We present GameNGen, the first game engine powered entirely by a neural model that enables real-time interaction with a complex environment over long trajectories at high quality. GameNGen can interactively simulate the classic game DOOM at over 20 frames per second on a single TPU. Next frame prediction achieves a PSNR of 29.4, comparable to lossy JPEG compression. Human raters are only slightly better than random chance at distinguishing short clips of the game from clips of the simulation. GameNGen is trained in two phases: (1) an RL-agent learns to play the game and the training sessions are recorded, and (2) a diffusion model is trained to produce the next frame, conditioned on the sequence of past frames and actions. Conditioning augmentations enable stable auto-regressive generation over long trajectories.
Ich seh es als Techdemo, nothing more. Auf Reddit gehts schon in Richtung VR und MMOs in den Überlegungen, aber das Ding ist halt doch limitiert auf Frame Generation und erfindet keine Story, keine neuen Levels, kein neues Gameplay, etc.
Ich seh es als Techdemo, nothing more [...] aber das Ding ist halt doch limitiert auf Frame Generation und erfindet keine Story, keine neuen Levels, kein neues Gameplay, etc.
Es erlernt ein World Model und generiert, was als nächstes passieren sollte.
Im Prinzip steckt dahinter (davor) ein LLM, dem kannst Instruktionen geben wie sich das Spiel entwickeln soll.
Ein world model hat es ja und sogar kurze memory states (mit ansätzen für long-term memory via screenshots)... hat schon potenzial in die richtung zu forschen imho
Weiter zu forschen macht auf jeden Fall Sinn. Wenn man träumen will, kann man sich schon vorstellen, wie man sich die VR-Brille aufsetzt, sagt ich hätt jetzt bitte gern einen Deus Ex Klon und beginnt zu spielen. Abzuschätzen wie lang es dauert bis so etwas möglich wird ist halt schwer. Hat ja auch keiner geglaubt, dass so eine Engine innerhalb von Monaten und nicht Jahren oder Jahrzehnten entstehen kann.
charmin
Super Moderator 10x
Registered: Dec 2002
Location: aut_sbg
Posts: 14519
Hmm. Kenn stable diffusion nur bedingt. Aber scheint als wärs ne transformer Architektur und predicted wie bei LLMs einfach den nächsten Token, der im dem Fall halt ein Bild ist. Wennst jetzt noch die Eingabetaste als input feature hinzugeben, dann kann man sicher den nächsten Frame dahingehend anpassen. Coole Sache jedenfalls und finds lustig dass sie es mit Soom machen.