Artificial Agency porta l'intelligenza artificiale sempre attiva nel gameplay grazie ad AWS e Llama

Artificial Agency crea un motore comportamentale che porta l'IA agentica nei giochi. Il motore alimenta personaggi e sistemi intelligenti in grado di ragionare sulle intenzioni del giocatore e rispondere in modo naturale durante lunghe sessioni di gioco. Dare vita a tutto ciò su larga scala richiede un'IA in grado di funzionare in tempo reale, su milioni di giocatori simultanei. Per raggiungere questo obiettivo, Artificial Agency sta collaborando con i modelli Meta Llama e Amazon Web Services (AWS) per mettere a punto piccoli modelli specifici per i giochi che offrono prestazioni elevate a una frazione delle dimensioni dei modelli più grandi. Questo approccio riduce le esigenze di infrastruttura, riduce la latenza e apre nuove possibilità creative per gli studios di gioco.

Portare l'intelligenza nel mondo dei giochi

La maggior parte dei personaggi dei videogiochi segue un percorso predefinito. Hanno script, alberi comportamentali e percorsi decisionali finiti, progettati con cura per gestire le azioni dei giocatori, ma solo quelle previste dagli sviluppatori. Ciò che non sono in grado di fare è improvvisare, adattarsi o rispondere in modo genuino alle intenzioni del giocatore in tempo reale. È proprio questa lacuna che Artificial Agency si propone di colmare. L'azienda sviluppa un motore comportamentale che introduce l'IA agentica nei videogiochi, dove alimenta PNG, compagni e sistemi dinamici intelligenti.

"Con i sistemi tradizionali, si è limitati a interazioni predefinite o comportamenti prestabiliti", afferma Alex Kearney, co-fondatore e responsabile del machine learning presso Artificial Agency. "Quello che stiamo rendendo possibile è qualcosa di più dinamico: agenti in grado di capire cosa intende un giocatore, non solo cosa dice, e di agire in modo che sembri intenzionale". Un sistema di game director potrebbe creare nuovi incontri al volo in base al comportamento del giocatore. Se un giocatore chiede una matita, un personaggio potrebbe andare a una scrivania, prenderne una e riportarla. Un compagno potrebbe notare che la salute di un giocatore sta calando e intervenire senza bisogno di essere avvisato.

Il sistema vanta strumenti integrati direttamente in Unity, Unreal e altri motori di gioco, oltre a una piattaforma cloud che gestisce lo stato dell'agente, la memoria e l'evoluzione della comprensione di un personaggio nel tempo. L'obiettivo, spiega Kearney, è semplice: "Gli studi di sviluppo di videogiochi vogliono integrare l'IA nel gameplay in modo che risulti naturale per i giocatori, ma non vogliono diventare esperti di machine learning per farlo. Quello che stiamo creando è un modo per consentire agli sviluppatori di creare personaggi e sistemi intelligenti senza dover gestire da soli tutta questa complessità".

Implementare tutto ciò in un gioco dal vivo, tuttavia, presenta vincoli diversi rispetto ad altre applicazioni di intelligenza artificiale. I giochi richiedono prestazioni in tempo reale durante lunghe sessioni di gioco, rigidi limiti di latenza e un'infrastruttura in grado di supportare milioni di giocatori simultanei su hardware già spinto al limite.

Dai modelli di frontiera all'IA specifica per i giochi

L'approccio di Artificial Agency parte da modelli su scala di frontiera e utilizza dati specifici del gioco per addestrare modelli più piccoli e specializzati, adattati alle esigenze di ogni singolo gioco. "I modelli di grandi dimensioni possono fare cose impressionanti, ma hanno dei limiti. Se si vuole che l'IA sia sempre attiva in un gioco, serve qualcosa di più piccolo, più efficiente e su misura per quell'ambiente". Un modello con 70 miliardi di parametri conosce la storia antica, l'astrofisica e come preparare una torta. Un determinato gioco potrebbe aver bisogno di alcune di queste informazioni, ma non di tutte, e non al costo di risorse che ne consegue. Ecco perché Artificial Agency sta lavorando per perfezionare i modelli Llama nelle varianti da 1, 3 e 8 miliardi di parametri, rispetto a una base di riferimento di 70 miliardi di parametri. Questi modelli open source offrono personalizzazione, stabilità a lungo termine e qualcosa di fondamentale nel lavoro creativo: la proprietà. Un modello costruito secondo la visione artistica di uno studio rimane tale, senza aggiornamenti a sorpresa o derive del modello che modificano silenziosamente il comportamento dei personaggi nel tempo.

Nelle fasi iniziali di questo addestramento, Artificial Agency ha seguito un processo a fasi. Il fine-tuning supervisionato (SFT) è arrivato per primo, migliorando drasticamente l'affidabilità del modello di base. L'apprendimento per rinforzo tramite GRPO (Group Relative Policy Optimization) si è poi concentrato su sfide comportamentali non convenzionali come i cicli. I modelli occasionalmente si ripetevano, si bloccavano in schemi e non riuscivano a far progredire le narrazioni. In un gameplay emergente con regole meno rigide, questo interrompe rapidamente l'immersione. Ulteriori set di dati hanno simulato scenari complessi e una suite di valutazione appositamente creata ha misurato il comportamento in contesti di gioco realistici.

"Dopo un'accurata messa a punto", afferma Dhruv Mullick, ingegnere senior di machine learning di Artificial Agency, "siamo riusciti a migliorare significativamente l'affidabilità e a portare il modello a un punto tale da poter essere eseguito all'interno del sistema di gioco".

AWS è sempre stato un partner centrale. Artificial Agency utilizza l'infrastruttura di Amazon SageMaker su Amazon Elastic Compute Cloud (Amazon EC2) per addestrare, valutare e iterare su larga scala. Il team collabora anche con il Centro di innovazione per l'IA generativa di AWS (GenAIIC), che fornisce supporto di consulenza e guida per la realizzazione di proof-of-concept, incluse strategie di addestramento, configurazioni di modelli e approcci di addestramento su larga scala. I team di AWS lavorano a stretto contatto con Artificial Agency per perfezionare le funzioni di ricompensa, risolvere i problemi e accelerare l'iterazione. "AWS è stato un partner fondamentale nell'aiutarci a iterare attraverso questo processo", afferma Kearney, "testando diversi approcci di addestramento, perfezionando il modo in cui valutiamo il comportamento e affrontando le sfide legate alle prestazioni di questi modelli in un ambiente di gioco". Il team di AWS ha anche implementato architetture di addestramento distribuite, incluso il parallelismo di sequenza per gestire contesti di input lunghi, insieme a una configurazione multi-GPU sia per l’addestramento che per l'inferenza.

Dimostrare che essere più piccoli può essere più intelligente

I primi risultati hanno mostrato progressi significativi nelle metriche più importanti in un contesto di gioco. In una prova di concetto, il fine-tuning supervisionato ha ridotto il tasso di errore di analisi sintattica da circa il 78,7% a circa l'1%. Il tasso di successo negli scenari di gioco chiave è aumentato da circa il 6% a circa il 51%, e i comportamenti di loop sono stati ridotti di circa la metà. Come sottolinea Mullick, questi numeri sono significativi solo per ciò che rappresentano: "Non stiamo solo misurando parametri astratti. Stiamo valutando come il modello si comporta in scenari di gioco reali. Ciò include aspetti come la capacità di evitare i loop, di adattarsi al gameplay emergente guidato dal giocatore e di mantenere la coerenza nel tempo".

I test interni hanno inoltre dimostrato che i modelli più piccoli e ottimizzati si avvicinano in modo sostanziale alle prestazioni specifiche del gioco del modello da 70 miliardi di parametri. In altre parole, un modello da 1 miliardo di parametri, pur essendo 70 volte più piccolo, inizia a raggiungere prestazioni di gran lunga superiori se addestrato con i dati giusti e nel contesto appropriato. Modelli più piccoli significano minori esigenze infrastrutturali, minore latenza e la possibilità di implementare l'IA in una porzione più ampia del gioco senza che i costi diventino un vincolo creativo. Inoltre, afferma Kearney, "Un modello con un miliardo di parametri può essere eseguito su hardware di consumo. Si tratta di un cambiamento significativo, perché significa non dipendere più da infrastrutture su larga scala per ogni interazione". L'inferenza on-device cambia ciò che è possibile a livello architetturale, economico e creativo in modi che semplicemente non sono possibili quando un modello di grandi dimensioni è l'unica opzione.

Il lavoro è in corso: l'addestramento finale dei modelli e i test di gioco qualitativi, inclusi i test dal vivo con giocatori reali che confrontano il modello ottimizzato con fine-tuning con la versione di riferimento 70B, sono ancora da completare. "Stiamo ancora perfezionando i modelli e continuando a valutare le prestazioni", afferma Kearney, "ma i primi segnali sono incoraggianti. Stiamo assistendo a progressi verso la realizzazione di un gameplay in tempo reale guidato dall'IA, fattibile su larga scala". La prossima generazione di personaggi di gioco non si limiterà a conoscere le proprie battute. Comprenderanno la scena.

Sei pronto ad addestrare e distribuire modelli su larga scala? Scopri come Amazon SageMaker e Amazon EC2 possono aiutarti a creare, iterare ed eseguire carichi di lavoro di intelligenza artificiale anche negli ambienti in tempo reale più esigenti.