الثورة الذكية في الألعاب: كيف يصنع الذكاء الاصطناعي المستقبل بالألعاب؟

المؤلف: وانغ شو زميل ما بعد الدكتوراه في معهد تينسنت للأبحاث

في وقت مبكر من عام 2001، أشارت الأبحاث إلى أن مجال الذكاء الاصطناعي للألعاب لديه إمكانات كبيرة لتحقيق أو إنشاء ذكاء اصطناعي على المستوى البشري (الذكاء الاصطناعي على المستوى البشري) [1]. باعتبارها نقطة البداية لأبحاث الذكاء الاصطناعي، توفر الألعاب ضمانًا للذكاء الاصطناعي لمقاربة الذكاء البشري من حيث الاتساع والعمق والمرونة نظرًا لتعقيد وتنوع سيناريوهات المهام.

في الوقت الحالي، مع التطور السريع للذكاء الاصطناعي التوليدي وتكنولوجيا الذكاء الاصطناعي لصنع القرار، أصبح اتجاه التطوير التكافلي للألعاب والذكاء الاصطناعي أكثر وضوحًا. في مؤتمر الألعاب العالمي GDC2024 (المؤتمر العالمي لتطوير اللاعبين 2024)، أصبح الذكاء الاصطناعي محور المؤتمر، حيث تم إلقاء 64 خطابًا حول موضوع الذكاء الاصطناعي، وهو ما يمثل 8%. في مجال الذكاء الاصطناعي التوليدي، يستخدم 62% من المشاركين في صناعة الألعاب أدوات الذكاء الاصطناعي لإنتاج محتوى الألعاب [2]. في مجال الذكاء الاصطناعي لصنع القرار، أطلق فريق Google DeepMind مرة أخرى وكيل الألعاب العالمي SIMA (عامل متعدد العوالم قابل للتحجيم) بعد Alphastar، والذي يمكنه أداء أكثر من 600 مهمة في عوالم ألعاب ثلاثية الأبعاد مختلفة بناءً على تعليمات اللغة الطبيعية البشرية.

ساحة اختبار التكنولوجيا:

ممارسة الوكيل العامة للذكاء الاصطناعي بناءً على بيئة اللعبة

الألعاب هي قرارات- صنع الذكاء الاصطناعي توفير معايير قياس واضحة واستخدام قواعد واضحة وقابلة للقياس في اللعبة لتقييم قدرة اتخاذ القرار يمكن للذكاء الاصطناعي أن يحل مشكلة فقدان سيناريوهات أبحاث الذكاء الاصطناعي وتحسين كفاءة تكرار التكنولوجيا واختبارها بشكل كبير. في الوقت الحالي، تختار معظم فرق أبحاث الذكاء الاصطناعي المعنية باتخاذ القرار، بما في ذلك OpenAI وDeepMind وما إلى ذلك، الألعاب كسيناريوهات تدريبية، وتلتزم ببناء عملاء استخبارات للأغراض العامة في أنواع مختلفة من سيناريوهات الألعاب، وبناء ذكاء اصطناعي عام بناءً على ذلك.

في 13 مارس 2024، أصدر فريق Google DeepMind وكيلًا للذكاء الاصطناعي يُدعى SIMA (وكيل متعدد العوالم قابل للتحجيم)، والذي يمكنه فهم مجموعة واسعة من عوالم الألعاب ثلاثية الأبعاد ويمكنه تنفيذ أكثر من 600 مهمة في عوالم الألعاب ثلاثية الأبعاد المختلفة من خلال اتباع تعليمات اللغة الطبيعية مثل البشر. لقد دفعت القدرات القوية لفهم اللغة الطبيعية ونقل التعلم العديد من الباحثين إلى اعتبار ظهور SIMA بمثابة "لحظة ChatGPT للعملاء الأذكياء".

شرحت DeepMind المبادئ الأساسية والمسارات التقنية لـ SIMA بالتفصيل في التقرير الفني، وعرّفتها على أنها طريقة قابلة للتطوير وقابلة للتوجيه في عوالم افتراضية ثلاثية الأبعاد متعددة. وكيل اللعبة. اختار فريق DeepMind 9 ألعاب ثلاثية الأبعاد عبر الإنترنت مشهورة حاليًا و4 مشاهد ثلاثية الأبعاد تعتمد على محرك Unity كبيئة تدريب لعميل SIMA، وجمع كمية كبيرة من سلوك اللاعب البشري وبيانات التشغيل من الألعاب لتدريب العميل. . أثناء عملية التدريب المحددة، سيراقب العميل باستمرار ويتعرف على معلومات صورة اللعبة على الشاشة، ويدمجها مع تعليمات التشغيل المختلفة للاعب في اللعبة، ثم يتحكم في تنفيذ الشخصيات في اللعبة من خلال إخراج لوحة المفاتيح والماوس. العمليات المختلفة[3].

الشكل 1 نظرة عامة على مشروع وكيل SIMA

يعد مشروع SIMA علامة فارقة مهمة لفريق DeepMind في مجال الذكاء الاصطناعي العام (AGI) البحث، بدءًا من الذكاء الاصطناعي Go ومن AlphaGO وAlphaZero الذكيين إلى AlphaStar استنادًا إلى لعبة "StarCraft 2"، والآن SIMA المستندة إلى نماذج لغوية كبيرة، قام فريق DeepMind باختبار الوكلاء العامين والبحث عنهم استنادًا إلى بيئات اللعبة. ، الوكلاء هم من المتوقع أن يتم نقل قدرات اتخاذ القرار والعمل المدربة في بيئة اللعبة إلى سيناريوهات العالم الحقيقي، مما يوفر أفكارًا وممارسات جديدة لاحتضان الذكاء الاصطناعي العام.

قبل إصدار SIMA، كان هناك بالفعل العديد من المشاريع البحثية العامة لوكلاء الألعاب في الصناعة. من بينها، هناك عملان تمثيليان، وهما Gato الذي أصدرته DeepMind و Minedojo الذي أصدرته NVIDIA.

تم إصدار Gato بواسطة فريق DeepMind في نوفمبر 2022. ويمكنه تشغيل سلسلة ألعاب Atari والتحكم في أذرع الروبوت الحقيقية لتكديس مكعبات البناء. يستخدم Gato بنية نموذجية لغوية كبيرة تشبه GPT، وتتضمن مواده التدريبية الصور والنصوص والبيانات المشتركة لذراع الروبوت ومجموعات البيانات المتعددة الوسائط الأخرى [4]. أشارت مايكروسوفت في دراسة أجريت في مارس 2023 إلى أن النماذج الكبيرة مثل جاتو التي تدمج المعلومات متعددة الوسائط من المرجح جدًا أن تلد الذكاء المبكر [5].

الشكل 2 Gato تم إنشاؤه بواسطة DeepMind

يشبه Gato Nvidia ومعهد كاليفورنيا للتكنولوجيا (Caltech) وStanford (Stanford) وما إلى ذلك. MineDojo ، وكيل ذكي تم إنشاؤه بشكل مشترك من قبل مؤسسات بحثية تعتمد على لعبة "Minecraft". يستخدم Minedojo المعلومات من مقاطع فيديو اللاعبين (YouTube)، والموسوعات (Wikis)، ومجتمعات المستخدمين (Reddit) الخاصة بلعبة "Minecraft" كمواد تدريبية لتدريب الشخص الذي يمكنه إكمال المهام المختلفة بناءً على المطالبات النصية في لعبة "Minecraft". وكيل للأغراض العامة لمهام مختلفة. لا يستطيع Minedojo إكمال بعض المهام البرمجية البسيطة فحسب، بل يمكنه أيضًا إكمال سلسلة من المهام الإبداعية بناءً على أوصاف بسيطة، مثل بناء مكتبة بناءً على الأوصاف [6].

الشكل 3 نموذج القدرة Minedojo

يتوافق عملا Gato وMinedojo على التوالي مع نوعين مختلفين من الأفكار في أبحاث الذكاء الاصطناعي: حل المشكلات الكافية مهمة أو حل مهمة معقدة بما فيه الكفاية. ومع ذلك، فإن الدراستين المذكورتين أعلاه لهما أيضًا بعض القيود، على سبيل المثال، Minedojo هو مجرد ذكاء مخصص لنوع معين من الألعاب، ولا يمكنه إكمال المهام المختلفة إلا في لعبة واحدة، وليس لديه القدرة على نقل التعلم، على الرغم من أن Gato لديه بعض القدرات نقل قدرات التعلم، وبيئات التطبيق الرئيسية هي بعض الألعاب ثنائية الأبعاد، وليست بيئات الألعاب ثلاثية الأبعاد، والتي تختلف تمامًا عن مشاهد العالم الحقيقي.

في الوقت الحالي، أصبح تدريب وكلاء الذكاء الاصطناعي العامين استنادًا إلى بيئات الألعاب محل إجماع في الصناعة. في خطاب TED AI لعام 2023، اقترح جيم فان، أحد كبار علماء NVIDIA، مفهوم النموذج الأساسي (FoundationAgent) واعتقد أن الحدود التالية لأبحاث الذكاء الاصطناعي ستكون إنشاء نموذج يمكن استخدامه في العالم الافتراضي. العالم والواقع، قم بالتعميم في العالم، وإتقان مجموعة واسعة من المهارات، والتحكم في العديد من الأجسام، والتمكن من التعميم على "النموذج الأساسي" في بيئات متعددة، كما أن التدريب على هذا النموذج لا ينفصل عن بيئة اللعبة [7 ]. محليًا، أخذت Tencent أيضًا زمام المبادرة في بناء منصة بحثية مفتوحة لاتخاذ القرارات المعقدة ومتعددة الوكلاء للذكاء الاصطناعي - Kaiwu، بالاعتماد على المزايا الأساسية لمختبر Tencent AI Lab و"Honor of Kings" من حيث الخوارزميات، وقوة الحوسبة، والسيناريوهات التجريبية، فهي توفر للباحثين الأكاديميين ومطوري الخوارزميات منصة رائدة لاستكشاف التطبيقات المحلية.

اختراقات جديدة في القدرات:

تنفذ SIMA نموذجًا لغويًا كبيرًا

التكامل الفعال مع تدريب عملاء الذكاء الاصطناعي

يجمع ظهور SIMA بين نماذج اللغة الكبيرة وتدريب العملاء. وقد تم تحقيق اختراقات في قدرات اتخاذ القرار لوكيل الذكاء الاصطناعي والتعميم. لا تستطيع SIMA فهم بيئات الألعاب ثلاثية الأبعاد المختلفة بشكل أفضل فحسب، بل يمكنها أيضًا أداء مهام مختلفة في عوالم الألعاب ثلاثية الأبعاد المختلفة وفقًا لتعليمات اللغة الطبيعية مثل البشر، كما أن كفاءتها وقدراتها في اتخاذ القرار تتجاوز بكثير الذكاءات الأخرى. إن جسم الإنسان لديه قدرات اتخاذ القرار مماثلة للإنسان [8]. قال ديميس هاسابيس، المؤسس والرئيس التنفيذي لشركة DeepMind، بصراحة في المقابلة: "هناك تطور هائل في مجال الجمع بين نماذج اللغات الكبيرة وتدريب عملاء الذكاء الاصطناعي وبيئات الألعاب. ومن المتوقع أن تستمر DeepMind في زيادة الاستثمار البحثي في ​​هذا المجال في المستقبل". المستقبل[9]."بشكل عام، تنعكس الخصائص والإنجازات مع SIMA الأخرى بشكل أساسي في الجوانب التالية:

أولاً، تستخدم SIMA بيئة اللعبة للتدريب، ولكنها تولي اهتمامًا أكبر لاتساق سلوك الوكيل والتعليمات التي يتلقاها. من وجهة نظر فريق DeepMind، "تعد الألعاب بمثابة أرض اختبار مهمة للذكاء الاصطناعي(AI)أنظمة، ومثل العالم الحقيقي، تعد الألعاب بيئة تعليمية غنية، مع إعدادات سريعة الاستجابة في الوقت الفعلي وأهداف متغيرة باستمرار. عملية كمية كبيرة من البيانات السلوكية للاعبين البشر، والفرق هو أن الغرض من تدريب SIMA ليس هزيمة اللاعبين البشر أو تحقيق درجات عالية في اللعبة، ولكن تعلم اتباع تعليمات اللغة الطبيعية الصادرة عن البشر في بيئات اللعبة المختلفة و اللعب في اللعبة السلوك المتسق مع التعليمات الموجودة في البيئة.

ثانيًا، تجمع SIMA بين نماذج اللغة الكبيرة وتدريب الوكلاء، وتتبنى واجهة تفاعلية موحدة وإنسانية. "تعلم اللغة والبيئة يكمل كل منهما الآخر. من خلال تعلم اللغة الطبيعية، يمكن تحسين فهم الوكيل للتمثيلات العامة والمفاهيم المجردة، ويمكن تحسين كفاءة التعلم. "مقارنة مع العديد من الوكلاء السابقين استنادًا إلى بيئات اللعبة، تقدم SIMA نموذجًا لغويًا كبيرًا في التدريب، حيث تتبع عملية التدريب بأكملها قاعدة اللغة أولاً، وجميع سلوكيات التدريب مدفوعة مباشرة باللغة الطبيعية. أي أن SIMA لا تتطلب الوصول إلى الكود المصدري للعبة ولا إلى واجهة برمجة تطبيقات مخصصة. فهي تتطلب مدخلين فقط: معلومات الصورة على الشاشة، وتعليمات اللغة الطبيعية المقدمة من قبل المستخدم، والتي يمكن تنفيذها باستخدام لوحة المفاتيح والماوس للتحكم في الشخصية داخل اللعبة. فيما يتعلق بطرق التفاعل المحددة، تتبنى SIMA واجهة تفاعلية موحدة وإنسانية، ويمكن للبشر استدعاء هذه الواجهة التفاعلية مباشرة لإصدار تعليمات اللغة الطبيعية إلى SIMA (انظر الشكل 4 أدناه).

الشكل 4 بنية وكيل SIMA

ثالثًا، تتمتع SIMA بقدرات تعميم جيدة ويمكنها الحفاظ على الأداء العالي في سيناريوهات افتراضية مختلفة. مستوى القدرة. وفقًا للبيانات الحالية الصادرة عن فريق DeepMind، تم تقييم SIMA من خلال 600 مهارة أساسية، تغطي الملاحة (مثل الانعطاف يسارًا)، والتفاعل مع الأشياء (تسلق السلالم)، واستخدام القائمة (فتح الخرائط)، وما إلى ذلك. وقد تم استخدامه في بيئات ألعاب متعددة وقد أظهرت جميعها مستوى أداء أعلى من مستوى أداء الوكلاء المماثلين. قام باحثو DeepMind بتقييم قدرة SIMA على إكمال ما يقرب من 1500 مهمة محددة داخل اللعبة وفقًا للتعليمات، وبعضها يستخدم التقييم البشري، وأظهرت النتائج أنه بغض النظر عن بيئة اللعبة التي كانت فيها، فإن أداء SIMA تجاوز بكثير أداء نفس النوع. (الشكل 5).

الشكل 5 مقارنة أداء عوامل متعددة في بيئات مختلفة

 < strong mpa-from-tpl="t"> تطبيق سيناريوهات جديدة:

يساعد الذكاء الاصطناعي في إنشاء الألعاب

تحسين كفاءة إنشاء المحتوى

أصبحت الألعاب بمثابة أرض اختبار وحاضنة لبناء وكلاء الذكاء الاصطناعي العالميين، والترويج المستمر لتحديث عملية صنع القرار وتكرارها تكنولوجيا الذكاء الاصطناعي. وفي الوقت نفسه، ومع نضج تقنيات الذكاء الاصطناعي التوليدية مثل Stable Diffusion وTransformer، بدأت تكنولوجيا الذكاء الاصطناعي أيضًا في المساعدة بشكل عكسي في إنشاء المحتوى في الألعاب والصناعة الثقافية الأوسع، حيث أصبح بإمكان المزيد والمزيد من الممارسين توليد البيانات بتكاليف أقل. مثل الصور والنصوص والصوت والفيديو، ويمكن للشخصيات غير القابلة للعب تحسين كفاءة تطوير المنتج وتقليل عتبة إنتاج المحتوى التفاعلي.

على مستوى التطبيق، أصبحت نماذج الذكاء الاصطناعي التوليدية مساعدًا قويًا لمطوري الألعاب. تُظهر البيانات الواردة من "تقرير Unity Game Industry Report لعام 2024" أنه بعد استخدام تقنية الذكاء الاصطناعي، قالت 71% من استوديوهات الألعاب أن البحث والتطوير والكفاءة التشغيلية قد تحسنت. ولا ينعكس هذا التحسن في الكفاءة فقط في تمكين منشئي المحتوى الفرديين من حيث الجوانب، فإنه ينعكس أيضًا في القدرة على تقليل تكاليف الاتصال للعاملين في الروابط المختلفة بشكل فعال.

في جانب إنتاج محتوى اللعبة، تم استخدام الذكاء الاصطناعي التوليدي على نطاق واسع في إنشاء النصوص وإنشاء الأعمال الفنية ثنائية الأبعاد وإنشاء الأكواد واكتشافها وإنشاء تصميم المستويات. قبل أن تتدخل أدوات الذكاء الاصطناعي في سير عمل فن اللعبة، استغرق فنانو اللعبة حوالي أسبوع لإكمال رسم توضيحي عالي الجودة، وبعد استخدام أدوات الذكاء الاصطناعي التوليدية مثل Stable Diffusion، يمكن إنشاء رسم توضيحي عالي الجودة، ويتم اختصار الوقت إلى 1 يوم.

الشكل 6  عملية رسم الأحرف التوضيحية بناءً على أداة AIGC

يتمتع الذكاء الاصطناعي التوليدي أيضًا بإمكانيات هائلة في تقليل تكاليف الاتصال لأنواع مختلفة من العمال. فضاء. على سبيل المثال، في عملية إنتاج اللعبة، خاصة عند تحديد النغمة واختيار نمط فن اللعبة، غالبًا ما يتطلب التواصل بين مخططي اللعبة والعاملين في مجال الفن الكثير من الوقت والتكلفة. يمكن أن يساعد تدخل أدوات الذكاء الاصطناعي التوليدية المخططين على تنفيذ الأفكار وتقديمها بسرعة، مما يقلل بشكل كبير من تكاليف الاتصال.

على مستوى الأداة، نظرًا لأن الذكاء الاصطناعي التوليدي يعمل على تحسين كفاءة تطوير اللعبة، فقد بدأت العديد من شركات الألعاب أيضًا في دمجه في أدوات إنتاج المحتوى الخاصة بها . . أصدرت شركة شرائح الألعاب NVIDIA NVIDIA ACE للألعاب، وهي منصة أدوات الذكاء الاصطناعي لمطوري الألعاب في يونيو 2023، مما يسمح لمطوري الألعاب ببناء ونشر نماذج الذكاء الاصطناعي المخصصة مثل الصوت والحوار والرسوم المتحركة في الألعاب، مما يحسن الكفاءة بشكل كبير. لإنتاج محتوى اللعبة وإنتاجه؛ في GDC 2024، أعلنت NVIDIA وInworld بشكل مشترك عن بروتوكول Covert Protocol للتكنولوجيا البشرية الرقمية الجديدة، ويمكن للعبة NPC المبنية على هذه التقنية التفاعل مع اللاعبين في الوقت الفعلي، ويمكن أن تعتمد على المحتوى التفاعلي والوقت الفعلي. جيل اللعب [10].

الشكل 7  العرض التوضيحي لتقنية البروتوكول السري الذي أصدرته NVIDIA

أصدرت شركتا محركات الألعاب Unity وUnreal أيضًا منتجات جديدة تعتمد على الذكاء الاصطناعي التوليدي. أصدرت Unity منتجين جديدين يعتمدان على تقنية الذكاء الاصطناعي في يوليو 2023: Sentis وMuse، ويذكر أن المنتجين يمكن أن يزيدا من كفاءة إنشاء المحتوى التقليدي عشرة أضعاف، كما قامت Unreal بدمج عدد كبير من أدوات AIGC في محركها الخاص. على سبيل المثال، تحاول Metahuman Creator، وهي أداة رقمية للإنتاج البشري، استخدام تكنولوجيا الذكاء الاصطناعي لتسريع إنشاء شخصيات عالية الجودة وكفاءة توليد مشهد واسع النطاق.

كما تبنت شركات إنتاج الألعاب تقنية الذكاء الاصطناعي بشكل كامل، وذلك باستخدام الذكاء الاصطناعي لتمكين أدوات إنتاج المحتوى والتحسين المستمر لكفاءة تطوير المحتوى. لنأخذ Tencent كمثال، أطلق Tencent AI Lab محرك الذكاء الاصطناعي لدورة حياة اللعبة الذي تم تطويره ذاتيًا "GiiNEX" في GDC 2024. يستخدم هذا المحرك نماذج الذكاء الاصطناعي التوليدي ونماذج الذكاء الاصطناعي لاتخاذ القرار التي طورتها Tencent لاستهداف الشخصيات غير القابلة للعب التي تعتمد على الذكاء الاصطناعي، وإنتاج المشهد، وفي مجالات مثل إنشاء المحتوى، يمكنه توفير مجموعة متنوعة من إمكانيات AIGC بما في ذلك الرسومات ثلاثية الأبعاد والرسوم المتحركة والمدن والموسيقى. وبمساعدة محرك GiiNEX، يمكن الآن إكمال مهمة نمذجة المدينة التي كانت تستغرق في الأصل 5 أيام لإكمالها في 25 دقيقة فقط، مما يزيد من الكفاءة بما يصل إلى مائة مرة [11].

الشكل 8  مخطط بنية GiiNEX لمحرك الذكاء الاصطناعي للعبة Tencent

الخلاصة

منذ مؤتمر دارتموث عام 1956، في مجال الذكاء الاصطناعي، في الأيام الأولى يعرف علماء الكمبيوتر الذكاء الاصطناعي بأنه "الذكاء الذي يجعل الآلة تتفاعل مثل الإنسان عند التصرف" [12] وفي وقت لاحق، اتبعت جميع أبحاث الذكاء الاصطناعي تقريبًا مسار "محاكاة" الذكاء البشري، محاولين إنشاء ذكاء اصطناعي يمكنه يسمع ويرى ويتكلم ويفكر ويتعلم ويتصرف، ويحسن قدرته على إدراك العالم الحقيقي والتعرف عليه وتنفيذ إجراءات اتخاذ القرار.

حتى يومنا هذا، لا تزال أبحاث الذكاء الاصطناعي تتبع مسار وهدف محاكاة البشر. إذا قلنا أن نماذج الذكاء الاصطناعي التوليدية الكبيرة التي تمثلها ChatGPT وSora وما إلى ذلك قد حسنت قدرات الذكاء الاصطناعي "الإدراك" و"الإدراك" للأشياء، لتكمل الخطوة الأولى نحو الذكاء الاصطناعي العام. ثم إن نموذج الذكاء الاصطناعي لاتخاذ القرار الذي يسمح للذكاء الاصطناعي باتخاذ "الاختيارات" المناسبة من خلال التعلم الآلي في بيئات الألعاب المعقدة والمتنوعة يمنح الذكاء الاصطناعي القدرة على "التصرف" واتخاذ قرارات مستقلة بناءً على نفسه وعلى المعلومات البيئية، مما يحقق خطوة حاسمة نحو الذكاء الاصطناعي العام.

على الرغم من أن أبحاث الذكاء الاصطناعي الحالية لا تزال بعيدة كل البعد عن تحقيق الذكاء الاصطناعي العام،فإن الجمع بين الذكاء الاصطناعي التوليدي والذكاء الاصطناعي لصنع القرار سوف يؤدي بلا شك إلى تحقيق الذكاء الاصطناعي العام يفتح إمكانيات جديدة، وتلعب الألعاب، باعتبارها ساحة اختبار لتدريب الذكاء الاصطناعي، دورًا متزايد الأهمية في أبحاث الذكاء الاصطناعي العامة. لقد رأينا أنه استنادًا إلى الجمع بين نماذج اللغة الكبيرة ووكلاء الذكاء الاصطناعي، تمكنا من إنشاء وكلاء ألعاب عامة مثل SIMA، والتي لا يمكنها اتخاذ قرارات فعالة في بيئة معينة فحسب، بل يمكنها أيضًا التعلم والتكيف بشكل مستمر بيئة غير معروفة، وإكمال المهام المعقدة المختلفة وفقًا لتعليمات اللغة الطبيعية، مما يُظهر ذكاءً شبيهًا بالإنسان. في المستقبل، مع استمرار بيئات التدريب في التزايد، قد يكون لدى وكلاء اللعبة العامين القدرة على فهم وفهم تعليمات لغوية أكثر تعقيدا وتقدما. ومن المتوقع أن يقوم الناس بإنشاء أنظمة ذكاء اصطناعي أكثر مرونة وأكثر قدرة على التكيف وأقرب إلى الذكاء البشري. . ونتطلع أيضًا إلى اليوم الذي يتمكن فيه العملاء الأذكياء ذوو الأغراض العامة من اجتياز اختبار عالم الألعاب الصغير والانتقال بسلاسة إلى المرحلة الواسعة من العالم الحقيقي، لخدمة آلاف الصناعات في المجتمع البشري.

شكرًا لـ Cao Jianfeng وLiu Lin وWang Peng وما إلى ذلك لتوجيهاتهم أثناء عملية كتابة هذا المقال!