谷歌推世界首个AI游戏引擎，2000亿游戏产业恐颠覆！0代码生成游戏，老黄预言成真

转自：新智元

世界上第一个完全由神经模型驱动的游戏引擎，刚刚诞生了！

「黑神话：悟空」的热度正旺，AI又在游戏中创造了全新的里程碑。

史上首次，AI能在没有游戏引擎的情况下，为玩家生成实时游戏了。

从此，我们开始进入一个炸裂的新时代：游戏不仅能被AI玩，还能由AI来创造和驱动。

谷歌的GameNGen，可以在单个TPU上，让AI以每秒20帧的速度，生成实时可玩的游戏。每一帧，都是由扩散模型预测的。

几年后，AI实时生成3A游戏大作的愿望还会远吗？

从此，开发者不必再手动编程游戏逻辑，开发时间和成本都会显著降低。

价值2000亿美元的全球游戏产业，可能会被彻底颠覆！

谷歌研究者表示，GameNGen是第一个完全由神经模型驱动的游戏引擎，能够在复杂环境中，实现高质量的长轨迹实时交互。

论文地址：https://arxiv.org/abs/2408.14837

不仅速度是实时的，它的优秀画质，也是让开发者颤抖的地步。

模拟「毁灭战士」时，它下一帧预测的峰值信噪比（PSNR）达到了29.4，已经可以和有损JPEG压缩相媲美。

在神经网络上实时运行时，视觉质量已经达到了与原始游戏相当。

模拟片段和游戏片段如此相似，让不少人类被试都分不清，眼前的究竟是游戏还是模拟？

网友感慨：这不是游戏，这是人生模拟器。

小岛秀夫的另一个预言，成真了。

3A电视剧是不是也来了？想象下，按照自己的喜好生成一版《权游》。

想象下，1000年后或一百万年后，这项技术是什么样？我们是模拟的概率，已经无限接近于1了。

AI首次完全模拟具有高质量图形和复杂交互的复杂视频游戏，就做到了这个地步，实在是太令人惊叹了。

作为最受欢迎、最具传奇色彩的第一人称射击游戏，自1993年发布以来，「毁灭战士」一直是个技术标杆。

它被移植到一系列超乎想象的平台上，包括微波炉、数码相机、洗衣机、保时捷等等。

而这次，GameNGen把这些早期改编一举超越了。

从前，传统的游戏引擎依赖的是精心编码的软件，来管理游戏状态和渲染视觉效果。

而GameNGen，只用AI驱动的生成扩散模型，就能自动模拟整个游戏环境了。

从视频中可以看出，神经网络复现游戏标志性视觉效果的能力简直是一绝，AI实时生成复杂交互环境的潜力非常惊人

「毁灭战士」一直以复杂的3D环境和快节奏的动作闻名，现在，所有这些都不需要游戏引擎的常用组件了！

AI引擎的意义，不仅仅是减少游戏的开发时间和成本。

这种技术，可以使游戏创作彻底民主化，无论是小型工作室，还是个人创作者，都能创造出从前难以想象的复杂互动体验。

此外，AI游戏引擎，还给全新的游戏类型打开了大门。

无论是环境、叙事，还是游戏机制，都可以根据玩家的行为动态来发展。

从此，游戏格局可能会被整个重塑，行业会从热门游戏为中心的模式，转向更多样化的生态系统。

顺便一提，「DOOM」的大小只有12MB。

AI初创HyperWrite的CEO Matt Schumer表示，这简直太疯狂了！用户玩游戏时，一个模型正在实时生成游戏。

如果将大多数AI模型的进展/轨迹映射到这上面，那么在几年内，我们将会得到3A级生成游戏。

英伟达高级科学家Jim Fan感慨道，被黑客们在各种地方疯狂运行的DOOM，竟然在纯粹的扩散模型中实现了，每个像素都是生成的。

连Sora跟它比起来，都黯然失色。我们只能设定初始条件（一个文本或初始帧），然后只能被动观看模拟过程。

因为Sora无法进行交互，因此还不算是一个「数据驱动的物理引擎」。

而GameNGen是一个真正的神经世界模型。它将过去的帧（状态）和用户的一个动作（键盘/鼠标）作为输入，并输出下一帧。这种质量，是他见过的最令人印象深刻的DOOM。

随后，他深度探讨了一些GameNGen中存在的限制。

比如在单个游戏上过拟合到了极致；无法想象新的场景，无法合成新的游戏或交互机制；数据集的瓶颈，导致了方法无法推广；无法实现用提示词创造可玩世界，或用世界模型训练更好的具身AI，等等。

一个真正有用的神经世界模型，应该是什么样子？

马斯克的回答是：「特斯拉可以用真实世界的视频做类似的事情」。

的确，数据是难点。

Autopilot团队可能拥有数万亿的数据对（摄像头视频，方向盘动作）。

有了如此丰富的真实世界数据，完全有可能训练一个涵盖各种极端情况的通用驾驶模拟器，并使用它来部署和验证新的完全自动驾驶（FSD）版本，而不需要实体车辆。

最后Jim Fan总结道：不管怎么说，GameNGen仍是一个非常出色的概念验证——至少我们现在知道，9亿帧是将高分辨率DOOM压缩到神经网络中的上限。

网友们感慨：扩散网络学习物理引擎和游戏规则的方式，太疯狂了。

谷歌DeepMind核心贡献者，项目负责人Shlomi Fruchter，在社交媒体上，介绍了自己开发GameNGen的过程。

从最初手写GPU渲染代码（显式），到现在训练能在GPU上运行的神经网络（隐式），甚至包含了游戏逻辑，让我有一种实现了完整「闭环」的感觉。

Fruchter进行的第一个大型编码项目之一是3D引擎（如下图所示）。早在2002年，GPU仍只能用于渲染图形。

还记得，第一款图形处理器GeForce 256是在1999年发行。

渲染3D图形恰好需要大量的矩阵运算，这恰恰是GPU所擅长的。

然后谷歌研究人员编写高级着色器语言代码，计算自定义渲染逻辑并构建新的视觉效果，同时还能保持高帧率。

GameNGen的诞生，是源于一个好奇心：

「我们能否在当前的处理器上，运行一个隐式神经网络，来进行实时互动游戏」。

对于Fruchter以及团队成员来说，最终答案是一个令人兴奋的发现。

AI大牛Karpathy曾说过，100%纯软件2.0计算机，只有一个神经网络，完全没有传统软件。

设备输入（音频、视频、触摸等）直接到神经网络中，其输出直接作为音频/视频在扬声器/屏幕上显示，就是这样。

有网友便问道，那就是它不能运行DOOM了？

对此，Karpathy表示，如果能够很好提出请求，它可能可以非常接近地模拟DOOM。

而现在，Fruchter更加肯定，它可以运行DOOM了。

另一位谷歌作者Dani Valevski也转发了此帖，对此愿景表示极度认可。

GameNGen或许标志着游戏引擎全新范式的开启，想象一下，和自动生成的图像或视频一样，游戏也是自动生成的。

虽然关键问题依旧存在，比如如何训练、如何最大程度利用人类输入，以及怎样利用神经游戏引擎创建全新的游戏。但作者表示，这种全新范式的可能性让人兴奋。

而且，GameNGen的名字也暗藏彩蛋，可以读出来试一试——和Game Engine有相似的发音。

在手动制作计算机游戏的时代，工作流程包括（1）收集用户输入（2）更新游戏状态，以及（3）将更新后的状态渲染为屏幕像素，计算量取决于帧率。

尽管极客工程师们手中的Doom可以在ipod、相机，甚至微波炉、跑步机等各种硬件上运行，但其原理依旧是原样模拟模拟手动编写的游戏软件。

看起来截然不同的游戏引擎，也遵循着相同的底层逻辑——工程师们手动编程，指定游戏状态的更新规则和渲染逻辑。

如果和扩散模型的实时视频生成放在一起，乍一看好像没什么区别。然而，正如Jim Fan指出的交互式世界模拟不仅仅是非常快速的视频生成。

其一，生成过程需要以用户的输入动作流为条件，这打破了现有扩散模型架构的一些假设。

其二，模型需要自回归生成帧，这往往会导致采样发散、模型不稳定等问题。

Agent数据收集

由于无法直接对游戏数据进行大规模采样，因此首先教会一个agent玩游戏，在各种场景中生成类似于人类且足够多样化的训练数据。

agent模型使用深度强化学习方法进行PPO训练，以简单的CNN作为特征网络，共生成900M帧的𝒯_a⁢g⁢e⁢n⁢t数据集，包括agent的动作以及对环境的观察，用于后续的训练 、推理和微调。

训练生成模型

GameNGen使用的Stable Diffusion 1.4是文生图扩散模型，其中最重要的架构修改就是，让以文本为条件的模型适应数据集中的动作数据a_{<n}和对先前帧的观察结果o_{<n}。

具体来说，首先训练一个嵌入模块A_e⁢m⁢b，将agent的每个动作（例如特定的按键）转换为单个token，并将交叉注意力中的文本替换为编码后的动作序列。

为了能接受o_{<n}作为条件，同样使用自动编码器ϕ将其编码到潜在空间中（即x_t），同时在潜在的通道维度上与噪声隐变量ε_α拼接在一起。

实验中也尝试过用交叉注意力处理o_{<n}输入，但并没有明显改进。

相比原来的Stable Diffusion，GameNGen对优化方法也做了改进，使用velocity parameterization方法最小化扩散损失。

GameNGen方法概述（省略v-prediction细节）

噪声增强减轻自回归漂移

从原Stable Diffusion的教师强制训练转换为游戏引擎中的自回归采样，会不可避免地导致错误累积和样本质量快速下降。

为了避免这个问题，训练生成模型时会在编码过的上下文帧中添加不同数量的高斯噪声，同时将噪声水平作为模型的输入，从而让降噪网络可以纠正先前帧中采样的信息。

这些操作对于随着时间推移时保证帧质量至关重要。在推理过程中，也可以控制添加的噪声水平以最大限度地提高生成质量。

自回归漂移：上图中， 20-30个步骤后，生成质量会快速下降；而下图中，具有噪声增强的相同轨迹不会出现质量下降

推理

模型在推理时使用DDIM采样方法。之所以能达到20FPS的实时生成效率，与GameNGen推理期极高的采样效率直接相关。

通常，生成扩散模型（例如Stable Diffusion）无法只用单个去噪步骤产生高质量结果，而是需要数十个采样步骤。

但令人惊讶的是，GameNGen只需4个DDIM采样步骤就能稳健地模拟 DOOM，而且相比使用20个或更多采样步骤时，质量并没有明显下降。

作者推测，这可能源于多个因素的共同作用，包括可采样的图像空间受限，以及通过先前帧信息施加了较强的条件限制。

仅使用4个降噪步骤让U-Net的推理成本降低至40ms，加上自动编码器，总推理成本为50ms，相当于每秒生成20帧图像。

实验还发现，模型蒸馏后进行单步采样能够进一步提高帧率，达到50FPS，但会以牺牲模拟质量为代价，因此最后还是选用了20FPS的采样方案。

模拟质量

总的来说，就图像质量而言，GameNGen在长时间轨迹上预测，达到了与原始游戏相当的模拟质量。

对于短时间轨迹，人评估者在模拟片段和真实游戏画面中，进行区分时，比随机猜测略强一些。

这意味着什么？

AI生成的游戏画面，太过逼真沉浸，让人类玩家有时根本无法辨别。

图像质量

这里，评估中采用了LPIPS和PSNR作为评估指标。这是在强制教学设置下进行测量，即基于真实过去观察预测单个帧。

对5个不同关卡中，随机抽取的2048个轨迹进行评估时，GameNGen达到了29.43的PSNR和0.249的LPIPS。

下图5展示了，模型预测和相应的真实样本示例。

视频质量

针对视频质量，研究人员使用了自回归设置，即模型基于自己的过去预测来生成后续帧。

不过，预测和真实轨迹在几步后会发生偏离，主要是由于帧间移动速度的微小差异累积。

如下图6所示，随着时间推移，每帧的PSNR值下降，LPIPS值上升。

预测轨迹在内容和图像质量方面，仍与实际游戏相似，但逐帧指标在捕捉这一点上，能力有限。

因此，研究团队测量了在512个随机保留轨迹上，计算的FVD（用于测量预测和真实轨迹分布之间的距离）。

这里，分别对16帧（0.8秒）和32帧（1.6秒）两种模拟长度，进行了测试。

最终，得到的FVD分别是114.02，以及186.23。

人工评估

为了得到更真实的评估，研究者向10名人类评分者，提供了130个随机短片段（长度为1.6秒和3.2秒）。

并且，将GameNGen模拟的游戏和真实游戏并排对比，如下所示。

评估者的任务，便是识别其中，哪一个是真实游戏。

结果发现，针对1.6秒生成游戏的片段，在58%情况下，他们认为GameNGen生成游戏是真实的。

而对于3.2秒片段，这一比率更高，达到了60%。

消融实验

接下来，研究者评估了架构中，不同组件的重要性，从评估数据集中采样轨迹，并计算地面真值与预测帧之间的LPIPS和PSNR指标。

上下文

通过训练N∈{1, 2, 4, 8, 16, 32, 64}模型，测试上下文中过去观察数量N的影响。（标准模型使用了N=64）。

这影响了历史帧和动作的数量。

保持解码器冻结情况下，训练模型200,000步，并在5个关卡的测试集轨迹上进行评估。

结果如下表1所示，如预期一样，研究者观察到GameNGen生成质量，随着上下文增加，而提升。

更有趣的是，在1帧和2帧之间，这一改进非常大，但往后开始很快接近了阈值线，改进质量逐渐放缓。

即便用上了最大上下文（64帧），GameNGen模型也仅能访问，略超过3秒的历史信息。

另一个发现是，大部分游戏状态可能会持续更长时间。

表1结果很好地说明了，未来可能需要改变模型架构，来支持更长的上下文。同时，探索更好的方法，采用过去帧作为条件。

噪声增强

为了消除噪声增强的影响，研究人员还训练了一个没有添加噪声的模型。

通过对比评估，经过噪声增强的标准模型和没有添加噪声的模型（在200k训练步骤后），以自回归方式计算预测帧与真实帧之间的PSNR和LPIPS指标。

如下图7所示，呈现了每个自回归步骤的平均指标值，总共达64帧。

这些评估是在随机保留的512条轨迹上进行的。

结果显示，没有噪声增强时，与真实值的LPIPS距离，比起研究标准噪声增强模型增加得更快，而PSNR下降，表明模拟与真实值的偏离。

智能体

最后，研究人员将智能体生成的数据训练，与使用随机策略生成的数据训练，进行了比较。

这里，通过训练两个模型，以及解码器，每个模型训练700k步。

它们在一个由5个关卡组成的2048条人类游戏轨迹的数据集上，进行评估。

而且，研究人员比较了在64帧真实历史上下文条件下，生成的第一帧，以及经过3秒自回归生成后的帧。

总得来说，研究观察到，在随机轨迹上训练模型效果出乎意料地好，但受限于随机策略的探索能力。

而在比较单帧生成时，智能体仅略胜一筹，达到25.06 PNSR，而随机策略为24.42。

而在比较3秒情况下，差异增加到19.02 Vs 16.84。

在手动操作模型时，他们还观察到，某些区域对两者都非常容易，某些区域对两者都非常困难，而在某些区域智能体表现更好。

因此，作者根据其在游戏中与起始位置的距离，将456个示例手动分为三个级别：简单、中等和困难。

如下表2所示，结果观察到，在简单和困难集合中，智能体仅略优于随机，而在中等集合中，智能体的优势如预期般更大。

今天，视频游戏，是由人类编程的。

GameNGen的诞生，开启了实时互动视频游戏的全新范式。

在这一范式中，游戏是神经模型的「权重」，而非代码行。

如今看来，老黄的预言近在眼前。

每个像素很快都将会是生成的，并非是渲染的。

在今年GTC大会的记者会上，Bilawal Sidhu就老黄的话，提出了一个后续问题：「我们距每个像素都是以实时帧速率生成的世界还有多远」？

老黄表示，我们还需要5-8年的时间，并且现已看到了跨越创新S曲线的迹象。

它表明，当前存在一种架构和模型权重，可以让神经网络能够在现有GPU上，有效交互运行复杂游戏DOOM。

不过，GameNGen仍有许多重要的问题存在，这也是谷歌开发者接下来继续攻克的问题。

Shlomi Fruchter带领团队开辟了游戏制作的另一片天地，并希望这个范式能为前路指明方向。

在这种新范式下，能够直接拉低视频游戏的开发成本，并让更多人得到访问。

仅需一句话，或者是一个示例图像，未来可任何一个开发者，皆可以对游戏进行开发和编辑。

另外，为现有游戏创建/修改行为，可能在短期就能实现了。

比如，我们可以将一组帧，转化为一个全新可玩的关卡，或者仅基于示例图像创建一个新角色，无需编写代码。

新范式的好处，或许还能保持足够优秀的帧率，和极少的内存占用。

正如论文作者所述，他们希望这小小一步的尝试，能够对人们游戏体验，甚至更广泛地对日常交互软件系统的互动，带来有极大价值的改善。

更令人兴奋的是，GameNGen的潜在应用，远远超出了游戏领域！

无论是虚拟现实、自动驾驶汽车还是智能城市行业，都可能因此而变革。

因为在这些行业中，实时模拟对于培训、测试和运营管理都至关重要。

比如在自动驾驶汽车中，需要能够模拟无数的驾驶场景，以安全地在复杂的环境中行驶。

而GameNGen这类AI驱动引擎，恰恰可以通过高保真度和实时处理来执行这项任务。

在VR和AR领域，AI引擎可以创建完全沉浸式的交互式世界，还能实时适应用户输入。

这种交互式模拟产生的巨大吸引力，可能会彻底改变教育、医疗保健和远程工作等行业！

当然，GameNGen也存在一些挑战。

虽然它可以以交互速度运行《毁灭战士》，但图形密集程度更高的游戏，可能会需要更大的算力。

另外，它是针对特定游戏量身定制的，因此要开发能运行多个游戏的通用AI游戏引擎，挑战仍然艰巨。

但现在，我们俨然已至未来的风口浪尖，从此，我们最喜欢的游戏不是从代码行中诞生，而是从机器的无限创造力中诞生。

从此，人类创造力和机器智能之间的界限会越来越模糊。

通过GameNGen，谷歌研究人员让我们对未来有了令人兴奋的一瞥——

在这个世界中，阻碍我们虚拟体验的唯一限制，就是AI的想象力。