- Braindump adalah upaya untuk membayangkan seperti apa pembuatan game di dunia baru LLM dan AI generatif
- Dengan Braindump, Anda dapat membangun game top-down/2.5D atau dunia interaktif hanya dengan memasukkan prompt sederhana
- Misalnya, jika Anda memasukkan "buat starfighter yang bisa menembakkan laser dan menjatuhkan bom BB-8", maka model 3D, data game, dan skrip untuk itu akan dibuat
Dari eksperimen pertama hingga sekarang
- Dimulai sekitar 6 bulan lalu sebagai prototipe sederhana, lalu menambahkan pembuatan model 3D, fitur multiplayer, dan berkali-kali memperbaiki UX
- Saat ini Braindump memiliki fitur inti berikut
- Mendefinisikan unit, kemampuan, dan atribut (contoh: "orc dengan HP 50 yang menjatuhkan tongkat sihir")
- Menempatkan objek di peta game (contoh: "tempatkan 20 orc membentuk lingkaran")
- Membuat aturan dan logika game (contoh: "saat HP orc mencapai 0, buat ghost orc di tempat itu")
- Membuat model 3D baru (contoh: "buat orc menjadi merah muda dan tambahkan telinga berbulu", menggunakan Meshy)
- Semua ini dapat diakses melalui antarmuka prompt bahasa alami yang terintegrasi
Tantangan 1: Merancang UX untuk prompting
- Ada dua masalah besar saat membangun sesuatu dengan LLM
- Cara membuat LLM secara konsisten bertindak sesuai keinginan
- UX terbaik untuk berinteraksi dengan LLM
- Melalui banyak eksperimen prompt, mereka beralih ke pendekatan iteratif saat ini
- Membuat game sekaligus dari satu deskripsi penuh tidak bekerja dengan baik
- Membangun game secara bertahap lewat beberapa prompt memberi peluang untuk menjelaskan lebih detail atau mengulangi
- Mereka terus bereksperimen untuk menemukan keseimbangan yang tepat antara prompt dan kontrol yang sudah ada
Tantangan 2: Merancang game API untuk LLM
- Pembuatan kode untuk game engine yang ada sebelumnya menimbulkan kesulitan
- LLM mahir menghasilkan snippet kode, tetapi kesulitan dengan potongan software yang lebih besar serta membangun dan memelihara arsitektur software
- Sebagai gantinya, mereka membangun "game API" yang sangat disederhanakan dalam TypeScript untuk memberi sebanyak mungkin struktur agar LLM bisa fokus menulis kode dan data
- Saat definisi tipe yang dihasilkan dari API (
.d.ts) diberikan ke GPT sebagai system prompt, GPT secara konsisten menggunakan API dengan benar pada percobaan pertama dalam banyak kasus
- Mereka juga menemukan keunggulan mengejutkan dari type checking: ketika GPT menemukan error, ia mencoba memperbaikinya sendiri
Makro yang dihasilkan
- Game API juga membuka alur UX menarik lainnya: makro yang dihasilkan
- Secara umum, makro dalam aplikasi adalah program kecil yang dapat mengotomatiskan tugas
- Dalam sistem Braindump, setiap prompt menghasilkan kode, dan kode tersebut dapat mengotomatiskan hampir semua hal yang ditangani game API
- Misalnya, Anda bisa memasukkan prompt seperti "tempatkan tenda di samping api unggun"
- Ini juga bisa mengotomatiskan tugas yang membosankan (contoh: "buat 5 kucing berbeda dengan stat yang berbeda")
- Anda juga bisa memintanya menjawab pertanyaan yang memerlukan perhitungan (contoh: "ada berapa tenda yang menghadap ke utara?")
- Ini membuka jalur baru dalam cara bekerja
- Awalnya agak aneh, tetapi setelah terbiasa, tugas yang sangat membosankan bisa diselesaikan dalam hitungan detik dengan cara yang kreatif
Pengeditan kolaboratif dengan AI
- Mereka ingin menjadikan semua hal di Braindump bersifat multiplayer
- Ini berlaku baik untuk pembuatan maupun permainan game
- Awalnya hanya ada satu chat besar tempat semua orang bisa berkontribusi, tetapi itu membingungkan
- Masalah utamanya adalah orang sering mengerjakan dua hal berbeda yang tidak saling berkaitan
- Setelah mencoba berbagai solusi, mereka akhirnya mengerucut pada sesuatu yang mereka sebut "Threads"
- Anda bisa memulai prompt di mana saja di dalam dunia, lalu memperinci atau menambahkannya saat diperlukan
- Thread pada awalnya diberi state game terbaru, tetapi tidak seluruh riwayat proyek
- Beberapa thread bisa "berjalan" secara bersamaan, tetapi hanya satu prompt per thread yang bisa dijalankan pada satu waktu
- Sejauh ini ini bekerja cukup baik
- Dalam pengujian, 5 orang bekerja di dunia yang sama secara bersamaan; memang agak kacau, tetapi tetap fungsional
- Mereka aktif mencari cara agar pengguna bisa berkoordinasi secara efektif
Benchmarking dan pengujian
- Mereka mengembangkan alat benchmarking untuk menilai kinerja mesin prompt
- Alat ini menjalankan puluhan skenario, masing-masing dengan prompt unik, lalu menggunakan GPT untuk menilai apakah prompt tersebut berhasil
- GPT kedua yang disebut "evaluator" (dengan system prompt-nya sendiri) diberi kondisi-kondisi ini, state simulasi saat selesai, dan semua error yang terjadi, lalu diminta memutuskan apakah pengujian berhasil
- Test suite masih berada pada tahap awal, tetapi mereka terus menambahkan lebih banyak pengujian setiap kali menemukan gaya prompt baru dan kasus kegagalan
Mengapa membuat Braindump
- Secara pribadi, mereka selalu menyukai game dan kreativitas
- AI generatif adalah langkah alami berikutnya dalam peningkatan produktivitas
- Dengannya, Anda bisa melakukan lebih banyak hal
- Karena studio besar makin sering membuat game yang konservatif, mereka senang bisa memberdayakan kelompok kecil atau bahkan individu untuk membuat game impian mereka
- Mereka ingin melihat ide-ide liar apa yang akan orang pikirkan dan wujudkan ketika memiliki seluruh studio game AI di ujung jari mereka
Rencana ke depan
- Braindump baru saja dimulai
- Saat ini sistem ini sudah cukup mahir mengeksekusi "perintah" ("buat kucing"), tetapi mereka tahu sistem ini bisa diperluas agar juga mampu menangani tugas yang jauh lebih ambigu atau "besar"
- Mereka sedang meneliti hal-hal berikut
- Mendukung prompt yang "lebih besar" melalui planning
- Membuat GPT berhenti menebak dan sebagai gantinya meminta klarifikasi kepada pengguna
- Meningkatkan kualitas kode dengan membuat GPT mengkritik pekerjaannya sendiri
- Meningkatkan discoverability dan inspirasi ("apa yang bisa saya buat dengan ini?")
- Meningkatkan fitur game engine dengan cara yang cocok untuk LLM
Belum ada komentar.