AnyGameRenderer يكسو النماذج الأولية الرمادية للذكاء الاصطناعي بالرسومات ويحافظ على الوحدات بنسبة 62,9%

تعلّمت وكلاء البرمجة بناء ألعاب صغيرة قابلة للعب في دقائق، لكن نتائجها تبدو أشبه بـ«فن المبرمجين»: صناديق رمادية، وأشكال هندسية ملونة، وبقع دلالية مسطّحة. ويقترح باحثو مشروع AnyGameRenderer سدّ هذه الفجوة بنموذج فيديو يأخذ مثل هذا التسجيل ويعيد رسمه في صورة متكاملة تتضمن شخصيات وتفاصيل حركة ومؤثرات. والمقياس الذي يركّز عليه الباحثون هو الحفاظ على الكيانات: فقد ارتفع التطابق الزمني من 50,9% إلى 62,9% مقارنةً بالنموذج الأساسي، وانخفضت نسبة التغيّرات المُفوَّتة في عدد الكائنات من 34,7% إلى 21,3%.

الفيديو بدلًا من G-buffer

تتطلب معظم مقاربات التصيير العصبي للألعاب الكثير من البيانات المساعدة من المحرّك: G-buffer، وتسميات الفئات لكل كائن، ونماذج وسيطة منخفضة التعقيد المضلّعي. أما الألعاب التي يبنيها وكيل في نصف ساعة، فلا تتوافر فيها هذه الرفاهية. يعمل AnyGameRenderer مع فيديو عادي. ويصلح لذلك المجسم الرمادي والأشكال الأولية الملونة والخرائط الدلالية والشبكات الإطارية على حد سواء. يحافظ النموذج على تخطيط المشهد والكاميرا وموضع كل كيان وتوقيته، ويرسم بنفسه الأسلوب البصري والشخصيات والمؤثرات.

نطاق الأنواع المعلن واسع: الدفاع عن الأبراج (tower defense)، والمعارك الآلية (autobattlers)، والبقاء من منظور علوي، والقتال بالأدوار، وسباقات الكارتينغ، وألعاب الجري مع الحشود. وفي هذه الألعاب يكتسب الانضباط في العدّ أهمية خاصة: فإذا ضمّت الموجة 12 عدوًّا، فيجب أن يكون في الناتج 12، لا 9 ولا 15.

أين تفقد نماذج الفيديو الوحدات عادةً؟

ترسم نماذج الفيديو التوليدية جيدًا، لكنها تعدّ بشكل سيئ. ففي الحشود تدمج الشخصيات المتجاورة، أو «تنسى» من ظهروا لاحقًا، أو ترسم شخصيات زائدة. هذا مقبول في السينما، لكنه غير مقبول في واجهة اللعبة: فاللاعب يتتبّع وحدة بعينها، وظهور كائن أو اختفاؤه في غير الإطار الصحيح يفسد اللعب.

لذلك طوّر المؤلفون معيارًا على مستوى الكيانات: 59 حالة محجوزة، و753 كيانًا، مع التقييم بالاستناد إلى صناديق إحاطة مرجعية. ويقارن المعيار النموذج بالنموذج الأساسي من حيث تطابق الكائنات عبر الزمن، وهل تُلتقط تغيّرات العدد، وكم كيانًا اختُلق أو بقي دون تصيير. ويتفوّق AnyGameRenderer في جميع هذه البنود.

على ماذا دُرّب النموذج

يقوم النظام على MiniMax-H3 ref2va، وهو نموذج فيديو بحجم 33 مليار معامل يقبل فيديو مرجعيًا كشرط. وقد ضُبط بتقنية LoRA على مجموعة بيانات sim10k، وتضم نحو 10 آلاف مقطع مزدوج من ثلاثة مصادر:

• بيانات تصيير متعددة المسارات من 38 لعبة بناها وكلاء، وصُدّرت من GEAR، وهي أداة ذكاء اصطناعي لإنشاء الألعاب؛
• بيانات ثنائية المسار من Unreal Engine مع حشود يتحكم فيها برمجيًا، وتغيّرات في عدد الوحدات، وتفاوت في أحجام الكيانات؛
• تسجيلات لعب حقيقية أُعيد بناء أزواجها عبر اكتشاف الصناديق ثلاثية الأبعاد.

يوفّر المصدر الأول «الفوضى البصرية» المعتادة في مخرجات الوكلاء كمدخل، ويتيح الثاني التحكم الدقيق في العدّ وظهور الكائنات، ويضيف الثالث الواقعية. هذه تركيبة معقولة: فالبيانات الاصطناعية تمنح وسومًا دقيقة، والتسجيلات الحقيقية تحمي من توزيع بيانات معقّم أكثر من اللازم.

الأرقام وسقفها

• التطابق الزمني للكيانات: 50,9% → 62,9%.
• التغيّرات المُفوَّتة في عدد الكائنات: 34,7% → 21,3%.
• المعيار: 59 حالة محجوزة، و753 كيانًا.
• النموذج الأساسي: MiniMax-H3 ref2va، بحجم 33B، مع ضبط دقيق بتقنية LoRA.
• البيانات: نحو 10 آلاف مقطع مزدوج من ثلاثة مصادر.

التحسّن ملحوظ، لكن 62,9% تعني أن أكثر من ثلث الكيانات لا يزال غير متطابق زمنيًا مع المرجع. وهذا لا يكفي للإنتاج الفعلي، لكنه كافٍ للنماذج الأولية السريعة وعروض الـ pitch: إذ يمكن الحصول على مادة بصرية تُعرض على مستثمر أو على لاعبين في اختبار لعب مبكر دون الحاجة إلى فنان.

والخلاصة العملية للصناعة أن صيغة «الوكيل يكتب اللعبة ونموذج الفيديو يرسمها» أصبحت معقولة. ويمكن للاستوديوهات المستقلة ومطوّري النماذج الأولية استخدام النسخ الرمادية بوصفها سيناريو للتصوير البصري. وينبغي لمطوّري أدوات مثل GEAR أن يضمّنوا في التصدير مقاطع نظيفة بدلالات واضحة للكيانات، وعلى من يبنون مُصيِّراتهم الخاصة الانتقال من مقاييس جودة الصورة العامة إلى مقاييس الحفاظ على الكائنات، فهنا تحديدًا يقع اليوم الحد الفاصل بين مقطع جميل وبين رسومات صالحة للعب.