AI-агенты заселяют виртуальные миры: что умеют NPC на LLM

За последние два года демо с говорящими NPC перестали быть трюком на выставке. На CES и GDC Nvidia показывала стенды с технологией ACE (Avatar Cloud Engine), где персонаж отвечал голосом на любой вопрос игрока без заранее записанных реплик. Стартапы Inworld AI и Convai продают SDK, которые подключают большую языковую модель к 3D-аватару и дают ему память, эмоции и цель. Речь уже не о концепте, а о наборе платных инструментов, которые встраиваются в Unreal Engine и Unity.

Ключевая разница с обычным NPC простая. Раньше персонаж выбирал реплику из дерева диалогов, написанного сценаристом. Теперь его ответ генерирует модель на лету, опираясь на заданную личность, историю мира и то, что игрок говорил минуту назад. Это открывает новые сценарии, но и приносит проблемы, которых у скриптованных персонажей не было: галлюцинации, задержка ответа и стоимость каждого сгенерированного слова.

Что именно вышло на рынок

Сейчас за нишу борются несколько игроков, и подходы у них разные.

Nvidia ACE — набор микросервисов: распознавание речи, языковая модель (в том числе компактные Nemotron), синтез голоса и лицевая анимация Audio2Face, которая двигает губы аватара под сгенерированный звук. Часть моделей можно запускать локально на видеокарте RTX, часть — в облаке. Первым коммерческим примером стал персонаж-техник в демоверсии игры от одного из партнёров, показанной на CES 2024.

Inworld AI — платформа для создания «характеров»: разработчик задаёт биографию, черты, мотивацию, а движок собирает из этого промпт и управляет памятью. Inworld интегрирован в Unreal Engine и Unity через плагины.

Convai — похожий SDK с упором на быструю интеграцию и связь с объектами сцены: персонаж может не только говорить, но и реагировать на предметы вокруг.

Отдельная ветка — исследовательская. Работа «Generative Agents» из Стэнфорда и Google (2023) показала городок из 25 агентов на базе GPT, которые самостоятельно планировали день, помнили события и распространяли информацию между собой. Это не продукт, а прототип, но именно он задал планку того, как автономные агенты^* могут вести себя в симуляции.

Сравнение подходов

Актуальные цены и лимиты по всем платформам меняются часто — сверяйте их на официальных страницах разработчиков, а не по обзорам полугодовой давности.

Три проблемы, которые ещё не решены

Задержка

Полный цикл — распознать речь, сгенерировать ответ, озвучить, анимировать губы — занимает время. Даже секунда-полторы паузы ломает ощущение живого разговора. Разработчики маскируют задержку короткими репликами-заполнителями («хм, дай подумать») или запускают компактные модели локально, жертвуя качеством ответа ради скорости.

Контроль над тем, что скажет персонаж

Модель может выдать то, чего в сценарии нет: наврать про сюжет, выйти из роли, отреагировать на провокацию игрока неприемлемым текстом. Отсюда — слои фильтрации, ограничение тем через системный промпт и запрет персонажу обсуждать то, чего он «не должен знать». Полной гарантии это не даёт.

Скриптованный NPC никогда не скажет лишнего, потому что все его реплики написал человек. Генеративный персонаж интереснее ровно настолько, насколько вы готовы мириться с тем, что иногда он сболтнёт непредсказуемое.

Стоимость

Каждый ответ — это вызов модели, а часто ещё синтез голоса и анимация. В однопользовательской игре с редкими диалогами это терпимо. В метавселенной с тысячами игроков, где каждый болтает с NPC одновременно, счёт за облачные вызовы растёт линейно с аудиторией. Поэтому индустрия смотрит в сторону компактных моделей, которые крутятся на устройстве игрока.

Кому это пригодится и кому нет

Пригодится:

• Ролевым и приключенческим играм, где ценность в атмосфере и импровизации. Собеседник, который помнит ваш прошлый разговор, усиливает погружение сильнее, чем ещё одна ветка диалога.
• Обучающим и корпоративным симуляторам: тренажёр переговоров, отработка сервисных сценариев, языковая практика с живым собеседником.
• Социальным виртуальным мирам, где нужны «жители» для наполнения пространства, а не только реальные пользователи.

Скорее не пригодится:

• Соревновательным и киберспортивным играм, где важны предсказуемость и баланс, а не разговоры.
• Проектам с жёстким нарративом, где каждая реплика выверена сценаристом ради драматургии — здесь непредсказуемость мешает.
• Командам без бюджета на облачные вызовы и без ресурсов на модерацию генерируемого контента.

Что дальше

Пока это набор инструментов для энтузиастов и крупных студий, а не массовый стандарт. Ни один большой релиз AAA-игры не построен целиком на генеративных NPC. Развитие упирается в три вещи одновременно: удешевление вычислений, локальный запуск моделей на устройстве игрока и надёжную модерацию. Как только эти три линии сойдутся, говорящие персонажи перестанут быть фишкой демо и станут ожидаемой частью виртуальных миров — примерно так, как когда-то стала озвучка диалогов.

^* Агент — программа на основе языковой модели, которая не просто отвечает на запрос, а действует по цели: планирует шаги, помнит прошлые действия и реагирует на изменения окружения. В играх это персонаж, который сам решает, что делать и говорить, в рамках заданной роли.