有时候沉浸在另一个世界很令人愉悦 —— 但如果是创造一个属于自己的世界呢?
在使用人工智能创建角色来练习调情技巧之后,我开始好奇用 AI 构建一个充满角色的完整世界需要什么。最重要的是,我想知道这对非专业人士或铁杆桌游玩家来说是否足够简单。
在浏览各种网站时,我发现了 GameForge AI,它以能够构建超越角色和对话的真实世界而闻名。
什么是 GameForge AI?
GameForge AI 由 Ben Pollack 于 2023 年创立,他将自己在产品管理和创业方面的背景结合起来创建了这家公司。
该平台的主要特点当然是使用 AI 来简化游戏开发过程,减少时间和精力投入。
我对 AI 在游戏领域构建一切的能力非常着迷,所以我深入研究了 GameForge AI 的功能。
如何使用 GameForge AI 构建世界
虽然我没有创建一个完整的游戏 (你可以在 GameForge 中实现,但那将是一个更长的过程),但我发现这个循序渐进的系统是浏览该网站最简单的方式:
1. 在其网站上注册 GameForge AI 平台并验证电子邮件。你还需要创建一个 Discord 账号。
2. 开始一个新项目,描述你想要创建的游戏类型的设定。在这里你可以列出想要游戏世界呈现的初步想法和主题。
3. 你可以开始在游戏中构建角色、游戏、场景、任务和谜题。你可以使用 AI 工具的建议来完善叙事,也可以描述和生成自己的内容。(注意:我发现任何内容生成都需要 5 分钟以上。)
4. 如果你选择 AI 生成叙事,可以调整和自定义内容以符合你的愿景。一旦你使用工具模拟游戏玩法并检查游戏中的任何不一致之处,看看哪些地方可能需要 AI 的帮助。
5. 如果你能完成完整的游戏设计,恭喜!完成项目并准备与朋友分享,包括在其他平台上发布,或继续编辑游戏以产生新的想法。
对于视觉学习者来说,我找到了一个视频,有人挑战该平台在"五分钟内创建一个城市和铁匠铺"。关于他的成功,这位玩家分享道:"在 GameForgeAI 上我可以做很多事情,可以创建图像。我可以同时生成各种各样的东西。这就是我喜欢开始一个新场景的方式,可以获得新的灵感。"
对于像我这样没有耐心的人来说,观看这些视频是个不错的选择。我们想看到 GameForge 能做的一切,但在标准和隐身标签页中都发现 AI 生成速度很慢。
谁应该使用 GameForge AI?
由于 GameForge AI 主要存在于 Discord 上,其设置和功能类似于 AI 驱动的创意写作应用。
GameForge AI 是为...没错,游戏玩家打造的。这包括游戏设计师和对创建自己的游戏感兴趣的创作者、桌面游戏爱好者、学生,以及任何可以轻松在 Discord 账号中添加新服务器的人。
虽然 GameForge AI 的免费版本在游戏设计师模式中功能有限,但每月 12 美元的升级版提供无限实体生成和完整地图集成,以及完全可定制的 AI 生成非玩家角色。这允许增强性能和视觉优化 (即更快的 AI 生成) —— 此外还有客服团队帮助解决问题。
现在,GameForge AI 相对较新,应该与类似平台如 AI Dungeon、NovelAI 和 KoboldAI 进行比较,但 GameForge AI 的目标是专注于世界构建响应,不仅仅局限于对话。它使用"思维链"构建过程,帮助创建复杂的世界和角色,这些角色具有叙事驱动性,并注意到他们与周围世界相关的故事。
如果你喜欢角色扮演游戏,且在构建故事时环境对你很重要,那么 GameForge AI 可能是一个很好的伙伴,可以增强你的视觉世界并按照你的喜好进行导航。或者借助 AI 的帮助。
好文章,需要你的鼓励
在技术快速发展的时代,保护关键系统越来越依赖AI、自动化和行为分析。数据显示,2024年95%的数据泄露源于人为错误,64%的网络事件由员工失误造成。虽然先进的网络防御技术不断发展,但人类判断仍是最薄弱环节。网络韧性不仅是技术挑战,更是人员和战略需求。建立真正的韧性需要机器精确性与人类判断力的结合,将信任视为战略基础设施的关键要素,并将网络韧性提升为国家安全的核心组成部分。
华南师范大学团队开发的GraphTracer框架,通过构建信息依赖图解决多智能体系统高失败率问题。该方法摒弃传统时间序列分析,追踪信息流网络精确定位错误根源,在失败归因准确率上比现有方法提升18.18%,并已开源供实际应用。
自计算机诞生以来,人们就担心机器会背叛创造者。近期AI事件包括数据泄露、自主破坏行为和系统追求错误目标,暴露了当前安全控制的弱点。然而这种结果并非不可避免。AI由人类构建,用我们的数据训练,在我们设计的硬件上运行。人类主导权仍是决定因素,责任仍在我们。
杜克大学研究团队通过几何框架分析发现,AI推理过程呈现连续"流动"特征而非离散跳跃。研究表明逻辑结构像河床般调节推理流的速度和方向,即使面对不同语言和领域的内容,相同逻辑结构的任务在AI内部表现出惊人的几何相似性。这一发现颠覆了AI为"随机鹦鹉"的传统认知,证明AI具备真正的逻辑理解能力,为AI可解释性和系统优化开辟新方向。