Ivan JAKIĆ

6. april 2025.

Novi AI model kompanije Microsoft, World and Human Action MaskGIT ili WHAMM, predstavlja unapređenu verziju prethodnog WHAM-1.6B modela, prikazanog u februaru. WHAMM koristi prednosti MaskGIT arhitekture, te za razliku od prethodnika, poseduje paralelno generisanje vizuelnih tokena, značajno smanjujući kašnjenje što dalje omogućava ključni korak ka tečnim interakcijama u igrama – generisanje slika u realnom vremenu. 

Trening proces novog modela je, takođe, zasnovan na inovacijama i usavršenim idejama. WHAM-1.6B je „oduzeo” sedam godina podataka iz igara kako bi bio obučen, dok je WHAMM treniran na samo jednoj nedelji pažljivo odabranih segmenata iz igre Quake II. Podaci su prikupljeni od profesionalnih testera koji su se usredsredili na jedan nivo igre. Vizuelna rezolucija modela je takođe unapređena – sa 300×180 na 640×360 piksela, što je rezultiralo boljim kvalitetom slike bez značajnih promena u osnovnoj arhitekturi.

Ipak, WHAMM je daleko od savršenog. Model se suočava sa problemima poput kašnjenja i grafičkih anomalija. Igrači mogu izvoditi osnovne akcije poput pucanja, skakanja i interakcije sa neprijateljima, ali borbeni mehanizmi su veoma nepouzdani. Neprijatelji često izgledaju mutno, a repetativne greške u praćenju healtha i načinjenog damagea narušavaju iskustvo.

Naredni problem jeste ograničena inteligencija. Model „zaboravlja" objekte koji nestanu iz vidokruga na duže od 0,9 sekundi, što dovodi do čudnih situacija poput teleportacije ili nasumičnog pojavljivanja neprijatelja. WHAMM je takođe ograničen na jedan nivo igre Quake II, dok pokušaj prelaska na sledeći potpuno zamrzava generisanje slika zbog nedostatka podataka.

Microsoft naglašava da WHAMM nije zamišljen kao replika originalnog Quake II iskustva, već kao istraživački projekat za primenu mašinskog učenja u interaktivnim medijima. Ovaj model je deo šire diskusije o ulozi veštačke inteligencije u kreativnim industrijama. Iako su potpuno generisane igre, srećom, još uvek vremenski udaljene, WHAMM pokazuje potencijal za buduće generativne modele koji bi mogli oplemeniti igre i omogućiti razvojnim timovima da stvaraju još imerzivnija iskustva.