌های جدا از بازی کامل نمی‌شود.

آموزش با داده‌های بازی واقعی

برای فراهم‌کردن داده‌هایی که چنین تعاملاتی را بازتاب دهند، پژوهشگران نزدیک به ۳۹ هزار جلسه بازی را با حضور بازیکنان واقعی و Ally گردآوری کرده‌اند. این مجموعه، طبق مقاله، شامل جریان بازی، گفتار بازیکنان، تصمیم‌های عامل، استفاده از ابزارها، کنش‌ها و بازخورد بازیکنان است.

این داده‌ها برای آموزش تکرارشونده سامانه به کار رفته‌اند. مقاله همچنین می‌گوید پژوهشگران کیفیت هم‌تیمی‌بودن Ally را با بازخورد بازیکنان و مقایسه ترجیح‌های آنان سنجیده‌اند. این ارزیابی به آن‌ها کمک کرده است تفاوت میان نتیجه ارزیابی‌های آفلاین و ترجیح بازیکنان را شناسایی کنند و معیارهای سنجش را در چند مرحله بهبود دهند.

اهمیت این رویکرد در آن است که تجربه بازیکن را بخشی از فرایند آموزش و سنجش قرار می‌دهد. با این حال، چکیده جزئیاتی درباره روش دقیق مقایسه‌ها یا معیارهای نهایی ارزیابی ارائه نمی‌کند.

اجرای زنده، تأخیر و ایمنی

به گفته نویسندگان، به‌کارگیری Ally در سرویس زنده بازی مستلزم اجرای کم‌تأخیر روی دستگاه و در نظر گرفتن حفاظت‌هایی برای ارتباط با بازیکنان است. آن‌ها برای این منظور از فشرده‌سازی مدل و فشرده‌سازی زمینه استفاده کرده‌اند. فشرده‌سازی مدل به کاهش نیازهای اجرایی کمک می‌کند و فشرده‌سازی زمینه، اطلاعاتی را که سامانه در هر لحظه برای ادامه تعامل نگه می‌دارد، محدودتر می‌سازد.

مقاله همچنین به آموزش ایمنی هدفمند، سازوکارهای کنترلی هنگام اجرا و حذف یا پالایش اطلاعات حافظه اشاره می‌کند. این تدابیر برای مدیریت ارتباطی طراحی شده‌اند که مستقیماً با بازیکن انجام می‌شود. چکیده درباره جزئیات فنی یا میزان اثرگذاری جداگانه هر یک از این تدابیر توضیح بیشتری نمی‌دهد.

پژوهشگران در جریان سرویس زنده از بازیکنان در ۱۴۱ کشور نظرسنجی کرده‌اند. میان پاسخ‌دهندگانی که سوابق بازی تأیید می‌کرد با Ally بازی کرده‌اند، پاسخ‌های مثبت به پرسش درباره توصیه این هم‌تیمی از پاسخ‌های منفی ۲۵٫۱ واحد درصد بیشتر بود. بنا بر گزارش مقاله، برخی بازیکنان Ally را نه فقط یک ابزار، بلکه هم‌تیمی یا همراه توصیف کرده‌اند. این نتیجه بازتاب نظر پاسخ‌دهندگان مشمول نظرسنجی است و به‌تنهایی نشان‌دهنده نظر همه بازیکنان نیست.

این خبر برای چه کسانی اهمیت دارد

این پژوهش برای توسعه‌دهندگان بازی و سامانه‌های هوش مصنوعی تعاملی اهمیت دارد، زیرا نمونه‌ای از پیوند مدل زبانی با کنترل بلادرنگ و داده‌های حاصل از بازی واقعی را توصیف می‌کند. همچنین برای پژوهشگران ارزیابی عامل‌های هوشمند، توجه به ترجیح بازیکنان و فاصله آن با سنجش‌های آفلاین نکته‌ای کاربردی است.

برای بازیکنان نیز موضوع اصلی تجربه کار با هم‌تیمی‌ای است که می‌تواند گفتار را بفهمد و در جریان بازی واکنش نشان دهد. با این حال، چکیده مقاله اطلاعاتی درباره دسترسی عمومی، زمان عرضه یا قابلیت‌های دقیق Ally در موقعیت‌های مختلف بازی ارائه نمی‌کند.