De nieuwe tool van Roblox werkt door de 3D-blokken waaruit de miljoenen werelden van het spel bestaan te ‘tokeniseren’, of ze te behandelen als eenheden waaraan een numerieke waarde kan worden toegewezen op basis van hoe waarschijnlijk het is dat ze de volgende in een reeks zullen zijn. Dit is vergelijkbaar met de manier waarop een groot taalmodel met woorden of delen van woorden omgaat. Als je ‘De hoofdstad van Frankrijk is…’ in een groot taalmodel zoals GPT-4 plaatst, wordt er bijvoorbeeld geschat wat het volgende token waarschijnlijk zal zijn. In dit geval zou het “Parijs” zijn. Het systeem van Roblox verwerkt 3D-blokken op dezelfde manier om een omgeving te creëren, blok per hoogstwaarschijnlijk het volgende blok.
Het vinden van een manier om dit te doen was om verschillende redenen moeilijk. Ten eerste zijn er veel minder gegevens voor 3D-omgevingen dan voor tekst. Om zijn modellen te trainen, moest Roblox vertrouwen op gebruikersgegevens van zowel makers als externe datasets.
“Het vinden van hoogwaardige 3D-informatie is moeilijk”, zegt Anupam Singh, VP AI en Growth Engineering bij Roblox. “Zelfs als je alle datasets krijgt die je maar kunt bedenken, moet je, om de volgende kubus te kunnen voorspellen, letterlijk drie dimensies hebben, X, Y en Z.”
Het ontbreken van 3D-gegevens kan vreemde situaties creëren waarin objecten op ongebruikelijke plaatsen verschijnen, bijvoorbeeld een boom midden op uw racecircuit. Om dit probleem te omzeilen, zal Roblox een tweede AI-model gebruiken dat is getraind op meer 2D-gegevens, afkomstig uit open source en gelicentieerde datasets, om de prestaties van het eerste te controleren.
Terwijl een AI een 3D-omgeving creëert, zal een 2D-model de nieuwe omgeving in 2D omzetten en evalueren of het beeld logisch consistent is of niet. Als de beelden niet kloppen en je hebt bijvoorbeeld een kat met twaalf armen die een raceauto bestuurt, genereert de 3D AI keer op keer een nieuw blok totdat de 2D AI “goedkeurt”.
Roblox-gameontwerpers zullen nog steeds betrokken moeten worden bij het creëren van leuke game-omgevingen voor de miljoenen spelers van het platform, zegt Chris Totten, universitair hoofddocent aan het animatiegame-ontwerpprogramma van Kent State University. “Veel niveaugeneratoren zullen iets produceren dat eenvoudig en plat is. Je hebt een menselijke hand nodig om te begeleiden”, zegt hij. “Het is alsof mensen een opstel proberen te maken met ChatGPT voor de les. Het zal ook een gesprek op gang brengen over wat het betekent om een goed, spelervriendelijk levelontwerp te maken?”