گروهی متنوع از محققان انویدیا، استنفورد، کلتک و سایر موسسات، NitroGen را معرفی کرده‌اند. در پستی در لینکدین در روز جمعه، جیم فن، مدیر هوش مصنوعی و دانشمند برجسته انویدیا، NitroGen را به عنوان «یک مدل بنیادی متن‌باز که برای بازی کردن بیش از ۱۰۰۰ بازی آموزش دیده است» معرفی کرد. با این حال، پیامدهای آن بسیار گسترده‌تر است و از دنیای بازی‌ها به دنیای واقعی سرایت می‌کند و مزایای قابل توجهی برای شبیه‌سازی‌ها و رباتیک دارد.

می‌توان گفت، این تحقیق تلاشی برای تقطیر یک «GPT برای اقدامات» است. بنابراین، این یک نوع پیشرفت در LLM است که این فناوری آموزش در مقیاس بزرگ و اثبات‌شده را فراتر از حوزه‌های زبان و بینایی کامپیوتری به کار می‌گیرد. علاوه بر این، ساخت پیشگامانه «عوامل تجسم‌یافته با قابلیت‌های عمومی که می‌توانند در محیط‌های ناشناخته عمل کنند، مدت‌هاست که به عنوان یک هدف نهایی در تحقیقات هوش مصنوعی در نظر گرفته شده است»، این موضوع در مقدمه مقاله تحقیقاتی تأکید شده است.

جالب اینجاست که پایه و اساس NitroGen، معماری GROOT N1.5 است که در ابتدا برای رباتیک طراحی شده بود. و کاربرد آن در دنیای بازی‌ها پتانسیل بازگشت و ارائه مزایای بزرگ به ربات‌هایی که در محیط‌های متنوع یا غیرقابل پیش‌بینی کار می‌کنند را نیز نشان می‌دهد.

NitroGen برای بازی کردن عناوینی با مکانیک و فیزیک بسیار متفاوت سازگار شده است – این ماهیت و لذت بازی‌های ویدیویی است. محققان از بیش از ۴۰,۰۰۰ ساعت ویدیوهای گیم‌پلی عمومی که توسط استریمرها به اشتراک گذاشته شده بود، استفاده کردند. ویدیوهایی که در آن‌ها گیمرها تعاملات گیم‌پد خود را به صورت بلادرنگ روی استریم نمایش داده بودند، به ویژه مفید بودند.

در آزمایش‌ها، NitroGen در بازی‌هایی به تنوع «RPG، پلتفرمر، بتل رویال، مسابقه‌ای، دو بعدی، سه بعدی، هر چه که فکرش را بکنید!» موفق بود، فن با شور و شوق می‌گوید. در حالی که نتایج امیدوارکننده هستند، دانشمند انویدیا می‌گوید که این تازه آغاز راه است و مسیر طولانی برای پیشرفت باقی مانده است.

این اولین نسخه از NitroGen عمداً بر کنترل حرکتی سریع، یا «غریزه گیمر»، همانطور که فن آن را می‌نامد، متمرکز شده است. طبق تحقیقات به اشتراک گذاشته شده، LLM جدید همچنین «صلاحیت قوی در حوزه‌های متنوع» دارد و این مدل در دنیاهای تولید شده به صورت رویه‌ای و همچنین بازی‌های دیده نشده با «۵۲٪ بهبود نسبی در نرخ موفقیت وظایف نسبت به مدل‌های آموزش دیده از ابتدا» کار می‌کند.

تمام تحقیقات مربوط به NitroGen تاکنون متن‌باز شده است و علاقه‌مندان به بازی، رباتیک و LLMها تشویق می‌شوند تا با آن کار کنند. تغییرات در وزن‌های مدل از پیش آموزش‌دیده، کل مجموعه داده‌های عملیاتی و کد، همگی برای خلاقیت و دستکاری شما آزاد هستند.