تصور کنید همراه شما در بازی، به‌جای اینکه فقط سطح زره شما را چک کند، دقیقاً به یاد بیاورد هر بار کجا برای میان‌بر زدن، جان او را به خطر انداختید. یوهانس کورتز (Johannes Cortez) در یادداشتی که در ۳ اکتبر ۲۰۲۶ منتشر شد، استدلال می‌کند که آینده بازی‌ها در گرو عامل (Agent) — شبیه دستیاری که یاد می‌گیرد چطور با شما تعامل کند — است که تاریخچه تعاملات انسانی را ذخیره می‌کند، نه فقط آمارهای عددی.
بیشتر سیستم‌های پیشرفت در بازی‌های فعلی بر «لوداوت‌ها» (Loadouts) یا همان مجموعه‌ای از تجهیزات و سطح قدرت تکیه دارند. این‌ها دارایی‌های ایستا هستند که هر بازیکنی می‌تواند آن‌ها را کپی یا بازسازی کند. در مقابل، رابطه‌ای که بر اساس تجربه‌های مشترک ساخته شده، یک مجموعه داده منحصربه‌فرد است که هیچ کاربر دیگری نمی‌تواند آن را تکثیر کند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی حافظه بلندمدت مدل‌های زبانی اشاره کردیم، کلید شخصی‌سازی در ذخیره‌سازی دقیقِ بستر تعامل است. کورتز در این راستا به پتانسیل عامل‌هایی مانند موچی (Mochi) اشاره می‌کند که می‌توانند حتی وقتی بازیکن آفلاین است، در دنیای بازی حضور داشته باشند. این قابلیت یادآور دستاورد جدید در پیکربندی Markdown است که به عامل‌های هوش مصنوعی اجازه می‌دهد به موجودیت‌هایی خودگردان تبدیل شوند و استقلال بیشتری در محیط دیجیتال داشته باشند. طبق گزارش وب‌سایت dev.to، این عامل‌ها می‌توانند خلاصه‌ای از اتفاقات را ارائه دهند، اما جهش واقعی زمانی رخ می‌دهد که آن‌ها جزئیات آموزش بازیکن را به خاطر بسپارند:
- دستورات خاصی که بازیکن بیشترین تکرار را در آن‌ها دارد.
- میزان ریسکی که بازیکن به عامل اجازه می‌دهد بپذیرد.
- مواردی که عامل از دستور بازیکن سرپیچی کرد و نتیجه بهتری گرفت.
این تغییر، تعریف «قدرت» در بازی را جابه‌جا می‌کند. بر اساس این دیدگاه، قدرتمندترین دارایی بازیکن دیگر یک شمشیر با قدرت +۱۰ نیست، بلکه سطح عمیقی از اعتماد با عاملی است که سبک بازی او را می‌شناسد. این سازوکار، هوش مصنوعی را از یک ابزار ساده به یک شریک شخصی تبدیل می‌کند. در این مسیر، ایجاد لایه‌های هماهنگی برای ارتباط مستقیم میان عامل‌ها می‌تواند تجربه تعاملات اجتماعی میان عامل‌های مختلف در یک دنیای بازی را پیچیده‌تر و واقعی‌تر کند.
برای بازیکنان، این یعنی سرمایه‌گذاری در بازی دیگر صرفاً تلاش برای جمع‌آوری لوت (Loot) نیست. این تبدیل به یک سرمایه‌گذاری عاطفی و رفتاری روی یک موجود دیجیتال می‌شود. ارزش از «آنچه شخصیت دارد» به «آنچه شخصیت درباره بازیکن می‌داند» تغییر می‌کند.
با ادغام حافظه‌های پیچیده‌تر در شخصیت‌های غیرقابل‌بازی (NPC)، باید منتظر بازی‌هایی باشیم که ثبات رفتاری را به‌جای بهینه‌سازی تجهیزات پاداش می‌دهند.
گام بعدی شما
- در بازی‌های جدید، به‌جای تمرکز بر راهنماهای ارتقای تجهیزات، روی اثر رفتارهای تکراری خود بر واکنش‌های NPCها دقت کنید.
- اگر توسعه‌دهنده هستید، به‌جای متغیرهای عددی برای پیشرفت، از ذخیره‌سازی «رویدادهای کلیدی تعاملی» در حافظه عامل استفاده کنید.
- بررسی کنید که آیا مدل‌های فعلی شما می‌توانند تضاد بین دستور بازیکن و نتیجه بهینه را به عنوان یک «تجربه یادگرفته‌شده» ذخیره کنند؟
اما زیرساخت‌های محاسباتی برای اجرای این حافظه‌های پویا در مقیاس وسیع، چالش‌های جدیدی ایجاد می‌کند. برای مثال، مدیریت کنترل و مهار عامل‌های خودمختار از طریق سخت‌افزار یکی از راهکارهای کلیدی برای جلوگیری از رفتارهای پیش‌بینی‌نشده در این سیستم‌های پیچیده است — به تحلیل ما درباره هزینه استنتاج در مدل‌های لبه مراجعه کنید.
گفتگو