อุตสาหกรรมเกมกำลังเผชิญหน้ากับขอบเขตใหม่ของปัญญาประดิษฐ์ ขณะที่นักพัฒนาต้องรับมือกับความท้าทายที่ซับซ้อนในการสร้างตัวละครที่ไม่ใช่ผู้เล่น (NPCs) ที่สามารถโต้ตอบได้อย่างแท้จริง สิ่งที่เริ่มต้นจากโครงการที่มีความทะเยอทะยานในการทำให้ตัวละครที่ขับเคลื่อนด้วย AI มีชีวิตชีวา กลับเผยให้เห็นอุปสรรคทางเทคนิคที่ไม่คาดคิด โดยเฉพาะในการจัดการบริบท AI ซึ่งเป็นข้อมูลที่ระบบ AI ใช้ในการรักษาการสนทนาและจดจำการโต้ตอบ
การลดประสิทธิภาพเมื่อบริบทขยายตัว
หนึ่งในปัญหาที่สำคัญที่สุดที่นักพัฒนาเผชิญคือผลกระทบต่อประสิทธิภาพอย่างมากเมื่อบริบท AI ขยายตัว โมเดล AI ในเครื่องอย่าง Mistral-Nemo สามารถเห็นความเร็วในการสร้าง token ลดลงจาก 70 token ต่อวินาทีเหลือเพียง 20 token ต่อวินาทีเมื่อจัดการกับบริบทประมาณ 10,000 token การลดลงของประสิทธิภาพนี้ไม่เพียงแต่ทำให้การโต้ตอบช้าลงเท่านั้น แต่ยังเปลี่ยนแปลงพฤติกรรมของ NPCs อย่างพื้นฐาน เนื่องจากโมเดลภาษาขนาดใหญ่เริ่มละเลยข้อมูลบริบทเมื่อมันกลายเป็นเรื่องที่กว้างขวางเกินไป
ชุมชนได้ระบุว่านี่เป็นข้อจำกัดหลักที่ส่งผลต่อความเป็นไปได้ของ AI NPCs นักพัฒนาบางคนโต้แย้งว่าเฉพาะโมเดลบนคลาวด์เท่านั้นที่ให้ประสิทธิภาพที่จำเป็นสำหรับการโต้ตอบ NPC ที่ซับซ้อน แม้ว่าจะมาพร้อมกับผลกระทบด้านต้นทุนที่สำคัญสำหรับนักพัฒนาเกม
การเปรียบเทียบผลกระทบต่อประสิทธิภาพ
- Mistral-Nemo ที่ context ปกติ: 70 โทเค็นต่อวินาที
- Mistral-Nemo ที่ context 10,000 โทเค็น: 20 โทเค็นต่อวินาที
- การลดลงของประสิทธิภาพ: ความเร็วลดลง ~71%
บริบทเชิงพื้นที่และข้อมูลแบบเลือกสรร
เพื่อแก้ไขข้อจำกัดเหล่านี้ นักพัฒนากำลังใช้ระบบเชิงพื้นที่ที่จำกัดสิ่งที่ NPCs สามารถได้ยินและรู้ตามตำแหน่งเสมือนและสถานการณ์ของพวกเขา วิธีการนี้มีจุดประสงค์สองประการ: ลดภาระการคำนวณโดยการรักษาบริบทให้จัดการได้ และสร้างพฤติกรรม NPC ที่สมจริงมากขึ้นโดยป้องกันไม่ให้ตัวละครมีความรู้ที่รู้ทุกอย่างเกี่ยวกับเหตุการณ์ทั้งหมดในเกม
วิธีการข้อมูลแบบเลือกสรรนี้ได้พิสูจน์แล้วว่ามีความสำคัญอย่างยิ่งในการรักษาความสอดคล้องของตัวละคร NPCs ที่ไม่ได้ใช้งานเป็นเวลานานสามารถสูญเสียตัวตนของพวกเขาได้หากบริบทของพวกเขากลายเป็นเรื่องยุ่งเหยิงด้วยการสนทนาที่ไม่เกี่ยวข้องจากตัวละครอื่น ๆ
โซลูชันทางเทคนิคหลักที่กำลังได้รับการสำรวจ
- การสรุปข้อมูลบ่อยครั้งพร้อมกับ RAG (Retrieval-Augmented Generation) ที่เติบโตได้เอง
- การรวมฐานข้อมูล Vector และ SQL สำหรับความทรงจำของ NPC
- ระบบเชิงพื้นที่เพื่อจำกัดการรับรู้ของ NPC
- การจำลองเบื้องหลังที่มีระดับความละเอียดหลากหลาย
- การทำความสะอาดบริบทเพื่อลบข้อมูลที่เกี่ยวข้องกับเครื่องมือ
ความท้าทายของการจำลองเบื้องหลัง
ชุมชนเกมกำลังถกเถียงกันอย่างแข็งขันเกี่ยวกับวิธีการจัดการ NPCs เมื่อผู้เล่นไม่ได้โต้ตอบกับพวกเขาโดยตรง เกมแบบดั้งเดิมเพียงแค่หยุดตัวละครที่ไม่ได้ใช้งาน แต่ AI NPCs ที่มีบุคลิกภาพและความทรงจำที่ซับซ้อนทำให้เกิดคำถามใหม่เกี่ยวกับการรักษาภาพลวงตาของชีวิตที่ดำเนินต่อไป
ด้วย NPCs ที่ซับซ้อนมากขึ้น ความจริงที่ว่าชีวิตของพวกเขาหยุดชั่วคราวในขณะที่เราจากไป จะทำลายภาพลวงตาหรือไม่?
นักพัฒนาบางคนแนะนำให้เรียกใช้การจำลองเบื้องหลังแบบง่าย ๆ คล้ายกับวิธีการที่ใช้ในเกมอย่าง X4: Foundations ซึ่งรักษาระดับความเที่ยงตรงหลายระดับสำหรับพื้นที่ต่าง ๆ ของโลกเกม คนอื่น ๆ เสนอให้สร้างเหตุการณ์เรื่องราวเบื้องหลังที่เหมาะสมเมื่อผู้เล่นเข้าสู่ช่วงการโต้ตอบของ NPC อีกครั้ง สร้างความประทับใจว่าชีวิตยังคงดำเนินต่อไปในขณะที่พวกเขาไม่อยู่
วิศวกรรมบริบทในฐานะสาขาวิชาใหม่
คำว่าวิศวกรรมบริบทกำลังได้รับความนิยมเมื่อนักพัฒนาตระหนักว่าการจัดการบริบท AI ต้องการทักษะเฉพาะทางเหนือกว่าการออกแบบพรอมต์แบบดั้งเดิม สิ่งนี้เกี่ยวข้องกับการใช้ระบบสรุปอัตโนมัติ การจัดการหน่วยความจำ และกลไกการสลับบริบทที่ทำงานเบื้องหลัง
อย่างไรก็ตาม ความท้าทายพื้นฐานยังคงอยู่ โมเดล AI มีความรู้มากมายที่ขยายไปไกลเกินกว่าบทบาทตัวละครที่ตั้งใจไว้ ทำให้ผู้เล่นสามารถทำลายการดื่มด่ำในตัวละครได้ง่ายโดยการถาม NPCs เกี่ยวกับหัวข้อที่พวกเขาไม่ควรรู้ เช่น การเขียนโปรแกรมหรือทฤษฎีทางวิทยาศาสตร์
การพัฒนา AI NPCs ที่น่าเชื่อถืออย่างแท้จริงดูเหมือนจะต้องการไม่เพียงแต่การจัดการบริบทที่ดีกว่า แต่อาจต้องมีวิธีการใหม่ในการจำกัดความรู้ของ AI และการรักษาขอบเขตของตัวละคร เมื่อเทคโนโลยีพัฒนาไป อุตสาหกรรมเกมยังคงสำรวจโซลูชันที่สร้างสมดุลระหว่างประสิทธิภาพการคำนวณกับความฝันในการสร้างตัวละครเสมือนที่สามารถโต้ตอบได้อย่างแท้จริง
อ้างอิง: ความสำคัญของการจัดการบริบทใน AI NPCs