هوش مصنوعی با احمق‌ترین درخواست، طراحی بازی را شکست داد

تنها دو روز پس از انتشار Claude Opus 5، سرمایه‌گذار هوش مصنوعی و مدیر سابق HyperWrite، مت شومر، ویدیویی از یک تیرانداز اول شخص کاملاً قابل بازی که مدل به‌طور کامل به‌تنهایی ساخته بود، منتشر کرد.

"Claude Opus 5 این بازی را یک‌ضربه‌ای ساخت،" او نوشت و افزود که هیچ دارایی خارجی‌ای به ساختار آن وارد نشده است.

اکنون، ممکن است فکر کنید که چنین خروجی با کیفیت خوبی نیاز به یک درخواست طولانی، دقیق و مراقبتی دارد تا مدل‌های هوش مصنوعی را در پیچیدگی‌های ساخت یک تیرانداز اول شخص صیقلی راهنمایی کند.

دوباره فکر کنید.

درخواست پشت آن شامل سه پاراگراف کوتاه بود که به‌طور کامل در GitHub منتشر شده است. این درخواست به Opus 5 گفت که یک تیرانداز در سطح جدیدترین بازی‌های Call of Duty بسازد، زیرعامل‌هایی را که هرکدام حافظه و کار خاص خود را دارند، به کار بگیرد تا بخش‌ها را به‌طور جداگانه انجام دهند و بر روی هر بخش با یک منتقد جداگانه و سخت‌گیر ادامه دهد تا زمانی که در برابر تصاویر واقعی Call of Duty در یک تست کور کنار هم قرار گیرد. نتیجه، طبق درخواست، باید "کاملاً بی‌نقص" باشد.

این یک معکوس از نحوه‌ای است که مهندسان درخواست به مردم آموزش داده‌اند. مشاوره در طول رونق کدگذاری احساسات این بود که معیارها را مشخص کنید به جای صفت‌ها: بگویید "خوب" به چه معناست به جای اینکه فقط از آن بخواهید. کد باید به چه چیزی توجه کند به جای اینکه بگویید "AAA."

نسخه شومر تقریباً برعکس این عمل می‌کند و از زیرعامل‌های خود می‌خواهد که "کاملاً شگفت‌زده" شوند و تعریف واقعی را به یک منتقد واگذار می‌کند که Opus 5 برای خود ساخته است.

دو ویژگی کد Claude این حلقه را حمل می‌کنند. زیرعامل‌ها در پنجره‌های زمینه‌ای ایزوله با دستورالعمل‌ها و دسترسی به ابزار خود چرخش می‌کنند، بنابراین یک منتقد که مدل سلاح را ارزیابی می‌کند، عذرهای سازنده را برای اینکه چرا به این شکل به نظر می‌رسد، به ارث نمی‌برد. Ultracode یک تنظیم کد Claude است که مدل را به بالاترین تلاش استدلال خود سوق می‌دهد و به آن اجازه می‌دهد تا برنامه ارکستراسیون خود را بنویسد و کار را در بین حداکثر 16 عامل به‌طور همزمان پخش کند، با حداکثر 1,000 در هر اجرا.

مهارت /loop داخلی Anthropic، که برای چرخه‌های اصلاح-آزمایش-تنظیم تکراری ساخته شده است، چیزی است که مانع از توقف اجرا در لحظه‌ای که بازی به نظر خوب می‌رسید، شد. شومر هرگز تعداد دورها را مشخص نکرد. او اجازه داد که منتقد یک شکاف جدید را نام ببرد و سازنده را برای ساعت‌ها به دنبال آن نگه دارد تا اینکه خود جلسه را بست.

ساخت نهایی بر روی Three.js و WebGL2 ساده اجرا می‌شود و تقریباً 55,000 خط کد در 11 زیرسیستم پخش شده است. هر بافت، مش، انیمیشن و صدا در داخل مرورگر در زمان بارگذاری تولید می‌شود---هیچ مدل دانلود شده، HDRI، فایل‌های تصویری یا فایل‌های صوتی وجود ندارد. گزارش منتقد منتشر شده شومر نشان می‌دهد که امتیاز از 3.59 از 10 به بالای 5 افزایش یافته است، که هنوز هم در هر دور از بازی واقعی عقب‌تر است.

شکاکان فرض کردند که ساعت‌ها کدگذاری دستی پنهان وجود دارد، بنابراین شومر کل درخواست و پایگاه کد را منتشر کرد. این زمانی بود که کپی‌کاران شروع به کار کردند.

جیمز آلتوچر، مدیر سابق صندوق پوشش ریسک و پادکستر، همان درخواست را اجرا کرد و گزارش داد که "کمی بیش از ده ساعت" و تقریباً 1.3 میلیون توکن را بر روی Opus 5 صرف کرده است تا به آنجا برسد. ساخت او، Operation Blackout، به‌صورت رایگان در مرورگر بازی می‌شود و فوق‌العاده به نظر می‌رسد.

توسعه‌دهنده Prompt Silo، همان درخواست را به پرچمدار رقیب OpenAI اشاره کرد و "Sol 5.6 Ultra با همان درخواست" را منتشر کرد---Sol بالاترین سطح از خانواده سه‌مدل GPT-5.6 است که OpenAI به‌طور عمومی در 9 ژوئیه در کنار نسخه‌های ارزان‌تر Terra و Luna در دسترس قرار داد.

توسعه‌دهنده لئون لین حرکت معکوس را امتحان کرد و به دنبال درخواست دقیق معمولی رفت. به جای کپی کردن نسخه کوتاه شومر، او به دنبال "مهندسی معکوس یک درخواست برای این بازی" بود و مستندی تولید کرد که تقریباً 20 بخش عمیق دارد که همه چیز از فیزیک رگدول تا نقشه‌های سایه‌ای آبشاری را توضیح می‌دهد. او این را به Cursor با استفاده از Opus 5 ساده در تلاش بالا وارد کرد، بدون زیرعامل‌ها و بدون ultracode، و نتیجه---یک تیرانداز خیابانی به نام Dust Corridor---همچنین در مرورگر بازی می‌شود و به‌نظر عالی می‌رسد.

هیچ‌یک از ساخت‌های پیگیری شده آزمایش کور را که شومر بر روی پروژه خود انجام داد، نداشته‌اند. گزارش منتقد او هنوز نشان می‌دهد که Call of Duty واقعی در هر دوری که ثبت کرده است، برنده شده است---میزانی که آلتوچر و استودیو Atom Tan با درخواست سه‌پاراگراف دقیق او دنبال می‌کنند و آنچه که لئون لین با تقریباً 20 بخش از خود دنبال می‌کند.

چقدر از این واقعاً جدید است؟

ابزارهای کدگذاری عاملی مانند کد Claude نرم‌افزار را به روشی می‌نویسند که یک مهندس جوان تحت نظارت ممکن است: آن‌ها فایل‌ها را می‌خوانند، کد را اجرا می‌کنند، به تصاویری که تولید می‌کنند نگاه می‌کنند و بخش‌هایی از کار را به زیرعامل‌ها و منتقدانی می‌سپارند که نتیجه را با هدف بیان شده بررسی می‌کنند. این حلقه واقعی است و حلقه Gauntlet شومر یک روش واقعی برای ساختاردهی آن است. هیچ‌کدام از این‌ها به‌تنهایی ثابت نمی‌کند که مدل یک بازی را از تخیل طراحی کرده است نه اینکه الگوهای کدی را که قبلاً جذب کرده است، دوباره ترکیب کند.

این به این معنی نیست که Claude of Duty جعلی است، اما ادعای "ساخته شده از ابتدا" را سخت‌تر می‌کند، بنابراین این نتایج را با دقت بررسی کنید.

پژوهشگرانی که مدل‌های تولید کد را مطالعه می‌کنند، نامی برای مسئله وسیع‌تر دارند: آلودگی داده، زمانی که یک مدل در یک وظیفه خوب عمل می‌کند عمدتاً به این دلیل که نمونه‌های تقریباً یکسانی قبلاً در داده‌های آموزشی آن وجود داشته است، نه به این دلیل که چیزی جدید را استدلال کرده است.

هیچ‌یک از ساخت‌های تیرانداز اول شخص آزمایش‌هایی برای این نوع آلودگی منتشر نکرده‌اند. مخزن خود شومر شامل خلاقیت خود Claude است، اگر عادلانه باشد که این‌گونه آن را بنامیم. این دلیلی است برای خواندن "یک بازی AAA را یک‌ضربه‌ای ساخت" به عنوان یک عامل توانمند که در یکی از مستندترین ژانرها در برنامه‌نویسی کار می‌کند، نه به عنوان مدرکی که یک هوش مصنوعی با هیچ هنر قبلی طراحی کرده است.

این محتوا صرفاً برای اطلاع‌رسانی عمومی ارائه شده است و به‌منزله مشاوره مالی، سرمایه‌گذاری، حقوقی یا مالیاتی تلقی نمی‌شود. هرگونه رویداد، جایزه، کمپین آنلاین یا اطلاعات مرتبط که در اینجا ذکر شده است، نباید به‌عنوان توصیه، ترغیب یا دعوت به خرید، فروش، معامله یا هرگونه دادوستد دیگر دارایی‌های رمزارزی تلقی شود. دارایی‌های رمزارزی از نوسان بالایی برخوردار هستند و ممکن است منجر به زیان شوند. دسترسی به خدمات، محصولات و رویدادهای مرتبط با WEEX ممکن است بسته به منطقه جغرافیایی متفاوت باشد. اطمینان از اینکه استفاده شما از این خدمات با قوانین و مقررات محلی مطابقت دارد، بر عهده خود شماست.