Dalam landskap kecerdasan buatan yang sentiasa berkembang, satu eksperimen menarik telah muncul: menggunakan model bahasa besar untuk bermain Pokemon FireRed secara automatik. Projek ini, yang dikenali sebagai Fire Red Agent, telah mencetuskan perbincangan tentang pendekatan AI pemain permainan yang paling berkesan dan implikasi yang lebih luas untuk hiburan.
Projek Fire Red Agent
Projek Fire Red Agent mewakili percubaan yang bercita-cita tinggi untuk membolehkan model bahasa besar bermain Pokemon FireRed secara automatik. Pembangun telah mengintegrasikan LLM dengan emulator permainan, melaksanakan sistem untuk pembacaan memori, navigasi, pencarian laluan, dan pengendalian pertempuran. Walaupun menghadapi halangan teknikal, terutamanya berkaitan dengan kawalan input secara programatik dengan emulator RetroArch, projek ini menunjukkan potensi LLM untuk memahami dan menavigasi persekitaran permainan yang kompleks tanpa latihan khusus untuk tujuan tersebut.
Apa yang menjadikan projek ini sangat menarik adalah visi pembangun yang melihatnya sebagai masa depan TV - memposisikan permainan AI sebagai kandungan hiburan dan bukan sekadar demonstrasi teknikal. Perspektif ini mencadangkan bentuk media interaktif baru di mana agen AI menjadi pelaku yang boleh ditonton dan berpotensi dipengaruhi oleh penonton.
Komponen Utama Fire Red Agent
- Integrasi Emulator
- Pengurusan Memori Permainan
- Navigasi & Pencarian Laluan
- Penghuraian Teks Permainan
- Integrasi LLM (menggunakan GPT-4o)
- Pengendalian Pertarungan
- Pengendalian Interaksi & Perbualan
Perbandingan Projek Pokemon AI
| Projek | Teknologi | Kemajuan |
|---|---|---|
| Fire Red Agent | LLM (GPT-4o) | Pembangunan dihentikan sementara kerana masalah kawalan input |
| Claude Plays Pokemon | Claude 3.7 LLM | Mengalahkan Lt. Surge, menyelesaikan teka-teki gimnasium |
| AI Plays Pokemon | CNN dan Pembelajaran Pengukuhan | Mencapai Mt. Moon selepas berbulan-bulan iterasi |
LLM berbanding Pendekatan AI Tradisional
Perbincangan komuniti mendedahkan perdebatan penting tentang sama ada LLM adalah alat yang optimum untuk tugas ini. Sesetengah pengulas menyatakan bahawa pendekatan AI tradisional menggunakan pencari laluan, pohon tingkah laku, dan perancangan tindakan berorientasikan matlamat (GOAP) boleh bermain Pokemon dengan lebih cekap dan berkesan berbanding LLM.
Saya ingin menyatakan bahawa jika anda benar-benar mahu AI untuk bermain Pokémon, anda boleh melakukannya dengan AI yang jauh lebih mudah dan murah daripada LLM dan ia akan bermain permainan dengan jauh lebih baik, menjadikan ini kebanyakannya latihan dalam memperumitkan sesuatu yang remeh.
Walau bagaimanapun, pembela pendekatan LLM menekankan bahawa nilainya bukan pada pengoptimuman tetapi pada pengitlakan. Hakikat bahawa Claude 3.7 boleh bermain Pokemon dengan berkesan tanpa direka khusus untuk itu menunjukkan G dalam AGI (Kecerdasan Buatan Am). Tidak seperti sistem khusus yang cemerlang dalam satu tugas tetapi gagal dalam tugas lain, LLM menunjukkan kebolehsuaian merentasi cabaran yang pelbagai - ciri utama kecerdasan am.
Claude Bermain Pokemon dan Pelaksanaan Teknikal
Perbincangan juga merujuk kepada projek lain, Claude Plays Pokemon, yang kelihatan membuat kemajuan ketara dalam permainan. Spekulasi komuniti tertumpu pada bagaimana pelaksanaan ini memproses data permainan - sama ada dengan menganalisis memori secara langsung atau dengan menyuap data RAM mentah kepada LLM. Projek Claude dilaporkan telah maju melepasi Mt. Moon dan mengalahkan Lt. Surge, menunjukkan keupayaan yang mengagumkan untuk pendekatan berasaskan LLM.
Pencapaian ini sangat ketara apabila dibandingkan dengan projek Pokemon AI sebelumnya yang menggunakan rangkaian neural konvolusi dan pembelajaran peneguhan, yang dilaporkan mengambil masa berbulan-bulan untuk iterasi dan sumber pengkomputeran yang besar untuk sampai ke Mt. Moon.
Cadangan Nilai Hiburan
Mungkin aspek yang paling menarik daripada projek-projek ini adalah potensi hiburannya. Pembangun Fire Red Agent membayangkan sistem di mana AI bermain permainan secara autopilot sambil menggabungkan cadangan daripada penonton, mewujudkan pengalaman hiburan interaktif. Sesetengah pengulas memperluaskan visi ini untuk memasukkan robot AI yang berlawan gaya gladiator atau permainan kompetitif antara pasukan AI yang diuruskan oleh jurulatih manusia.
Perspektif ini membingkai semula permainan AI daripada cabaran teknikal semata-mata kepada bentuk pengeluaran hiburan, berpotensi mewujudkan kategori media baru di mana agen buatan menjadi pelaku dan manusia menjadi pengarah atau mempengaruhi tingkah laku mereka.
Dengan kemampuan LLM yang terus meningkat, kita mungkin akan melihat lebih banyak eksperimen yang mengaburkan sempadan antara penyelidikan AI, permainan, dan hiburan. Sama ada menonton bot bermain Pokemon menjadi masa depan TV masih belum dapat dipastikan, tetapi projek-projek ini sudah pasti menunjukkan kemungkinan menarik tentang bagaimana kita mungkin berinteraksi dengan dan dihiburkan oleh kecerdasan buatan pada tahun-tahun akan datang.
Rujukan: Fire Red Agent