أطلق فريق البحث تقنية جديدة تُعرف بـ GameSmith، التي تُعتبر تطورًا هامًا في مجال الألعاب والتعلم الذاتي. يعتمد هذا النظام على نماذج اللغة الكبيرة (LLMs) لتوليد ألعاب ثنائية اللاعبين ذات صيغة صفرية، مما يوفر مكافآت قابلة للتحقق وسهل الانتقال إلى مهارات التفكير العامة. ومع ذلك، كانت العمليات السابقة تعتمد على عدد محدود من الألعاب المكتوبة يدويًا، مما كان يشكل قيدًا على نطاق ابتكار الألعاب.

يقدم GameSmith حلاً مبتكرًا، حيث يقوم LLM بتوليد ألعاب جديدة داخل شفرات محددة مسبقًا، مما يضمن ثبات المكافأة والمعلومات الخفية. كل لعبة تُراجَع من خلال إعادة تشغيل قائمة على أزواج البذور وتنفيذ مستقل لمواصفاتها. وبعد ذلك، يتم توسيعها إلى متغيرات في الشفرات والقواعد والأحجام، مما أدى إلى إنتاج 26 لعبة جديدة و336 نوعًا معتمدًا.

تستند هذه الألعاب على تجارب تعليمية تم استقطابها من نموذج أكبر، Qwen3-32B، الذي تم تدريب نظام التعلم الذاتي الخاص به باستخدام تقنية CRAB، وهي أداة تقدير تفيد كل قرار بناءً على توقعات العائد. النتائج مدهشة، حيث تم رفع متوسط الأداء من 45.5 إلى 62.5، وهو أعلى من تلك الألعاب الثلاث الأساسية بنفس الميزانية. والأكثر إثارة هو أن عملية التعلم الذاتي باستخدام CRAB قد وصلت إلى أداء 64.9.

ليس فقط أن هذا التطور يعد تحسنًا كبيرًا في الأداء، بل يشكل أيضًا خطوة نوعية نحو توسيع نطاق إمكانيات التعلم عبر ألعاب جديدة تتوافر في أسرع وقت ممكن.

ما رأيكم في هذا التطور المثير؟ هل تتوقعون تأثيرات كبيرة لهذا النوع من الابتكار في مجالات أخرى؟ شاركونا في التعليقات.