مدیران بازی AI و NPC های پویا: چگونه مدلهای زبانی طراحی بازیهای ویدیویی را متحول میکنند
برای چندین دهه، NPC های بازیهای ویدیویی داستانپردازیهای پیچیدهای بودهاند. آنها اهداف مأموریت را ارائه میدادند، کالا میفروختند و به شکلی قانعکننده میمردند، اما از درختهای تصمیم محدود پیروی میکردند — هر مکالمه شاخهای بود که طراح آن را پیشبینی کرده و اسکریپت نوشته بود. بازیکنان به سرعت درمییافتند که مزدوران و مهمانداری که دنیاهای بازی را پر کرده بودند، عروسکهایی بیش نیستند و توهم زندگی آنها به این وابسته بود که هرگز چیزی خارج از اسکریپتشان از آنها پرسیده نشود. این محدودیت رابطه این رسانه با شخصیتهای مصنوعی را از زمانی که Pong جای خود را به بازیهای داستانمحور داد، تعریف کرده است.
مدلهای زبانی در حال از میان برداشتن این محدودیت هستند. همان فناوری که به افراد امکان میدهد مکالمهای آزاد با یک چتبات داشته باشند، اکنون در شخصیتهای بازی تنیده میشود که میتوانند به هر چیزی که بازیکن میگوید پاسخ دهند، آنچه را که ساعتها پیش در جلسه اتفاق افتاده به یاد بیاورند و در طول یک مکالمه نامحدود، شخصیتی پایدار را حفظ کنند. این فناوری واقعاً جدید است. آنچه هنوز حل نشده باقی مانده، این است که چگونه بازیها را بر اساس آن بسازیم.
وقتی NPC ها واقعاً بتوانند پاسخ دهند، چه چیزی تغییر میکند
گفتگوی سنتی NPC از درختهای رفتاری و ماشینهای حالت متناهی استفاده میکند: اگر بازیکن X بگوید، NPC با Y پاسخ میدهد و به حالت Z منشعب میشود. این رویکرد شخصیتهایی تولید میکند که در محدوده اسکریپتهای خود منسجم هستند، اما در خارج از آنها شکنندهاند. اگر از یک آهنگر قرون وسطایی درباره فیزیک کوانتومی بپرسید، یا پاسخی خالی دریافت میکنید یا یک دیالوگ آماده و گیجکننده. طراح نمیتوانست آن سؤال را پیشبینی کند، بنابراین سیستم چیزی برای گفتن ندارد.
یک NPC مبتنی بر LLM منشعب نمیشود — بلکه تولید میکند. با داشتن تعریفی از یک شخصیت (نقش، شخصیت، دانش، اهداف، لحن، و آنچه درباره دنیای بازی میدانند)، مدل میتواند به تقریباً هر ورودیای پاسخ دهد و در عین حال در شخصیت باقی بماند. آهنگر میتواند در قالب شخصیت خود از پاسخ دادن درباره فیزیک کوانتومی امتناع ورزد («کوچکترین ایدهای ندارم درباره چه صحبت میکنید، مسافر») بدون اینکه فضای غوطهوری را بشکند، و میتواند به سؤالات عمیقی درباره سیاستهای شهر، جنگ سال گذشته، یا دلیل نگرانی ظاهریاش پاسخ دهد که هیچکدام از آنها را طراح بهطور خاص اسکریپتنویسی نکرده است.
تفاوت تنها در عمق دیالوگ نیست — بلکه در ماهیت رابطهی بازیکن با دنیای بازی است. شخصیتهایی که حافظهی پایدار دارند میتوانند به خاطر بیاورند که بازیکن در جلسهی قبل به آنها کمک کرده است، کینه نگه دارند و روابط واقعی ایجاد کنند. این امر مفهوم "NPC" را دگرگون میکند.
شرکتهایی که این زیرساخت را میسازند
Inworld AI برجستهترین شرکت زیرساختی در این حوزه است. پلتفرم آن به توسعهدهندگان اجازه میدهد شخصیتها را با ویژگیهای شخصیتی، حالات احساسی، اهداف، محدودیتهای دانش و روابط تعریف کنند، سپس یک محیط اجرایی فراهم میکند که استنتاج LLM، مدیریت حافظه و سنتز صوتی بلادرنگ را مدیریت میکند. Inworld یکپارچهسازی با چندین بازی را ارائه داده است، از جمله یک تجربهی Roblox با بیش از ۱۰ میلیون بار اجرا، و با استودیوهای بزرگی که روی عناوین اعلامنشده کار میکنند شراکت دارد. شخصیتهای ساختهشده با Inworld میتوانند آنچه را که بازیکنان در جلسات قبلی به آنها گفتهاند به خاطر بسپارند و بر اساس نحوهی رفتاری که با آنها میشود، وضعیت احساسی خود را بهروز کنند.
NVIDIA ACE (Avatar Cloud Engine) یک رویکرد زیرساختی رقیب است که زاویه سختافزاری را هدف قرار میدهد. که در CES 2024 معرفی شد و در GTC 2025 گسترش یافت، ACE استنتاج LLM، تشخیص گفتار و سنتز صدا را در یک خط لوله دستهبندی میکند که برای اجرای جزئی روی دستگاه با استفاده از GPU های NVIDIA طراحی شده است. این شرکت یک NPC بارتندر به نام Jin را در صحنهای از یک بار سایبرپانک به نمایش گذاشت که مکالمات روان و آگاه از زمینه را با سرعت بلادرنگ انجام میداد. استدلال NVIDIA این است که GPU های کلاس RTX 4090 و بالاتر میتوانند به اندازه کافی از استنتاج را به صورت محلی اجرا کنند تا تأخیر کم را بدون هدایت هر جمله به سرور ابری محقق سازند.
Convai بازار میانی را هدف قرار میدهد — استودیوهای کوچکتری که توان ساخت خطوط لوله خود را ندارند. پلتفرم آن یک رابط ایجاد شخصیت، پایگاه دانش برای داستانهای بازی، ادغام صدا و آگاهی چندوجهی ارائه میدهد (شخصیتها میتوانند محیط بازی را «ببینند» و به آنچه در اطرافشان میگذرد پاسخ دهند، نه فقط به آنچه بازیکن میگوید). Convai در برنامههای آموزشی واقعیت مجازی و بازیهای آموزشی که مکالمه طبیعیگرایانه اهمیت بیشتری دارد تا عناوین اکشن با سرعت بالا، موفقیتهایی کسب کرده است.
Replica Studios بر صدا و احساس تمرکز میکند و بازیگران صدای AI ارائه میدهد که اجراهای آنها میتوانند بهصورت پویا تولید شوند، نه از پیش ضبطشده. این مسئله یک گلوگاه را برطرف میکند: حتی اگر یک LLM بتواند متن دیالوگ بینهایت تولید کند، باز هم به صدایی برای آن نیاز است. فناوری Replica گفتار را با لحن احساسی مناسب در زمان واقعی تولید میکند و با متن تولیدشده همگامسازی میشود.
مدل استاد سیاهچال AI
فراتر از NPC های منفرد، یک کاربرد بلندپروازانهتر، LLM ها را در نقش استاد بازی قرار میدهد — هوشمندی هماهنگکننده که روایت را مدیریت میکند، وضعیت جهان را پیگیری میکند و محتوای واکنشپذیر را در طول یک جلسه بازی کامل تولید میکند. این اساساً همان چیزی است که AI Dungeon در قالب متنی پیشگام آن بود: یک LLM که یک ماجراجویی به سبک RPG رومیزی را اجرا میکند و به جای پیروی از یک داستان خطی، خود را با انتخابهای بازیکن تطبیق میدهد.
آنچه این موضوع را از نظر فنی چالشبرانگیز میکند، مدیریت حالت است. یک مدیر بازی نیاز دارد آنچه اتفاق افتاده را دنبال کند (بازیکن شهردار را کشت، با اتحادیه دزدان متحد شد، مصنوع را کشف کرد)، انسجام داخلی را حفظ کند (شهردار مرده است — هیچ NPC نباید به او به عنوان زنده اشاره کند)، و محتوای جدیدی تولید کند که با تاریخچه انباشتهشده همسو باشد. پنجرههای زمینه بزرگ (مدلهای مرزی فعلی میتوانند صدها هزار توکن را مدیریت کنند) کمک میکنند، اما جای دادن تمام رویدادهای یک جلسه بازی در یک پنجره زمینه، ساختاردهی آن برای بازیابی قابل اعتماد، و استنتاج آنچه مدل در هر لحظه نیاز دارد بداند، یک مشکل سیستمی دشوار است که بر مشکل مدل افزوده میشود.
چندین استودیو که با روایت رویهای آزمایش میکنند، روی رویکردهای ترکیبی کار میکنند: حالت بازی ساختاریافته در یک پایگاه داده، با LLM هایی که زمینه مرتبط را بر حسب تقاضا خلاصهسازی و بازیابی میکنند، به جای اینکه همه چیز را در زمینه مدل نگه دارند. این منعکسکننده نحوه عملکرد RAG (تولید با بازیابی تقویتشده) در برنامههای AI سازمانی است.
آنچه استودیوهای AAA در واقع انجام میدهند
Ubisoft در اوایل سال ۲۰۲۴ یک دمو فنی «NEO NPC» برای Assassin's Creed به نمایش گذاشت که شخصیتی را نشان میداد که میتوانست به سؤالات باز بازیکنان در قالب شخصیت پاسخ دهد. این دمو از نظر فنی چشمگیر بود. آنچه هنوز عرضه نشده است، یک بازی AAA با این شخصیتها در مقیاس تولید است.
این تردید واقعی است و صرفاً محافظهکاری نیست. تولیدات بزرگ بازی الزامات سختگیرانهای دارند که شخصیتهای مبتنی بر LLM در حال حاضر در برآورده کردن آنها با مشکل مواجه هستند:
- کنترل محتوا: یک LLM که در زمان واقعی پاسخ تولید میکند، ممکن است چیزی بگوید که دستورالعملهای محتوا را نقض کند، با داستان در تضاد باشد، یا ناشر را دچار شرمندگی کند. محافظهای پیچیدهای وجود دارند، اما تأخیر ایجاد میکنند و میتوانند کیفیت پاسخ را کاهش دهند.
- بومیسازی: اکثر بازیهای AAA عرضهشده از ۱۰ تا ۲۰ زبان پشتیبانی میکنند. سنتز صدای AI فعلی عملکرد قوی در زبان انگلیسی دارد و پوشش بسیار ضعیفتری در سایر زبانها، و هزینه استنتاج بلادرنگ در میان زبانهای مختلف قابل توجه است.
- تأخیر: استنتاج ابری تأخیری ۲۰۰ تا ۶۰۰ میلیثانیهای ایجاد میکند که در مکالمههای کُندگام RPG قابل قبول است، اما حس درگیریهای تندگام را از بین میبرد. استنتاج روی دستگاه برای رایانههای گیمینگ قدرتمند کارآمد است، اما برای کنسولها یا سختافزارهای میانرده مناسب نیست.
- هزینه در مقیاس: بازیای با ۱۰ میلیون بازیکن که با NPC ها مکالمه دارند، هزینههای استنتاجی هنگفتی ایجاد میکند. اقتصاد استنتاج LLM ابری در مقیاس بازی هنوز به مدلی پایدار نرسیده است.
استودیوهای مستقل، برنامههای VR، و بازیهایی که بهطور خاص حول مکالمه طراحی شدهاند، اولین پذیرندگان هستند، دقیقاً به این دلیل که میتوانند دامنه را بهگونهای محدود کنند که این مشکلات را کاهش دهد.
پرسشهای طراحی که فناوری مطرح میکند
چالش عمیقتر ممکن است کمتر فنی و بیشتر خلاقانه باشد. بازیها تجربیاتی طراحیشده هستند — کشش روایی به محدودیتها نیاز دارد، چالش به حالتهای شکست نیاز دارد، و درام به شخصیتهایی نیاز دارد که همیشه آنچه بازیکنان میخواهند را به آنها نمیدهند. یک NPC که بهطور نامحدود سازگار است ممکن است واقعگرایانهتر باشد، اما بهعنوان یک شخصیت بازی جذابیت کمتری داشته باشد.
بهترین نوشتار سنتی بازی از صدای شخصیت، اطلاعات محدود و انگیزههای متضاد برای خلق درام استفاده میکند. یک LLM میتواند دیالوگ بینهایت تولید کند، اما تولید دیالوگ با اصطکاک استراتژیک — شخصیتی که آنچه را که باید بدانید به شما نمیگوید، متحدی که وفاداریاش حدودی دارد — نیازمند طراحی دقیق prompt و محدودیتهای سیستم است. این فناوری مکالمه را دموکراتیزه میکند؛ اما بهطور خودکار مکالمات را معنادار نمیسازد.
طراحان بازی شروع کردهاند تا «character constitution» (سندی که تعریف میکند یک شخصیت AI چه چیزی میداند، به چه چیزی اعتقاد دارد، چه ارزشهایی دارد و از انجام چه کاری امتناع میکند) را بهعنوان مهارتی حرفهای به همان اندازه اهمیت نوشتار سنتی در نظر بگیرند. خروجی یک شخصیت مبتنی بر LLM تنها به اندازه محدودیتها و زمینهای که به مدل داده میشود، مطلوب است.
نکات کاربردی
- لایه زیرساخت در حال بلوغ است: Inworld، Convai و NVIDIA ACE از نمایشهای آزمایشی به SDKهای قابل استقرار گذار کردهاند. توسعهدهندگانی که مایل به آزمایش هستند، ابزارهای واقعی در اختیار دارند، نه صرفاً مقالات پژوهشی.
- با موارد استفاده محدود آغاز کنید: راهنماهای آموزشی، شخصیتهای جانبی محیطی، و شخصیتهای همراه در تجربههای تکنفره، زمینهای آزمایشی با ریسک پایینتری نسبت به NPC های حیاتی در مأموریتها هستند که شکست آنها روایت اصلی را میشکند.
- تأخیر و هزینه، سقف کنونی هستند: تا زمانی که استنتاج روی دستگاه برای NPU های رقابتی و GPU های میانرده حل نشود، این فناوری محدود به رایانههای شخصی سطح بالا، VR، و بازیهایی خواهد ماند که بهطور خاص حول این محدودیت طراحی شدهاند.
- مشکل طراحی بازی دشوارتر از مشکل AI است: استودیوهایی که در NPC های مبتنی بر LLM سرمایهگذاری میکنند بدون اینکه طراحی دیالوگ را بازنگری کنند، مکالمهای در درهی مرموز به دست خواهند آورد — از نظر فنی چشمگیر اما از نظر روایی توخالی.
- پنجره انتشار ۲۰۲۶–۲۰۲۷ را دنبال کنید: چندین استودیو به مدت ۱۲ تا ۱۸ ماه است که با این فناوری در محیط تولید کار میکنند. اولین موج عناوین منتشرشده با شخصیتهای مبتنی بر LLM نشان خواهد داد که این فناوری واقعاً برای بازیکنان چه معنایی دارد، نه صرفاً برای نمایشهای آزمایشی.