💻 computer science

MASS: Multiplayer World Models with Authoritative Shared State

تقدم الورقة البحثية MASS، وهي بنية مبتكرة تعالج مشكلات القابلية للتوسع والاتساق في نماذج عوالم الفيديو متعددة اللاعبين من خلال فصل ديناميكيات الحالة العالمية عن الرندرة المعتمدة على الرؤية عبر حالة مشتركة موثوقة، مما يتيح محاكاة دقيقة لآلاف الوكلاء المتزامنين.

المؤلفون الأصليون: Ziqi Cai, Siqi Yang, Yimu Wang, Zixian Gao, Yunheng Liu, Shuchen Weng, Erwin Wu, Kaipeng Zhang, Boxin Shi

نُشر 2026-08-07

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Ziqi Cai, Siqi Yang, Yimu Wang, Zixian Gao, Yunheng Liu, Shuchen Weng, Erwin Wu, Kaipeng Zhang, Boxin Shi

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول تعليم حاسوب كيف يحلم بعالم لعبة فيديو. في الماضي، قام العلماء ببناء "نماذج عالم" تعمل مثل مخرج أفلام فائق الذكاء. تقول للمخرج: "اللاعب يتحرك يساراً"، فيتوقع المخرج الإطار التالي من الفيلم. هذا يعمل بشكل رائع في لعبة لاعب واحد حيث يشاهد شخص واحد فقط. ولكن ماذا يحدث عندما تحاول محاكاة لعبة جماعية ضخمة تضم ألف لاعب؟ الطريقة القديمة في القيام بالأمور تشبه مطالبة ألف مخرج مختلف بكتابة نسختهم الخاصة من نفس القصة. يبدأون جميعاً بنفس السيناريو، ولكن لأنهم يكتبون بشكل منفصل، سرعان ما يختلفون. مخرج يرى أن التنين على اليسار، وآخر يرى أنه على اليمين. يتعين على الحاسوب القيام بعشرة أضعاف العمل لمواكبة كل هذه القصص المتضاربة، وفي النهاية، ينهار العالم ويتحول إلى خلل تقني فوضوي وغير متسق.

هذه هي المشكلة التي تحاول ورقة بحثية جديدة تسمى MASS حلها. وهي تنتمي إلى مجال الذكاء الاصطناعي، وتحديداً "نماذج العالم"، وهي أنظمة تتعلم كيفية التنبؤ بكيفية تغير العالم بمرور الوقت. الفكرة الجوهرية هنا هي فصل "منطق" العالم عن "صورة" العالم. فكر في الأمر مثل بث رياضي مباشر: اللعبة نفسها (النتيجة، مواقع اللاعبين) شيء، وزوايا الكاميرا التي تعرض الأحداث للجماهير شيء آخر. تقترح الورقة البحثية أنه بدلاً من ترك كل كاميرا تخمن ما يحدث، يجب أن يكون لدينا حكم واحد موثوق يعرف الحالة الحقيقية للعبة، ثم نترك الكاميرات تكتفي بالتقاط صور لتلك الحقيقة.

يقترح الباحثون وراء MASS (نماذج العالم متعددة اللاعبين مع حالة مشتركة موثوقة) بنية مبتكرة تعمل مثل نظام الحكم هذا. فبدلاً من ترك الذكاء الاصطناعي يولد ألف بث فيديو قد تتعارض مع بعضها البعض، يقوم بتقسيم المهمة إلى فريقين متميزين. أولاً، يعمل "محرك المنطق" كدماغ للعبة. هو لا يهتم بكيف يبدو العالم؛ بل يهتم فقط بالقواعد والأرقام. يأخذ أفعال جميع اللاعبين البالغ عددهم 1,024 ويقوم بتحديث "لوحة نتائج" أو "حالة" واحدة مشتركة تصف بدقة مكان كل ثعبان، وكل قطعة طعام، وكل لاعب. هذه الحالة هي نوع من البيانات المهيكلة والمحددة، مما يعني أنها قائمة نظيفة من الحقائق وليست صورة ضبابية.

بمجرد تحديث هذه الحالة الواحدة الموثوقة، يتولى الفريق الثاني المسمى "محرك الرندرة" (التصيير) المهمة. هذا الفريق يشبه ألف مصور كاميرا مختلف. جميعهم ينظرون إلى نفس لوحة النتائج بالضبط ويولدون رؤية فريدة لكل لاعب بناءً على الاتجاه الذي تشير إليه كاميرته. ولأنهم جميعاً ينظرون إلى المصدر نفسه للحقيقة، فلا يمكن لأي لاعبين أن يريا واقعاً مختلفاً. إذا قالت لوحة النتائج إن الثعبان عند الإحداثي (5، 5)، فإن كل كاميرا سترى ثعباناً عند (5، 5). يسمح هذا النهج للنظام بمحاكاة عالم يضم 1,024 لاعباً متزامناً لـ 10,000 خطوة دون أن يرتبك الحاسوب أو ينهار العالم.

تظهر الورقة البحثية أن هذه الطريقة أفضل بكثير من المحاولات السابقة. في اختباراتهم على نسخة متعددة اللاعبين من لعبة الثعبان (Snake)، تمكن نظام MASS من استعادة الحالة الحقيقية للعبة بدقة 76.4%، بينما حققت أفضل الطرق السابقة المعتمدة على الفيديو حوالي 12.8% فقط. غالباً ما أدت الطرق القديمة إلى "عدم اتساق بين الرؤى"، حيث يرى اللاعب (أ) قطعة طعام، بينما لا يراها اللاعب (ب)، أو يراها في مكان مختلف. لقد أصلح MASS هذا تماماً، محققاً صفراً من الخلاف بين الرؤى. كما وجد الباحثون أنه من خلال فصل المنطق عن الرندرة، استطاعوا محاكاة العالم مرة واحدة ثم توليد أي عدد من زوايا الكاميرا دون إبطاء عملية المحاكاة. وهذا يشير إلى أنه بالنسبة للعوالم المعقدة والضخمة متعددة اللاعبين، فإن امتلاك "حقيقة" واحدة مشتركة هو المفتاح للحفاظ على سير كل شيء بسلاسة واتساق، تماماً كما يفعل خادم الألعاب عبر الإنترنت الحقيقي.

ملخص تقني: MASS (نماذج العوالم متعددة اللاعبين ذات الحالة المشتركة الموثوقة)

1. بيان المشكلة

تتفوق نماذج عوالم الفيديو الحالية (مثل GameNGen وOasis وDIAMOND) في البيئات أحادية اللاعب من خلال التنبؤ بالملاحظات المشروطة بالأفعال باستخدام البكسلات أو التمثيلات الكامنة المرئية كذاكرة متكررة. ومع ذلك، تعاني هذه النماذج في البيئات متعددة اللاعبين بسبب ثلاث قيود رئيسية:

الالتباس بين الحالة والمنظور: فهي تخلط بين ديناميكيات العالم والتمثيلات الكامنة المرئية المعتمدة على المنظور. في بيئة متعددة اللاعبين، يجبر هذا النموذج على الاحتفاظ بتواريخ متكررة منفصلة لكل منظور كاميرا.
التكرار وعدم الاتساق: تُشفر التواريخ المنفصلة نفس محتوى العالم المشترك بشكل مكرر، مما يؤدي إلى تكاليف حوسبة عالية تتناسب مع عدد المناظير، ويسمح للمناظير المتزامنة بالانحراف عن بعضها البعض، مما يؤدي إلى عدم اتساق فيما يتعلق بنفس الكيان.
غياب الحالة الموثوقة: تعتمد طرق التوليد متعددة اللاعبين الحالية (مثل Gamma-World وMultiWorld) على تمثيلات مرئية مشتركة أو توليد مشترك، لكنها تفتقر إلى حالة موثوقة ومصنفة (Typed State) تعمل كذاكرة متكررة وككائن للمزامنة في آن واحد. وبناءً على ذلك، لا يمكنها ضمان أن حالة عالم المحاكاة سليمة دلاليًا ومتسقة عبر جميع المناظير قبل عملية الرندرة (التصيير).

2. المنهجية

يقترح MASS تحولًا جذريًا في النموذج مستوحى من بنيات الألعاب عبر الإنترنت التقليدية، حيث يقوم صراحةً بفك الارتباط بين ديناميكيات العالم ورندرة المنظور. يعمل النظام وفق مبدأ "الحالة المشتركة أولاً":

أ. البنية الأساسية

يتكون النظام من ثلاثة مكونات رئيسية:

مُرمز حالة العالم (World State Tokenizer): يقوم برسم خرائط لحالة اللعبة إلى سجلات مُعلنة بواسطة مخطط خاص باللعبة ( $\Sigma_g$ ). يحدد المخطط أنواع الكيانات، والحقول، والأعداد. يقوم المُرمز بتحويل هذه السجلات إلى تسلسلات رموز ثابتة العرض، مع معالجة الأرقام والإحداثيات والأعلام (flags) باستخدام وسوم الأنواع.
محرك المنطق (Logic Engine): هو نموذج Transformer مُدرب بنظام فك الترميز فقط (decoder-only)، يقوم بتطوير الحالة الموحدة والموثوقة والمصنفة عالميًا.
- يأخذ الحالة الحالية ( $\hat{s}_t$ )، وأفعال اللاعبين المشتركة ( $a_t$ )، والمدخلات الخارجية ( $e_t$ ) للتنبؤ بالحالة التالية ( $\hat{s}_{t+1}$ ).
- يعمل على السجلات المصنفة، مستخدمًا آلية الانتباه الذاتي (self-attention) المحصورة داخل تسلسل كل سجل. يتم التعامل مع التفاعلات بين الكائنات عبر نوافذ الجوار التي يتم حسابها من الحالة المشتركة.
- والأهم من ذلك، أنه لا يحتوي على دوال انتقال مكتوبة يدويًا؛ إذ يتم تعلم الديناميكيات بالكامل.
محرك الرندرة (Rendering Engine): هو نموذج U-Net متبقٍ (residual) مُدرب لتخليق الملاحظات من الحالة المتنبأ بها.
- يأخذ الحالة المصنفة المسقطة ( $P_i(\hat{s}_t)$ ) ومعاملات الكاميرا ( $\kappa_i$ ) لتوليد إطار RGB ( $\hat{o}_t^i$ ).
- نظرًا لأن كل منظور يشترط الحالة المتنبأ بها نفسها، فإن عملية الرندرة مستقلة عن تكلفة انتقال العالم.

ب. التدفق التشغيلي

جانب الخادم (Server Side): يقوم محرك المنطق بتطوير حالة العالم مرة واحدة لكل نبضة (tick) بناءً على الأفعال المشتركة. يتم إصدار نسخة من هذه الحالة المتنبأ بها وتوزيعها على جميع العملاء.
جانب العميل (Client Side): يتلقى كل عميل لقطة الحالة الموثوقة. يقوم محرك الرندرة المحلي بتوليد المنظور المحدد لكاميرا ذلك العميل.
التعامل مع التوقفات: أثناء الانقطاعات في الشبكة، يمكن للعميل تطوير أحدث حالة موثوقة محليًا مؤقتًا باستخدام نفس محرك المنطق (عبر تزويده بأفعاله الخاصة واعتبار أفعال الآخرين كأفعال فارغة) للحفاظ على الاستجابة حتى وصول التحديث التالي من الخادم.

3. المساهمات الرئيسية

صياغة التنبؤ بالحالة الموثوقة: يصيغ البحث محاكاة تعدد اللاعبين المتعلمة كتنبؤ بـ حالة موثوقة ومصنفة واحدة، يتبعها رندرة مشروطة بالكاميرا. تعمل هذه الحالة كذاكرة متكررة، ومرجع للمزامنة، ومصدر لجميع مناظير العملاء.
البنية القائمة على المخطط (Schema-Based): طور المؤلفون نظامًا حيث يطور محرك المنطق سجلات الكيانات المصنفة بينما يقوم محرك الرندرة بتوليد الملاحظات. يلغي هذا التصميم الحاجة إلى دوال انتقال اللعبة الأصلية أثناء التشغيل، ويسمح لمحرك المنطق بالعمل كمُتنبئ محلي أثناء فجوات التحديث.
الفصل الصريح: من خلال فصل "المنطق" (الديناميكيات) عن "الرندرة" (المظهر)، يضمن النظام أن تكاليف المحاكاة مستقلة عن عدد الكاميرات التي يتم رندرتها.

4. النتائج التجريبية

قام المؤلفون بتقييم MASS على اختبار لعبة الثعبان (Snake) متعددة اللاعبين (1,024 لاعبًا متزامنًا) وقارنوه بنماذج أساسية رائدة (MultiWorld, B-PV, B-SL, B-UN).

استعادة الحالة: حقق MASS درجة استعادة للمحلل (Parser recovery score) بلغت 0.764، متفوقًا بشكل كبير على أقوى نموذج فيديو أساسي (B-PV بنسبة 0.128) وMultiWorld بنسبة 0.067. يشير هذا إلى قدرة عالية على استعادة حالة اللعبة الأساسية من الإطارات المرندرة.
الاتساق عبر المناظير: حقق MASS درجة عدم اتفاق بين المناظير (X-view disagreement) بلغت 0.000، مما يؤكد أن جميع المناظير متسقة تمامًا لأنها تفك تشفير الحالة نفسها. في المقابل، أظهرت النماذج الأساسية عدم اتفاق مرتفع (على سبيل المثال، MultiWorld بنسبة 0.984).
الجودة الإدراكية: حقق MASS أدنى قيمة LPIPS (0.098) بين جميع الطرق، مما يشير إلى جودة إدراكية فائقة مقارنة بالنماذج الأساسية (على سبيل المثال، MultiWorld بنسبة 0.277).
القابلية للتوسع: نجح النظام في تطوير عالم يضم 1,024 لاعبًا متزامنًا لمدة 10,000 خطوة متكررة.
التعميم: تم اختبار البنية عبر ثماني ألعاب مختلفة (Snake, Pac-Man, Tank Battle، إلخ)، مما أظهر أن نفس بنية المنطق/الرندرة، عند تشغيلها بأوزان ومخططات خاصة بكل لعبة، تدعم موضوعات بصرية وآليات متنوعة.

5. الأهمية والادعاءات

يدعي البحث أن نمذجة الحالة الموثوقة الصريحة توفر أساسًا عمليًا لمحاكاة عالم متعدد الوكلاء (multi-agent) واسع النطاق ومتسق.

الكفاءة: من خلال فصل مرحلة انتقال العالم عن مرحلة الرندرة، يطابق MASS نموذج الكفاءة لخوادم الألعاب التقليدية، حيث يتم محاكاة العالم مرة واحدة بغض النظر عن عدد المشاهدين.
القابلية للتحقق: يسمح استخدام الحالة المصنفة بالقياس المباشر لاستمرارية الكيانات، ودقة الموقع، وصحة الهيكل قبل توليد إطار واحد. وهذا يتيح تحديد مكان الخطأ بين الديناميكيات (محرك المنطق) والمظهر (محرك الرندرة).
القابلية للتوسع: يعالج هذا النهج عقبة "الاعتماد على المنظور" التي تواجهها النماذج الحالية، مما يسم يسمح بمحاكاة بيئات متعددة اللاعبين واسعة النطاق (أكثر من 1,024 كيانًا) دون أن تتناسب التكلفة الحوسبية طرديًا مع عدد المناظير.

يخلص المؤلفون إلى أن هذا النهج المنفصل يعد خطوة ضرورية نحو عوالم متعددة اللاعبين متعلمة ضخمة، مع اقتراح العمل المستقبلي لتوسيع هذه المبادئ لتشمل البيئات ثلاثية الأبعاد والتفاعلات الأكثر ثراءً بين الكيانات.