درون فرآیند هدایت سیستم‌های هوشمند برای شبیه‌سازی محیط‌های شهری پیچیده

تصور کنید بخواهید یکی از پیچیده‌ترین بازی‌های جهان را بسازید، اما به‌جای سال‌ها تلاش هزاران نفر، تنها ۹ روز زمان داشته باشید. زی‌ون شو، توسعه‌دهنده ۲۵ ساله، دقیقاً همین ریسک را پذیرفت تا ثابت کند مرزهای تولید نرم‌افزار در حال فروپاشی است. او مسیر خود را با این جمله آغاز کرد: «دروز اولِ ساخت GTA6 شخصی؛ هنوز حس می‌کنم در رویایم هستم.»

به نقل از گزارش IT之家 در ۲۱ ژوئن ۲۰۲۴، شو با استفاده از ارتشی از عامل‌های هوش مصنوعی (AI Agents) — که شبیه دستیارهای تخصصی هستند و هر کدام بخشی از پروژه را پیش می‌برند — شروع به ساخت نسخه‌ای غیررسمی از GTA6 کرد. او در این مسیر از مدل Claude Max 20x برای مدیریت فرآیند توسعه استفاده کرد. او کل این سفر ۹ روزه را در شبکه اجتماعی X مستند کرد تا نشان دهد چگونه می‌توان یک نمونه اولیه از یک شهر جهان‌باز (Open-world) را با سرعت خیره‌کننده ساخت، در حالی که تمام دنیا منتظر انتشار نسخه رسمی شرکت Rockstar هستند.

این پروژه در حالی پیش می‌رود که صنعت بازی‌های AAA معمولاً با چرخه‌های ده-ساله و بودجه‌های میلیاردی اداره می‌شود. شو اما بازی‌سازی را به یک تسک «هماهنگ‌سازی هوش مصنوعی» تبدیل کرده است. او در واقع در حال مدل‌سازی «دموکراتیزه شدن» خلق بازی‌های با کیفیت بالاست؛ جایی که مهارت اصلی از کدنویسی دستی به «هدایت سیستم» تغییر می‌یابد. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی سامانه‌های چندعاملی (Multi-agent Systems) اشاره کردیم، قدرت این ابزارها در این است که می‌توانند وظایفی را که پیش‌تر نیاز به نظارت انسانی لحظه‌ای داشت، به‌صورت خودکار و در مقیاس وسیع اجرا کنند.

طبق مستندات منتشر شده در X، شو متدی را به نام «برنامه‌نویسی اتمسفری» ابداع کرد. در این روش، یک حلقه از عامل‌ها درخواست‌های ویژگی‌های جدید را از جامعه کاربران جمع‌آوری کرده و به‌طور خودکار درخواست‌های ادغام کد (Merge Request) را در یک مخزن عمومی گیت‌هاب ارسال می‌کنند. پروژه او که GT-Caliber نام دارد، بدون هیچ ناشر رسمی یا بودجه استودیویی پیش می‌رود. شو به‌طور کامل بر مشارکت داوطلبان و علاقه‌مندان تکیه کرده است تا پروژه را به جلو براند. دمو اولیه او بسیار ساده بود: یک مکعب آبی‌رنگ که روی یک صفحه سه بعدی خالی حرکت می‌کرد و نقطه شروع تمام توسعه‌های بازی را نمایندگی می‌کرد.

سیر تکاملی این پروژه در ۹ روز، هرچند پرشتاب، اما آشفته بود:

• تغییر موتور بازی‌سازی: او در یک هفته سه بار موتور خود را عوض کرد. در ابتدا توصیه‌ها برای تغییر موتور را نادیده گرفت و با Godot شروع کرد، سپس در روز هفتم به Unreal Engine مهاجرت کرد و در نهایت به‌دلیل بلوغ تجاری و مناسب بودن برای بازی‌های سطح 3A، بر روی Unity متوقف شد.
• تولید دارایی‌ها: ابزارهای مختلف هوش مصنوعی برای تولید کلیپ‌های خبری، شخصیت‌ها، خودروها و ساختمان‌هایی به کار گرفته شدند که دقیقاً با زیبایی‌شناسی بصری شرکت Rockstar مطابقت داشته باشند.
• دستاوردها: تا روز سوم، سیستم‌های پیچیده‌ای پیاده‌سازی شد؛ از جمله عابران پیاده خودکار (NPCs)، ترافیک خودروها، یک سیستم سلاح کاربردی و حتی یک گوشی موبایل داخلی که اپلیکیشنی شبیه به اینستاگرام داشت.
• جغرافیا: در روز هفتم یک منطقه مسکونی کامل همراه با خیابان‌ها تولید شد. با این حال، هوش مصنوعی به‌جای میامی (که هدف اصلی بود)، شهر لوس‌آنجلس را مدل‌سازی کرد. با این وجود، شو اشاره کرد که این اولین باری بود که پروژه شبیه به یک عنوان واقعی GTA به نظر می‌رسید و نه یک پیش‌نمونه خام.

این پیشرفت سریع، شکاف عظیمی را در بهره‌وری تولید نشان می‌دهد. در حالی که شرکت Rockstar Games تاریخ پیش‌سفارش GTA6 را ۲۵ ژوئن ۲۰۲۶ اعلام کرده و عرضه نهایی آن برای ۱۹ نوامبر روی کنسول‌های PS5 و Xbox Series X|S برنامه‌ریزی شده است، شو در حال تکرار سریع ایده‌هایش است. آثار رسمی بازی با سبک کلاژ همیشگی این سری است و شخصیت‌های اصلی یعنی «جیسون دووال» و «لوسیا کامینوس» را نمایش می‌دهد.

راکستار ۱۳ سال زمان و هزاران توسعه‌دهنده را صرف این عنوان کرده است؛ در حالی که پروژه شو هر روز تکامل می‌یابد. این بدان معناست که شو تقریباً ۵ ماه فرصت دارد تا با یک چرخه توسعه سریع، با محصولی رقابت کند که ۱۳ سال زمان برده است.

برای یک سازنده عادی، این اتفاق یعنی دیگر نیازی به داشتن مدرک تخصصی در زبان C++ برای خلق یک دنیای سه‌بعدی نیست؛ تنها مهارت لازم، توانایی مدیریت یک جریان کاری چندعاملی (Multi-agent workflow) است. با این حال، ریسک «توهم معماری» (Hallucinated Architecture) همچنان وجود دارد؛ همان‌طور که در این پروژه مشاهده شد، مدل AI جغرافیا را به‌اشتباه قرار داد.

چه GT-Caliber به یک بازی قابل اجرا تبدیل شود و چه صرفاً به عنوان یک گزارش توسعه ویروسی باقی بماند، ثابت کرد که عامل‌های هوش مصنوعی اکنون می‌توانند بخش «نیروی سخت» تولید کد و دارایی‌ها را با سرعتی پیش ببرند که منطق سنتی صنعت بازی را به چالش می‌کشد.

گام بعدی شما

• مخزن گیت‌هاب پروژه GT-Caliber را دنبال کنید تا ببینید آیا سیستم‌های تولیدشده با AI در محیط‌های بزرگ‌تر و فراتر از یک منطقه شهری، پایدار می‌مانند یا خیر.
• ابزارهای تولید دارایی‌های سه‌بعدی (3D Assets) مبتنی بر AI را برای پروژه‌های کوچک خود آزمایش کنید.
• یاد بگیرید چگونه از مدل‌های استدلالی برای مدیریت توالی کدهای پیچیده در موتور Unity استفاده کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.