IOSG｜ゲーム、AIエージェント、暗号通貨の融合

著者｜シド @IOSG

ウェブ3ゲームの現状

より新しく、注目を集めるシナリオの出現により、ウェブ3ゲームは産業として後塵を拝している。Delphi のゲーム産業に関する2024年版レポートによると、一次市場におけるWeb3ゲームの累計資金調達額は10億ドルに満たない。これは必ずしも悪いことではなく、バブルが崩壊し、資本がより質の高いゲーム互換性に向かっていることを示している。

2024年まで、Rononのようなゲーム・エコシステムは、ゲーム業界を牽引していくでしょう。2024年を通して、Roninのようなゲームエコシステムはユーザーベースが急上昇し、Fablebornのような高品質の新作ゲームのおかげで、2021年のAxieの栄光の日々に匹敵しそうです。

ゲーミングエコシステム（L1、L2、RaaS）は、エコシステム内の流通をコントロールするという点で、Web3のSteamのような存在になりつつあり、ゲーム開発者にとっては、プレイヤーの獲得につながるため、これらのエコシステムでゲームを開発するインセンティブになっています。彼らの以前のレポートによると、Web3ゲームのユーザー獲得コストはWeb2ゲームよりも約70％高いそうです。

プレイヤーの粘り強さ

プレイヤーの維持は、プレイヤーの獲得と同じくらい、いやそれ以上に重要です。Web3 ゲームにおけるプレーヤーの維持に関するデータは不足していますが、プレーヤーの維持は「フロー」 (ハンガリーの心理学者 Mihaly Csikszentmihalyi  の造語) の概念と密接に関連しています。

維持は、そうでないとしても、魅力と同じくらい重要です。

「フロー状態」とは、プレーヤーがチャレンジとスキルレベルの完璧なバランスに達する心理的概念である。それはまるで「ゾーンに入る」ようなもので、時間があっという間に過ぎていくように感じられ、完全にゲームに没頭してしまう。

一貫してストリーム状態を作り出すゲームは、次のようなメカニズムにより、定着率が高くなる傾向があります。

#進行設計

初期のゲーム：自信をつけるための簡単なチャレンジ

初期のゲーム：自信をつけるための簡単なチャレンジ

ゲーム中盤：徐々に難易度を上げていく

ゲーム後半：複雑な課題に挑戦し、ゲームをマスターする

選手のスキルが上達するにつれて、この難易度の微調整により、ゲームのトップに立ち続けることができる

選手のスキルが上達するにつれて、この難易度の微調整により、ゲームのトップに立ち続けることができる。

#Participation Loop

短期的なもの：即座のフィードバック(キル、ポイント、報酬）

中期的：レベル完了、デイリークエスト

長期的：キャラクター育成、ランキング

これらのネストされたループは

#フロー状態を乱す要因は次のとおりです:

1.難易度 / 複雑さ。複雑さが適切に設定されていない：これはゲームデザインの不備によるものであったり、あるいはプレイヤー数の不足によるマッチメイキングの不均衡であったりする

2.ゴールが不明瞭：ゲームデザインの要因

3.フィードバックの遅延：ゲームp>

4.押しつけがましい収益化：ゲームデザイン＋製品

5.技術的な問題／遅延

ゲームとAIの共生

AIエージェントはゲームを助けることができる。left;">AIエージェントは、プレイヤーがこのフロー状態を達成するのを助けることができる。

LLMと強化学習

エージェントとNPC

ゲームAIはすべて、スピードとスケールです。ゲーム内でLLM駆動型エージェントを使用する場合、大規模な言語モデルをすべての決定のために呼び出す必要があります。これは、すべてのステップが実行される前に仲介者がいるようなものだ。仲介者は賢いですが、彼の応答を待っていると、すべてが苦痛なほど遅くなります。これをゲームの何百ものキャラクターに対して行うことを想像してみてほしい。これが、ゲームで大規模なLLMプロキシがまだ見られない主な理由だ。我々がこれまでに見た最大の実験は、Minecraft上で開発された1000人のエージェントからなる文明である。異なるマップに10万人のプロキシが同時に存在するとなると、これは非常に高価なものになるだろう。また、新しいエージェントが追加されるたびに発生するレイテンシーによって、プレイヤーはフローの中断に苦しむことになる。これはフロー状態を混乱させます。

強化学習（RL）は異なるアプローチです。ヘッドセットを通してお互いに手取り足取り指示を与えるのではなく、ダンサーのトレーニングのようなものだと考えてみましょう。強化学習では、AIに「踊り方」やゲーム内のさまざまな状況に対処する方法を教えるために、前もって時間をかける必要がある。一度訓練されれば、AIは自然に流動的になり、上からの指示を仰ぐことなく数ミリ秒で決断を下す。ゲーム内では、このような訓練を受けたエージェントを何百人も動かすことができ、それぞれが見聞きしたことに基づいて独自に判断することができる。彼らはLLMエージェントほど明瞭でも柔軟でもありませんが、速くて効率的です。

RLの本当の魔法は、これらのエージェントが連携して働く必要があるときに発揮されます。LLMエージェントが連携するために長時間の「会話」を必要とするのに対し、RLエージェントは、暗黙の暗黙の了解を開発するように訓練することができます。-何ヶ月も一緒に練習したラグビーチームのように。お互いの動きを予測し、自然に連携することを学ぶのだ。これは完璧ではなく、時にはLLMが犯さないようなミスを犯すこともあるが、LLMが及ばないような規模で活動することができる。ゲームアプリにとって、このトレードオフは常に理にかなっています。

LLMと強化学習