什么？大模型也許很快就能生成《黑神話·悟空》這種3A大作了？！

直接看一則demo，《西游記》這就上桌：

搭配BGM，是不是有內(nèi)味兒了（doge）。

這就是騰訊近日推出的GameGen-O，一個(gè)專門生成開放世界視頻游戲的Transformer模型。

簡(jiǎn)單說(shuō)，這個(gè)模型能夠模擬各種游戲引擎功能，生成游戲角色、動(dòng)態(tài)環(huán)境、復(fù)雜動(dòng)作等等。

當(dāng)然也支持交互控制，用戶可以通過(guò)文本、操作信號(hào)和視頻提示來(lái)控制游戲內(nèi)容。

消息一公布就在??（前推特）開啟了刷屏模式，網(wǎng)友們開始列隊(duì)尖叫：

游戲工作室Azra Games的聯(lián)創(chuàng)兼CTO更是直言：

GameGen-O將成為游戲工作室的ChatGPT時(shí)刻。

“游戲工作室迎來(lái)ChatGPT時(shí)刻”

具體來(lái)說(shuō)，這個(gè)項(xiàng)目由騰訊光子工作室（曾打造出和平精英）聯(lián)合港科大、中國(guó)科大推出。

推測(cè)想要做的事兒，是用AI模型替代一些游戲開發(fā)環(huán)節(jié)。比如目前公布的游戲角色創(chuàng)建、游戲環(huán)境生成、動(dòng)作生成、事件生成以及各種交互控制。

下面我們挨個(gè)預(yù)覽一波~

現(xiàn)在，用GameGen-O就能直接生成各種角色了，西部牛仔、太空人、魔法師、警衛(wèi)……一鍵生成。

經(jīng)費(fèi)不足造成真實(shí)取景困難，也有plan B了！

給隊(duì)友展示騷操作，各種人稱視角的動(dòng)作生成也能輕松拿捏。

游戲必備環(huán)節(jié)——給玩家偶爾上億點(diǎn)難度，海嘯、龍卷風(fēng)、火災(zāi)事件這就安排（doge）。

與此同時(shí)，GameGen-O也支持開放域生成，即不限風(fēng)格、環(huán)境、場(chǎng)景那種。

最后，用文本、操作信號(hào)和視頻提示就能實(shí)現(xiàn)交互，向左、向右、走向黎明……

好家伙，誰(shuí)都知道游戲開發(fā)有多燒錢，這下，普通玩家也能用GameGen-O制作游戲了。

一位AI架構(gòu)師網(wǎng)友更是斷言：

用GPT-4o標(biāo)注數(shù)據(jù)

為了開發(fā)這個(gè)模型，團(tuán)隊(duì)自述主要進(jìn)行了兩項(xiàng)工作：

• 構(gòu)建專有數(shù)據(jù)集OGameData，采用GPT-4o標(biāo)注數(shù)據(jù)
• 經(jīng)歷兩個(gè)階段的訓(xùn)練過(guò)程

具體來(lái)說(shuō)，團(tuán)隊(duì)首先提出了一個(gè)數(shù)據(jù)集構(gòu)建管道。

團(tuán)隊(duì)從互聯(lián)網(wǎng)上收集了32,000個(gè)原始視頻，這些視頻來(lái)自數(shù)百款開放世界游戲，時(shí)長(zhǎng)從幾分鐘到幾小時(shí)不等，類型包括角色扮演、第一人稱射擊、賽車、動(dòng)作益智游戲等。

然后由人類專家對(duì)這些視頻進(jìn)行識(shí)別和篩選，最終得到大約15,000個(gè)可用視頻。

下一步，將篩選后的視頻通過(guò)場(chǎng)景檢測(cè)技術(shù)切割成片段，并對(duì)這些視頻片段進(jìn)行基于美學(xué)、光流和語(yǔ)義內(nèi)容的嚴(yán)格排序和過(guò)濾。

接下來(lái)使用GPT-4o對(duì)超過(guò)4,000小時(shí)的高質(zhì)量視頻片段進(jìn)行細(xì)致的注釋，這些片段的分辨率從720p到4k不等。

為了實(shí)現(xiàn)交互控制性，團(tuán)隊(duì)從注釋后的數(shù)據(jù)集中選擇最高質(zhì)量的片段，并進(jìn)行解耦標(biāo)簽（decoupled labeling）。

這種標(biāo)簽設(shè)計(jì)用于描述片段內(nèi)容狀態(tài)的變化，確保訓(xùn)練模型的數(shù)據(jù)集更加精細(xì)和互動(dòng)。

對(duì)于這種人類專家和GPT-4o一起工作的形式，有網(wǎng)友認(rèn)為：

這是遞歸自我改進(jìn)（recursive self-improvement）的一種形式。（人類專家確保了注釋的準(zhǔn)確性，并通過(guò)反饋機(jī)制幫助GPT-4o進(jìn)行自我改進(jìn)）

完成數(shù)據(jù)準(zhǔn)備工作后，團(tuán)隊(duì)經(jīng)過(guò)基礎(chǔ)預(yù)訓(xùn)練+指令調(diào)整兩個(gè)過(guò)程來(lái)訓(xùn)練GameGen-O。

在基礎(chǔ)訓(xùn)練階段，GameGen-O模型使用了一個(gè)2+1D VAE（變分自編碼器，如Magvit-v2）來(lái)壓縮視頻片段。

為了使VAE適應(yīng)游戲領(lǐng)域，團(tuán)隊(duì)對(duì)VAE解碼器進(jìn)行了特定領(lǐng)域的調(diào)整。

團(tuán)隊(duì)采用了不同幀速率和分辨率的混合訓(xùn)練策略，以增強(qiáng)跨幀率和跨分辨率的泛化能力。

另外，模型的整體架構(gòu)遵循了Latte和OpenSora V1.2框架的原則。

通過(guò)使用掩碼注意力機(jī)制，讓GameGen-O具備了文本到視頻生成和視頻續(xù)集的雙重能力。

團(tuán)隊(duì)介紹稱：

這種訓(xùn)練方法，結(jié)合OGameData數(shù)據(jù)集，使得模型能夠穩(wěn)定且高質(zhì)量地生成開放領(lǐng)域的視頻游戲內(nèi)容，并為后續(xù)的交互控制能力奠定了基礎(chǔ)。

在這之后，預(yù)訓(xùn)練的模型被固定，然后使用可訓(xùn)練的InstructNet進(jìn)行微調(diào)，這使得模型能夠根據(jù)多模態(tài)結(jié)構(gòu)指令生成后續(xù)幀。

InstructNet主要用于接受各種多模態(tài)輸入，包括結(jié)構(gòu)化文本、操作信號(hào)和視頻提示。

在InstructNet分支的調(diào)整過(guò)程中，當(dāng)前內(nèi)容被用作條件，從而在當(dāng)前片段內(nèi)容和未來(lái)片段內(nèi)容之間建立了映射關(guān)系，這在多模態(tài)控制信號(hào)下進(jìn)行。

造成的結(jié)果是，在推理時(shí)，GameGen-O允許用戶基于當(dāng)前片段不斷生成和控制下一個(gè)生成的片段。

目前，GameGen-O已創(chuàng)建GitHub官方倉(cāng)庫(kù)，只不過(guò)還沒來(lái)得及上傳代碼。

感興趣的童鞋可以先收藏一波了~

項(xiàng)目主頁(yè)：
https://gamegen-o.github.io/

GitHub官方倉(cāng)庫(kù)：
https://github.com/GameGen-O/GameGen-O/