Artificial Agency Memajukan Gameplay AI yang Selalu Aktif dengan AWS dan Llama

Artificial Agency membangun mesin perilaku yang memungkinkan AI agentik dalam game. Mesin ini mendukung karakter dan sistem yang cerdas yang dapat bernalar tentang niat pemain serta merespons secara alami selama sesi permainan yang panjang. Menghidupkan ini dalam skala besar membutuhkan AI yang dapat berjalan secara waktu nyata, di jutaan pemain secara bersamaan. Untuk memenuhi standar itu, Artificial Agency bekerja dengan model Llama Meta dan Amazon Web Services (AWS) untuk menyempurnakan model kecil khusus game yang memberikan performa kuat pada ukuran yang lebih kecil dari model yang lebih besar. Pendekatan ini mengurangi permintaan infrastruktur, menurunkan latensi, dan membuka kemungkinan kreatif baru untuk studio game.

Membawa kecerdasan ke dunia game

Sebagian besar karakter game berada pada jalur yang ditetapkan. Mereka memiliki skrip, pohon perilaku, dan jalur keputusan terbatas yang dirancang dengan cermat untuk menangani apa yang mungkin dilakukan pemain, tetapi hanya apa yang diantisipasi oleh desainer. Apa yang tidak dapat mereka lakukan adalah berimprovisasi, beradaptasi, atau benar-benar merespons niat pemain secara waktu nyata. Kesenjangan itulah yang ingin ditutup oleh Artificial Agency. Perusahaan ini mengembangkan mesin perilaku yang membawa AI agentik ke dalam game, mesin tersebut mendukung NPC cerdas, pendamping, dan sistem dinamis.

“Dengan sistem tradisional, Anda terbatas pada interaksi naskah atau perilaku yang telah ditentukan sebelumnya,” kata Alex Kearney, co-founder and head of machine learning di Artificial Agency. “Apa yang kami aktifkan adalah sesuatu yang lebih dinamis—agen yang dapat memahami apa yang dimaksud pemain, bukan hanya apa yang mereka katakan, dan bertindak dengan cara yang terasa disengaja.” Sistem sutradara game dapat menciptakan pertemuan baru secara spontan berdasarkan bagaimana pemain berperilaku. Jika seorang pemain meminta pensil, karakter mungkin berjalan menuju meja, mengambilnya, dan membawanya kembali. Seorang pendamping mungkin melihat kesehatan pemain turun serta turun tangan tanpa disuruh.

Sistem ini menawarkan alat dalam mesin yang terintegrasi langsung ke Unity, Unreal, dan mesin game lainnya dan platform cloud yang mengelola status agen, memori, serta bagaimana pemahaman karakter berkembang dari waktu ke waktu. Tujuannya, jelas Kearney, sangat sederhana: “Studio game ingin membawa AI ke dalam gameplay dengan cara yang terasa alami bagi pemain, tetapi mereka tidak ingin menjadi ahli machine learning untuk melakukannya. Apa yang kami bangun adalah cara bagi developer untuk menciptakan karakter dan sistem yang cerdas tanpa perlu mengelola semua kompleksitas itu sendiri.”

Memberikan hal ini dalam game langsung, bagaimanapun, menghadirkan kendala yang berbeda dari aplikasi AI lainnya. Game membutuhkan performa secara waktu nyata di sesi permainan yang panjang, anggaran latensi yang ketat, dan infrastruktur yang mampu mendukung jutaan pemain secara bersamaan pada perangkat keras yang sudah didorong hingga batasnya.

Mulai dari model terdepan hingga AI khusus game

Pendekatan Artificial Agency dimulai dengan model skala terdepan dan menggunakan data khusus game untuk melatih model khusus yang lebih kecil yang disesuaikan dengan kebutuhan setiap game. “Model besar dapat melakukan hal yang mengesankan, tetapi mereka hadir dengan kendala. Jika Anda ingin AI selalu aktif dalam game, Anda membutuhkan sesuatu yang lebih kecil, lebih efisien, dan disesuaikan dengan lingkungan itu.” Model parameter 70 miliar mengetahui sejarah kuno, astrofisika, serta cara membuat kue. Game tertentu mungkin memerlukan sebagian dari itu, tetapi tidak semuanya, dan tidak dengan biaya sumber daya yang menyertainya. Itulah sebabnya Artificial Agency bekerja untuk menyempurnakan model Llama di varian 1B, 3B, dan 8B terhadap acuan dasar performa 70B. Model sumber terbuka ini menawarkan kemampuan penyesuaian, stabilitas jangka panjang, serta sesuatu yang sangat penting dalam pekerjaan kreatif: kepemilikan. Model yang dibangun untuk visi artistik studio tetap seperti itu tanpa pembaruan mengejutkan atau pergeseran model yang diam-diam mengubah perilaku karakter dari waktu ke waktu.

Pada tahap awal pelatihan ini, Artificial Agency mengikuti proses secara bertahap. Penyempurnaan yang diawasi (SFT) menjadi yang pertama, secara dramatis meningkatkan keandalan model dasar. Pembelajaran penguatan menggunakan GRPO (Optimisasi Kebijakan Relatif Grup) kemudian menargetkan tantangan perilaku yang luar biasa seperti perulangan. Model sesekali mengulangi diri mereka sendiri, terjebak dalam pola, dan gagal mendorong narasi ke depan. Dalam gameplay yang muncul dengan batasan pengaman yang dilonggarkan, hal tersebut merusak imersi dengan cepat. Set data tambahan menyimulasikan skenario yang menantang, dan serangkaian evaluasi yang dibuat khusus mengukur perilaku dalam game realistis

konteks. “Setelah penyempurnaan,” kata Dhruv Mullick, senior machine learning engineer di Artificial Agency, “kami mampu meningkatkan keandalan secara signifikan dan membawa model ke titik yang ia dapat berjalan dalam sistem game.”

AWS telah menjadi partner utama di seluruh dunia. Artificial Agency menggunakan infrastruktur Amazon SageMaker di Amazon Elastic Compute Cloud (Amazon EC2) untuk melatih, mengevaluasi, dan melakukan iterasi dalam skala besar. Tim ini juga bekerja dengan AWS Pusat Inovasi AI Generatif AWS (GenAIIC), yang menyediakan dukungan penasihat dan panduan bukti konsep, termasuk strategi pelatihan, konfigurasi model, serta pendekatan pelatihan skala besar. Tim AWS bekerja secara langsung bersama Artificial Agency untuk menyempurnakan fungsi penghargaan, melakukan debug masalah, dan mempercepat iterasi. “AWS telah menjadi partner yang solid dalam membantu kami mengulangi proses ini,” kata Kearney, “menguji pendekatan pelatihan yang berbeda, menyempurnakan cara kami mengevaluasi perilaku, dan mengatasi tantangan untuk membuat model ini beperforma di lingkungan game.” Tim AWS juga mengimplementasikan arsitektur pelatihan terdistribusi termasuk paralelisme urutan untuk menangani konteks input yang panjang, di samping pengaturan multi-GPU untuk pelatihan serta inferensi.

Membuktikan yang lebih kecil dapat lebih pintar

Hasil awal menunjukkan kemajuan yang berarti di seluruh metrik yang paling penting dalam konteks game. Sebagai bukti konsep, penyempurnaan yang diawasi mengurangi tingkat kesalahan penguraian dari sekitar 78,7 persen menjadi sekitar 1 persen. Tingkat kelulusan pada skenario gameplay utama meningkat dari sekitar 6 persen menjadi sekitar 51 persen, dan perilaku putaran dipotong sekitar setengahnya. Seperti yang ditekankan Mullick, angka-angka itu hanya bermakna karena apa yang mereka wakili: “Kami tidak hanya mengukur tolok ukur abstrak. Kami sedang mengevaluasi bagaimana model berperilaku dalam skenario gameplay nyata. Itu termasuk hal seperti apakah game menghindari perulangan, apakah game dapat beradaptasi dengan gameplay yang didorong pemain yang muncul, dan apakah game mempertahankan koherensi dari waktu ke waktu.”

Pengujian internal juga menunjukkan model yang lebih kecil yang disempurnakan bergerak secara substansial lebih dekat ke acuan dasar 70B dalam performa khusus game. Dengan kata lain, model 1B—meskipun 70 kali lebih kecil—mulai beperforma seperti model yang mengerdilkannya ketika dilatih pada data yang tepat untuk konteks yang tepat. Model yang lebih kecil berarti permintaan infrastruktur yang lebih rendah, latensi yang lebih rendah, dan kemampuan untuk melakukan deployment AI di lebih banyak game tanpa biaya menjadi kendala kreatif. Selain itu, kata Kearney, “Sebuah model pada tingkat parameter satu miliar dapat berjalan pada perangkat keras konsumen. Itu adalah perubahan yang berarti, karena itu berarti Anda tidak lagi bergantung pada infrastruktur skala besar untuk setiap interaksi. Inferensi pada perangkat mengubah apa yang mungkin secara arsitektur, ekonomi, dan kreatif dengan cara yang tidak tersedia ketika model besar adalah satu-satunya pilihan.

Pekerjaan masih berlangsung: Pelatihan model final dan uji permainan kualitatif, termasuk uji permainan langsung dengan pemain sungguhan yang membandingkan model yang disempurnakan terhadap acuan dasar 70B, masih di depan. “Kami masih menyempurnakan model ini dan terus mengevaluasi performanya,” kata Kearney, “namun, sinyal awal menggembirakan. Kami melihat kemajuan dalam membuat gameplay secara waktu nyata yang didorong AI yang layak dalam skala besar.” Karakter game generasi berikutnya tidak hanya akan mengetahui dialog mereka. Mereka akan memahami adegan tersebut.

Siap untuk melatih dan melakukan deployment model dalam skala besar? Pelajari cara Amazon SageMaker dan Amazon EC2 dapat membantu Anda membangun, melakukan iterasi, serta menjalankan beban kerja AI bahkan untuk lingkungan yang secara waktu nyata paling menuntut sekalipun.