Cieszę się, że mogę pokazać kilka zaskakujących wynalazków w generatywnych grach wieloosobowych, które stworzyliśmy w Google we współpracy ze Stanfordem. Nazywamy tę pracę MultiGen. Zawsze inspirowały mnie wczesne studia, takie jak id Software z Doom czy Blizzard z Warcraft, które wprowadzały sieciowe gry wideo na wyższy poziom. Jesteśmy w punkcie w historii, w którym możemy dokonać postępów jak oni, ale w przypadku gier generatywnych. To dziwne uczucie być w erze generatywnych gier wideo, jednocześnie odkrywając, jak dokładnie trenować modele i projektować narzędzia, które uczynią je użytecznymi. Wszystkie narzędzia, które zostały wynalezione dla klasycznych silników gier, muszą zostać przeprojektowane dla gier generatywnych. Na przykład projektowanie poziomów i światów nie jest całkowicie możliwe z istniejącą technologią. Wprowadzamy edytowalną pamięć do silników gier opartych na dyfuzji, co pozwala na projektowanie nowych poziomów za pomocą minimapy. Ale łatwo możemy sobie wyobrazić, jak można to rozszerzyć o różne narzędzia do tworzenia. Ostatecznym celem tego kierunku badań jest umożliwienie projektantom gier kierowania procesem generacji ich świata, na poziomie szczegółowości, który preferują. Edytowalna pamięć pozwala nam również dodać tryb wieloosobowy do Generative Doom. Byliśmy zdumieni, gdy zobaczyliśmy GameNGen kilka lat temu, a teraz możesz grać w to na żywo z przyjaciółmi w czasie rzeczywistym, na swojej kanapie lub nawet online. Wspólne reprezentacje, takie jak nasza edytowalna pamięć, wydają się być przyszłością tego typu doświadczeń. Modele są w niektórych przypadkach kosztowne i przybliżone, ale świetnie interpolują i ekstrapolują. Wykorzystanie ich mocnych stron pozwala na całkowicie nowe doświadczenia, które mogą być zrealizowane teraz, a nie w odległej przyszłości. Ta praca została rozpoczęta w moim poprzednim zespole i kontynuowana we współpracy ze Stanfordem. Gratulacje dla wszystkich za odkrycia.