游戏、AI 代理和加密货币的融合

玩家粘性

游戏 AI 的关键在于：速度和规模。在游戏中使用 LLM 驱动的代理时，每个决策都需要调用一个庞大的语言模型。这就好比在迈出每一步之前都要有一个中间人。中间人很聪明，但等待他的回应会让一切变得缓慢痛苦。现在想象一下，在游戏中为数百个角色做这样的工作，不仅速度慢，而且成本很高。这就是我们尚未在游戏中看到大规模 LLM 代理的主要原因。我们目前看到的最大实验是在 Minecraft 上开发的 1000 个代理的文明。如果在不同的地图上有 10 万个并发代理，这将会非常昂贵。由于每添加一个新代理都会导致延迟，玩家也会受到流量中断的影响。这就破坏了流状态。

强化学习（RL）是一种不同的方式。我们把它想象成训练一个舞者，而不是通过耳麦给对方手把手的指导。通过强化学习，你需要在前期花时间教 AI 如何 「跳舞」，以及如何应对游戏中的不同情况。一旦训练有素，AI 就会自然流畅，在几毫秒内做出决定，而无需向上请求。你可以让数百个这样训练有素的代理在你的游戏中运行，每个代理都能根据自己的所见所闻独立做出决定。他们不像 LLM 代理那样能说会道或灵活机动，但他们做事快速高效。

当你需要这些代理协同工作时，RL 的真正魔力就显现出来了。LLM 代理需要冗长的 「对话 」来协调，而 RL 代理则可以在训练中形成一种隐性的默契——就像一支一起训练了数月的橄榄球队。他们学会预测对方的动作，自然而然地进行协调。当这并不完美，有时它们会犯一些 LLM 不会犯的错误，但它们可以在 LLM 无法比拟的规模上运作。对于游戏应用来说，这种权衡总是有意义的。

作为 NPC 的代理将解决当今许多游戏面临的第一个核心问题：玩家流动性。P2E 是第一个使用密码经济学解决玩家流动性问题的实验，我们都知道结果如何。

预先训练好的代理有两个作用：

• 填充多人游戏中的世界

• 维持世界中一组玩家的难度水平，使他们处于流状态

虽然这看起来非常明显，但构建起来却很困难。独立游戏和早期的 Web3 游戏没有足够的财力聘请人工智能团队，这为任何以 RL 为核心的代理框架服务商提供了机会。

游戏可以在试玩和测试期间与这些服务提供商合作，为游戏发布时的玩家流动性奠定基础。

如此一来，游戏开发者就可以把主要精力放在游戏机制上，使他们的游戏更加有趣。尽管我们喜欢将代币融入游戏，但游戏终究是游戏，游戏应该是有趣的。

世界上玩家最多的游戏之一《英雄联盟》有一个黑市，玩家在黑市上用最好的属性训练自己的人物，而游戏禁止他们这样做。

这有助于形成游戏角色和属性作为 NFT 的基础，从而创建一个市场来实现这一点。

如果出现一个新的 「玩家 」子集，作为这些人工智能代理的教练呢？玩家可以指导这些人工智能代理，并以不同的形式将其货币化，例如赢得比赛，还可以充当电竞选手或激情玩家的 「训练伙伴」。

元宇宙的早期版本可能只是创造了另一种现实，而不是理想的现实，因此没有达到目标。AI agents 帮助元宇宙居民创造一个理想世界 —— 逃离。

在我看来，这正是基于 LLM 的代理可以大显身手的地方。也许有人可以在自己的世界中加入预先训练好的代理，这些代理都是领域专家，可以就他们喜欢的事物进行对话。如果我创建了一个经过 1000 小时 Elon Musk 访谈训练的代理，而用户希望在他们的世界中使用这个代理的实例，那么我就可以为此获得奖励。这样就能创造新的经济。

有了 Nifty Island 这样的元宇宙游戏，这就可以成为现实。

在 Today: The Game 中，团队已经创建了一个基于 LLM 的 AI agent，名为 「Limbo」（发布了投机性代币），其愿景是多个代理在这个世界中自主互动，同时我们可以观看 24x7 的直播流。