MASS: Multiplayer World Models with Authoritative Shared State
该论文介绍了 MASS，这是一种通过将全局状态动力学与视图相关渲染解耦，并利用权威共享状态来解决多人视频世界模型中可扩展性和一致性问题的创新架构，从而实现了对数千个并发智能体的精确模拟。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图教会一台计算机去构思一个电子游戏世界。在过去，科学家们构建过“世界模型”（world models），它们就像一位超级聪明的电影导演。你告诉导演：“玩家向左移动”，导演就会预测电影的下一帧画面。这对于只有一个人观看的单人游戏来说效果极佳。但当你试图模拟一个拥有上千名玩家的大型多人游戏时，情况会发生什么变化呢？过去的方法就像是请了一千位不同的导演，让他们各自编写同一个故事的版本。他们都从同一个剧本开始，但因为是各自独立编写，他们很快就会产生分歧。一位导演认为巨龙在左边，而另一位则认为它在右边。计算机必须多做一千倍的工作来追踪所有这些冲突的故事，最终，这个世界会崩塌成一个混乱且不一致的故障。
这正是新论文 MASS 试图解决的问题。它来自人工智能领域，特别是“世界模型”这一分支，即学习如何预测世界随时间变化的系统。这里的核心思想是将世界的“逻辑”与世界的“图像”分离。这就像一场体育现场直播：比赛本身（比分、球员的位置）是一回事，而向观众展示动作的摄像机视角则是另一回事。该论文建议，与其让每一台摄像机去猜测正在发生什么，我们应该有一个单一的、权威的裁判，他了解比赛的真实状态，然后让摄像机仅仅是对这一真相进行拍摄。
开发 MASS（具有权威共享状态的多人世界模型，Multiplayer world models with Authoritative Shared State）的研究人员提出了一种巧妙的新型架构，充当这种裁判系统。他们没有让 AI 生成一千个可能相互矛盾的视频流，而是将任务分成了两个不同的团队。首先，一个“逻辑引擎”（Logic Engine）充当游戏的大脑。它不在乎世界看起来是什么样的，它只关心规则和数字。它接收所有 1,024 名玩家的动作，并更新一个单一的、共享的“计分板”或“状态”，该状态精确描述了每条蛇、每个食物项和每个玩家的位置。这个状态是经过类型化和结构化的，这意味着它是一份干净的事实列表，而不是一张模糊的图片。
一旦这个单一的、权威的状态被更新，第二个被称为“渲染引擎”（Rendering Engine）的团队就会接管。这个团队就像是一千个不同的摄像机操作员。他们都看着完全相同的计分板，并根据各自摄像机指向的位置生成独特的视图。因为他们都在观察同一个真相来源，所以没有任何两个玩家会看到不同的现实。如果计分板显示一条蛇位于坐标 (5, 5)，那么每个摄像机看到的蛇都在 (5, 5)。这种方法使得系统能够模拟一个拥有 1,024 名并发玩家的世界，持续运行 10,000 个步骤，而不会让计算机感到困惑或导致世界崩溃。
论文表明，这种方法比以往的方法要好得多。在他们对多人版《贪吃蛇》游戏的测试中，MASS 系统能够以 76.4% 的准确率恢复游戏的真实状态，而表现最好的以往基于视频的方法仅能达到约 12.8%。旧的方法经常导致“跨视图不一致”（cross-view inconsistency），即玩家 A 看到了一个食物项，但玩家 B 却没有看到，或者他们看到的食物位置不同。MASS 完全解决了这个问题，实现了视图之间的零分歧。研究人员还发现，通过将逻辑与渲染分离，他们可以模拟一次世界，然后生成任意数量的摄像机视图，而不会减慢模拟速度。这表明，对于大型且复杂的多人世界，拥有一个单一的、共享的“真相”是保持一切运行顺畅且一致的关键，就像真实的在线游戏服务器一样。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。