什么？大模型也许很快就能生成《黑神话·悟空》这种 3A 大作了？！
《西游记》这就上桌，搭配 BGM，有内味儿了（doge）。
这就是腾讯近日推出的GameGen-O，一个专门生成开放世界视频游戏的 Transformer 模型。
简单说，这个模型能够模拟各种游戏引擎功能，生成游戏角色、动态环境、复杂动作等等。
当然也支持交互控制，用户可以通过文本、操作信号和视频提示来控制游戏内容。
消息一公布就在（前推特）开启了刷屏模式，网友们开始列队尖叫：
游戏工作室 Azra Games 的联创兼 CTO 更是直言：
GameGen-O 将成为游戏工作室的 ChatGPT 时刻。
“游戏工作室迎来 ChatGPT 时刻”
具体来说，这个项目由腾讯光子工作室（曾打造出和平精英）联合港科大、中国科大推出。
推测想要做的事儿，是用 AI 模型替代一些游戏开发环节。比如目前公布的游戏角色创建、游戏环境生成、动作生成、事件生成以及各种交互控制。
下面我们挨个预览一波~
现在，用 GameGen-O 就能直接生成各种角色了，西部牛仔、太空人、魔法师、警卫……一键生成。
经费不足造成真实取景困难，也有 plan B 了！
给队友展示骚操作，各种人称视角的动作生成也能轻松拿捏。
游戏必备环节——给玩家偶尔上亿点难度，海啸、龙卷风、火灾事件这就安排（doge）。
与此同时，GameGen-O 也支持开放域生成，即不限风格、环境、场景那种。
最后，用文本、操作信号和视频提示就能实现交互，向左、向右、走向黎明……
好家伙，谁都知道游戏开发有多烧钱，这下，普通玩家也能用 GameGen-O 制作游戏了。
一位 AI 架构师网友更是断言：
用 GPT-4o 标注数据
为了开发这个模型，团队自述主要进行了两项工作：
- 构建专有数据集 OGameData，采用 GPT-4o 标注数据
- 经历两个阶段的训练过程
具体来说，团队首先提出了一个数据集构建管道。
团队从互联网上收集了32,000 个原始视频，这些视频来自数百款开放世界游戏，时长从几分钟到几小时不等，类型包括角色扮演、第一人称射击、赛车、动作益智游戏等。
然后由人类专家对这些视频进行识别和筛选，最终得到大约15,000 个可用视频。
下一步，将筛选后的视频通过场景检测技术切割成片段，并对这些视频片段进行基于美学、光流和语义内容的严格排序和过滤。
接下来使用GPT-4o对超过4,000 小时的高质量视频片段进行细致的注释，这些片段的分辨率从 720p 到 4k 不等。
为了实现交互控制性，团队从注释后的数据集中选择最高质量的片段，并进行解耦标签（decoupled labeling）。
这种标签设计用于描述片段内容状态的变化，确保训练模型的数据集更加精细和互动。
对于这种人类专家和 GPT-4o 一起工作的形式，有网友认为：这是递归自我改进（recursive self-improvement）的一种形式。（人类专家确保了注释的准确性，并通过反馈机制帮助 GPT-4o 进行自我改进）
完成数据准备工作后，团队经过基础预训练+指令调整两个过程来训练 GameGen-O。
在基础训练阶段，GameGen-O 模型使用了一个2+1D VAE（变分自编码器，如 Magvit-v2）来压缩视频片段。
为了使 VAE 适应游戏领域，团队对 VAE 解码器进行了特定领域的调整。
团队采用了不同帧速率和分辨率的混合训练策略，以增强跨帧率和跨分辨率的泛化能力。
另外，模型的整体架构遵循了 Latte 和 OpenSora V1.2 框架的原则。
通过使用掩码注意力机制，让 GameGen-O 具备了文本到视频生成和视频续集的双重能力。
团队介绍称：
这种训练方法，结合 OGameData 数据集，使得模型能够稳定且高质量地生成开放领域的视频游戏内容，并为后续的交互控制能力奠定了基础。
在这之后，预训练的模型被固定，然后使用可训练的 InstructNet 进行微调，这使得模型能够根据多模态结构指令生成后续帧。
InstructNet 主要用于接受各种多模态输入，包括结构化文本、操作信号和视频提示。
在 InstructNet 分支的调整过程中，当前内容被用作条件，从而在当前片段内容和未来片段内容之间建立了映射关系，这在多模态控制信号下进行。
造成的结果是，在推理时，GameGen-O 允许用户基于当前片段不断生成和控制下一个生成的片段。
目前，GameGen-O 已创建 GitHub 官方仓库，只不过还没来得及上传代码。
感兴趣的童鞋可以先收藏一波了~
