Microsoft telah memperkenalkan Muse, model kecerdasan buatan (AI) generatif pertama yang boleh menjana visual permainan video dan tindakan pemain secara realistik. Projek ini dikembangkan oleh Microsoft Research Game Intelligence bersama pasukan Teachable AI Experiences dengan kerjasama Xbox Game Studios’ Ninja Theory.
Apa Itu Muse?
Muse dibangunkan sebagai World and Human Action Model (WHAM) yang berupaya:
- Menjana visual permainan berdasarkan data sebenar pemain.
- Mensimulasikan aksi kawalan seperti pergerakan dan interaksi dalam permainan.
- Memprediksi bagaimana permainan berkembang berdasarkan input awal.
Model ini telah dilatih menggunakan data permainan sebenar daripada ‘Bleeding Edge’, permainan 4v4 dari Xbox Game Studios. Dengan lebih 1 bilion imej dan aksi kawalan, Muse mampu menghasilkan urutan permainan yang realistik dan berterusan selama beberapa minit.
Bagaimana Muse Berfungsi?
Microsoft menggunakan pendekatan ‘top-tier AI’ dengan teknologi ‘transformer-based model’, sama seperti model generatif teks seperti ChatGPT. Muse menggunakan data daripada pemain sebenar dan meniru aksi mereka dalam permainan dengan ketepatan yang semakin meningkat selepas setiap sesi latihan.
Kajian menunjukkan Muse semakin cekap dalam:
- Meniru gerakan pemain dengan tepat, tidak menembusi dinding atau melanggar peraturan fizik permainan.
- Menjana variasi berbeza dalam permainan berdasarkan input yang sama.
- Mengekalkan elemen baharu yang dimasukkan ke dalam urutan permainan.
Potensi Masa Depan
Microsoft melihat Muse sebagai teknologi yang boleh membantu pembangun permainan mencipta kandungan baharu, mensimulasikan dunia permainan yang dinamik, dan meningkatkan pengalaman pemain.
Muse juga akan tersedia sebagai sumber terbuka di Azure AI Foundry untuk penyelidik dan pembangun meneroka potensinya.
Dengan WHAM Demonstrator, pengguna kini boleh berinteraksi secara langsung dengan Muse, menguji kemampuannya, serta melihat bagaimana AI boleh menyokong pembangunan permainan video yang lebih inovatif.
{suggest}
Sumber: Microsoft