人工智能大模型下圍棋已不是新鮮事，玩電腦游戲水平如何？不久前，淘天集團未來生活實驗室算法工程師，嘗試利用多模態(tài)大模型體驗國產(chǎn)電腦游戲《黑神話：悟空》，探索大模型在特定場景中的能力邊界，取得令人驚喜的效果。相關(guān)研究成果已上線論文預(yù)印本網(wǎng)站arXiv。
《黑神話：悟空》是典型的動作角色扮演類游戲。在當(dāng)前大模型研究領(lǐng)域，有不少研究者選擇將該類游戲作為研究平臺，采用純視覺輸入、復(fù)雜動作輸出的模式，測試大模型在特定場景下的性能表現(xiàn)。其中，純視覺輸入是指模型僅通過理解和分析游戲截圖進行決策，而復(fù)雜動作輸出則需要模型生成并執(zhí)行復(fù)雜而連續(xù)的動作，如戰(zhàn)斗場景中的精確操作。
想要讓多模態(tài)大模型控制游戲角色，要克服兩大困難。一是直接視覺輸入的挑戰(zhàn)。由于大模型所需的環(huán)境數(shù)據(jù)不一定能通過游戲API（應(yīng)用程序編程接口）獲取，因此對于那些需要深入理解游戲界面的大型游戲而言，學(xué)習(xí)從視覺輸入中進行推理是一種更直接的策略，這給大模型帶來不小挑戰(zhàn)。二是面向動作任務(wù)的困難。在動作類游戲中，基于強化學(xué)習(xí)的框架仍然占主導(dǎo)地位，但在特定任務(wù)上需要大量訓(xùn)練時間，遷移到其他任務(wù)上泛化能力較差，表現(xiàn)往往不佳。
為突破上述瓶頸，在此次研究中，技術(shù)團隊提出了一個名為VARP Agent（視覺動作角色扮演智能體）的新框架。它直接以游戲截圖為輸入，通過一組多模態(tài)大模型的推理，最終生成可以直接操作游戲角色的代碼，每個動作都是由各種原子命令組合而成的序列。這些原子命令包括輕攻擊、躲避、重攻擊、恢復(fù)血量等。同時，該框架包含三個庫：情境庫、動作庫和人類引導(dǎo)庫。這些庫可以被檢索和更新，以存儲用于自我學(xué)習(xí)和人類指導(dǎo)的密集知識。
技術(shù)團隊定義了10個基本任務(wù)和2個挑戰(zhàn)任務(wù)，其中75%的任務(wù)發(fā)生在戰(zhàn)斗場景中。對于戰(zhàn)斗任務(wù)，如果玩家角色擊敗了敵人，則任務(wù)成功；如果玩家角色被敵人擊敗，則任務(wù)失敗。研究結(jié)果顯示，該框架在基本任務(wù)和簡單到中等難度的戰(zhàn)斗中，勝率高達90%，但在面對高難度任務(wù)時，表現(xiàn)相對較差。總體來看，其整體水平仍不如高水平人類玩家，但研究成果可為設(shè)計應(yīng)對更廣泛挑戰(zhàn)、更復(fù)雜的智能體提供參考。