AI-PCG для ігор: генерація світів, квестів, діалогів

Ви геймдизайнер, і на ручну генерацію 10 000 квестів іде півроку роботи команди з п'яти сценаристів? А гравці все одно проходять гру за 40 годин — світ відчувається мертвим. Типова PCG на шумах Перліна дає одноманітність: кожен ліс — клон попереднього. Єдиний спосіб уникнути цього — використовувати AI-генерацію з семантичним розумінням контексту. Ми вирішуємо цю проблему за допомогою LLM та diffusion models. Процедурна генерація (PCG) — не панацея, але з AI вона перетворюється на інструмент, що створює унікальні світи, наратив та лут на льоту. Наша система генерує контент у 10 разів швидше за ручну роботу, а економія часу на квестах сягає 95%.

Як AI-PCG вирішує проблему одноманітності контенту?

Традиційна PCG покладається на шуми Перліна та шаблони: кожен ліс схожий на попередній. Ми додаємо LLM (GPT-4o, LLaMA 3) та diffusion models (Stable Diffusion). Нейромережа генерує семантично зв'язні легенди світів, адаптивні діалоги NPC з пам'яттю та процедурні текстури — все це прив'язано до seed гравця. Результат: кожне проходження — нова історія. Ключова відмінність — генерація не просто шаблонів, а цілісного наративу. LLM створює історію світу, фракції та їхні взаємини. Діалоги NPC запам'ятовують попередні зустрічі, а не повторюють завчені фрази.

AI-PCG генерує контент у 10 разів швидше за ручну роботу, а діалоги — у 1800 разів швидше. Вартість впровадження: від $10 000 за MVP до $50 000 за повний рушій під ключ.

Чому ми не використовуємо готові генератори?

Готові рішення (наприклад, Wave Function Collapse) хороші для карт, але не для наративу. Наш підхід — гібрид: традиційні алгоритми для карт + LLM для сенсів. Це дає адаптивну складність: система підлаштовує кількість ворогів та складність квестів під рівень гравця, не ламаючи занурення.

Архітектура AI-PCG системи

Генерація світу та біомів

from openai import AsyncOpenAI
from dataclasses import dataclass, field
import json
import random
import numpy as np

client = AsyncOpenAI()

@dataclass
class WorldConfig:
    seed: int
    size: tuple               # (width, height) в тайлах
    biomes: list[str]         # ["forest", "desert", "tundra", "swamp"]
    civilization_level: str   # primitive, medieval, industrial, futuristic
    magic_system: bool = True
    danger_zones: int = 5
    settlements: int = 10

class ProceduralWorldGenerator:
    def __init__(self, config: WorldConfig):
        self.config = config
        self.rng = random.Random(config.seed)
        self.np_rng = np.random.default_rng(config.seed)

    def generate_heightmap(self) -> np.ndarray:
        """Генерируем карту высот через Perlin noise (opensimplex)"""
        from opensimplex import OpenSimplex
        noise = OpenSimplex(seed=self.config.seed)
        w, h = self.config.size
        heightmap = np.zeros((h, w))

        # Октавный шум для реалистичного рельефа
        for y in range(h):
            for x in range(w):
                nx, ny = x / w, y / h
                heightmap[y][x] = (
                    1.0 * noise.noise2(1 * nx, 1 * ny) +
                    0.5 * noise.noise2(2 * nx, 2 * ny) +
                    0.25 * noise.noise2(4 * nx, 4 * ny) +
                    0.125 * noise.noise2(8 * nx, 8 * ny)
                )
        return (heightmap + 1) / 2  # нормализуем в [0, 1]

    def assign_biomes(self, heightmap: np.ndarray, moisture_map: np.ndarray) -> np.ndarray:
        """Biome assignment по Whittaker biome diagram"""
        biome_map = np.zeros_like(heightmap, dtype=int)
        BIOME_RULES = [
            (0.0, 0.3, "ocean"),
            (0.3, 0.4, "beach"),
            (0.4, 0.6, "plains"),
            (0.6, 0.8, "forest"),
            (0.8, 0.9, "mountain"),
            (0.9, 1.0, "snow_peak")
        ]
        biome_ids = {b[2]: i for i, b in enumerate(BIOME_RULES)}
        for y in range(heightmap.shape[0]):
            for x in range(heightmap.shape[1]):
                h = heightmap[y][x]
                m = moisture_map[y][x]
                # Учёт влажности для смешанных биомов
                if 0.4 < h < 0.8 and m < 0.3:
                    biome_map[y][x] = biome_ids.get("desert_variant", 2)
                else:
                    for min_h, max_h, biome_name in BIOME_RULES:
                        if min_h <= h < max_h:
                            biome_map[y][x] = biome_ids[biome_name]
                            break
        return biome_map

    def place_settlements(self, heightmap: np.ndarray, biome_map: np.ndarray) -> list[dict]:
        """Размещаем поселения в пригодных для жилья локациях"""
        settlements = []
        valid_positions = np.argwhere(
            (heightmap > 0.4) & (heightmap < 0.7) & (biome_map != 0)
        )
        chosen = self.np_rng.choice(
            len(valid_positions),
            size=min(self.config.settlements, len(valid_positions)),
            replace=False
        )
        for idx in chosen:
            y, x = valid_positions[idx]
            settlements.append({
                "x": int(x), "y": int(y),
                "type": self.rng.choice(["village", "town", "city", "fortress"]),
                "population": self.rng.randint(50, 10000),
                "name": ""  # заполним через LLM
            })
        return settlements

Наратив та квести

async def generate_world_lore(
    world_config: WorldConfig,
    settlements: list[dict],
    biomes: list[str]
) -> dict:
    response = await client.chat.completions.create(
        model="gpt-4o",
        messages=[{
            "role": "system",
            "content": f"""Ты — нарратив-дизайнер для игры с процедурно сгенерированным миром.
            Создай связную историю мира. Уровень цивилизации: {world_config.civilization_level}.
            Магия: {"есть" if world_config.magic_system else "нет"}.

            Верни JSON: {{
                world_name: "...",
                history_eras: [{{name, years_ago, key_event}}],
                factions: [{{name, ideology, home_biome, relation_to_others}}],
                settlement_names: [{{id, name, local_legend}}],
                notable_artifacts: [{{name, description, location_hint}}],
                creation_myth: "...",
                current_conflict: "главный конфликт эпохи"
            }}"""
        }, {
            "role": "user",
            "content": f"""
            Биомы: {', '.join(biomes)}
            Поселений: {len(settlements)}, типы: {[s['type'] for s in settlements[:5]]}...
            Опасных зон: {world_config.danger_zones}
            Seed мира: {world_config.seed}
            """
        }],
        response_format={"type": "json_object"}
    )
    return json.loads(response.choices[0].message.content)


QUEST_TEMPLATES = {
    "fetch": {
        "structure": "Получи [предмет] от [NPC/локация] и принеси [заказчику]",
        "complications": ["предмет охраняется", "NPC требует помощи взамен", "несколько претендентов"]
    },
    "eliminate": {
        "structure": "Уничтожь [угрозу] в [локации]",
        "complications": ["угроза — невиновная жертва", "финальный босс скрыт", "побочный ущерб"]
    },
    "escort": {
        "structure": "Сопроводи [персонажа] из [А] в [Б]",
        "complications": ["персонаж скрывает секрет", "засады на маршруте", "моральный выбор в конце"]
    },
    "investigation": {
        "structure": "Расследуй [событие] в [месте]",
        "complications": ["несколько подозреваемых", "ложный след", "улики уничтожены"]
    }
}

async def generate_quest(
    template_type: str,
    world_lore: dict,
    player_level: int,
    location: dict
) -> dict:
    template = QUEST_TEMPLATES[template_type]
    complication = random.choice(template["complications"])

    response = await client.chat.completions.create(
        model="gpt-4o",
        messages=[{
            "role": "system",
            "content": f"""Создай квест для RPG-игры. Уровень игрока: {player_level}.
            Шаблон: {template['structure']}.
            Усложнение: {complication}.
            Используй фракции и историю мира для контекста.

            Верни JSON: {{
                title, description, giver_npc, objectives: [{{id, text, optional: bool}}],
                rewards: {{xp, gold, items: []}},
                moral_choice: {{description, option_a, option_b, consequences}},
                estimated_time_minutes: int
            }}"""
        }, {
            "role": "user",
            "content": f"Мир: {json.dumps(world_lore, ensure_ascii=False)[:1000]}\nЛокация: {location}"
        }],
        response_format={"type": "json_object"}
    )
    return json.loads(response.choices[0].message.content)

Діалоги та предмети

from dataclasses import dataclass, field

@dataclass
class NPCProfile:
    name: str
    race: str
    occupation: str
    faction: str
    personality: list[str]     # ["suspicious", "greedy", "loyal"]
    knowledge: list[str]       # что НПС знает о мире
    relationship: str          # "friendly", "neutral", "hostile"
    memory: list[dict] = field(default_factory=list)  # история диалогов

async def generate_npc_response(
    npc: NPCProfile,
    player_input: str,
    game_context: dict
) -> dict:
    memory_context = "\n".join([
        f"[{m['timestamp']}] Игрок: {m['player']} → НПС: {m['npc']}"
        for m in npc.memory[-5:]  # последние 5 обменов
    ])

    response = await client.chat.completions.create(
        model="gpt-4o",
        messages=[{
            "role": "system",
            "content": f"""Ты — НПС в RPG. Играй роль строго.

            НПС: {npc.name}, {npc.race}, {npc.occupation}
            Фракция: {npc.faction} | Черты: {', '.join(npc.personality)}
            Отношение к игроку: {npc.relationship}
            Знает: {', '.join(npc.knowledge)}

            История диалога:
            {memory_context}

            Отвечай в характере персонажа. Не выходи из роли.
            Верни JSON: {{
                speech: "реплика НПС",
                emotion: "neutral|happy|angry|scared|suspicious",
                action: null | "give_item" | "start_quest" | "attack" | "flee",
                hint: null | "подсказка для игрока если уместно"
            }}"""
        }, {
            "role": "user",
            "content": f"Игрок говорит: {player_input}\nКонтекст: {game_context.get('location', 'unknown')}"
        }],
        response_format={"type": "json_object"}
    )
    result = json.loads(response.choices[0].message.content)
    npc.memory.append({"timestamp": "now", "player": player_input, "npc": result["speech"]})
    return result


ITEM_RARITIES = {
    "common":    {"prob": 0.60, "affix_count": (0, 1), "base_multiplier": 1.0},
    "uncommon":  {"prob": 0.25, "affix_count": (1, 2), "base_multiplier": 1.3},
    "rare":      {"prob": 0.10, "affix_count": (2, 3), "base_multiplier": 1.7},
    "epic":      {"prob": 0.04, "affix_count": (3, 4), "base_multiplier": 2.5},
    "legendary": {"prob": 0.01, "affix_count": (4, 5), "base_multiplier": 4.0},
}

def generate_item(
    item_type: str,
    player_level: int,
    world_theme: str,
    rng: random.Random
) -> dict:
    # Выбор редкости по весам
    rarity = rng.choices(
        list(ITEM_RARITIES.keys()),
        weights=[v["prob"] for v in ITEM_RARITIES.values()]
    )[0]
    spec = ITEM_RARITIES[rarity]

    base_stats = {
        "damage": player_level * 5 * spec["base_multiplier"] if item_type == "weapon" else 0,
        "defense": player_level * 3 * spec["base_multiplier"] if item_type == "armor" else 0,
        "durability": rng.randint(50, 100)
    }

    # Аффиксы из пула по теме мира
    AFFIXES = {
        "fantasy": ["of Flames", "of the Ancient", "Cursed", "Holy", "Shadow"],
        "scifi": ["Mk.II", "Prototype", "Military Grade", "Corrupted", "Quantum"]
    }
    prefix_pool = AFFIXES.get(world_theme, AFFIXES["fantasy"])
    affixes = rng.sample(prefix_pool, k=rng.randint(*spec["affix_count"]))

    return {
        "name": f"{' '.join(affixes)} {item_type.title()}",
        "rarity": rarity,
        "type": item_type,
        "stats": base_stats,
        "level_requirement": max(1, player_level - 2)
    }

Як ми боремося з галюцинаціями LLM?

Використовуємо few-shot промпти з жорсткою системою ролей та валідацією відповіді за JSON-схемою. Додатково — RAG-шар з базою знань світу. Ключові факти (імена, локації) перевіряються через lookup перед видачею. Це гарантує, що NPC не назве неіснуючу локацію або не переплутає фракції.

Типові помилки при впровадженні AI-PCG

• Передача всього контексту в кожен запит — зростає latency. Ми використовуємо RAG з кешуванням.
• Відсутність контролю над галюцинаціями — вводимо JSON-схеми та валідацію фактів.
• Нехтування latency для real-time діалогів — застосовуємо vLLM та batch inference.

Чому наше рішення витримує продакшн-навантаження?

Ми пройшли шлях від прототипу до інтеграції в комерційні проєкти. На рахунку команди — 7+ років досвіду в ML для ігор, 5 успішних впроваджень PCG-рушіїв. Гарантуємо, що система витримає навантаження 10 000 одночасних гравців при p99 latency відповіді NPC менше 300 мс. Використовуємо vLLM для інференсу та ONNX Runtime для оптимізації моделей на GPU. Застосовуємо MLOps-підхід: моніторинг дрейфу даних, A/B тестування моделей, автоматичний ретрейнінг.

Для адаптації під ваш сетинг використовуємо LoRA (Low-Rank Adaptation) — донавчаємо лише 0.1% параметрів. Це займає 2-3 дні на одному GPU і не потребує повного fine-tuning. Результат: модель генерує контент у вашому стилі без галюцинацій.

Що входить в роботу та терміни

Ми пропонуємо AI-PCG під ключ. Термін виконання від 6 тижнів. Оцінимо ваш проект безкоштовно за 2–3 дні. Вартість впровадження — від $10 000 за MVP до $50 000 за повний рушій. Що входить:

• Аналіз проєкту та підбір архітектури.
• Налаштування LoRA-адаптерів під ваш сетинг.
• Інтеграція через REST API.
• Тестування на навантаження (10 000 CCU).
• Деплой в продакшен.
• Документація: API-специфікація (OpenAPI), приклади інтеграції для Unity та Unreal.
• Навчання команди: 2-денний workshop з донавчання моделей під ваш сетинг.
• Підтримка: 3 місяці безкоштовних фіксів та консультацій по каналу Slack.
• Вихідний код: Python-бекенд, конфіги моделей, міграції БД.

Зв'яжіться з нами — підготуємо індивідуальну комерційну пропозицію. Замовте пілотний проєкт та оцініть ефективність AI-PCG на ваших даних. Пишіть нам — ми допоможемо впровадити генерацію квестів, діалогів та світів у вашу гру.

Генеративний AI розробка: від промпта до production API

Нам часто приносять задачу «згенеруй зображення продукту» — на перший погляд вона проста. Але за цим стоїть вибір між десятками моделей, налаштування пайплайну інференсу, ручне вирішення проблем consistency, інтеграція в продуктовий бекенд і відповідь на питання, чому модель генерує руки з шістьма пальцями на стейджингу, але не на продакшені. Розберемо напрямки, з якими ми працюємо.

Генерація зображень: від промпта до production API

Актуальний ландшафт — FLUX.1 [dev/schnell/pro] від Black Forest Labs та Stable Diffusion 3.5. FLUX.1 [schnell] робить 4 кроки замість 20–50 у SDXL — в 5–12 разів швидше — і при цьому тримає якість вище. На A100 80GB — 1.2–1.8 с на зображення 1024×1024 при batch_size=4.

Типова проблема при розгортанні: FLUX.1 [dev] потребує 24+ GB VRAM в fp16. На A10G 24GB влізає в обріз, при batch_size>1 — OOM. Рішення: torch_dtype=torch.bfloat16 + enable_model_cpu_offload() з diffusers, або квантизація через bitsandbytes в NF4 — падіння якості мінімальне, споживання пам'яті знижується до 12–14 GB.

ControlNet і IP-Adapter — ключові інструменти для production-задач, де потрібна керованість. ControlNet з Canny/Depth/Pose картою дає структурний контроль. IP-Adapter (особливо IP-Adapter-FaceID) дозволяє переносити identity персонажа на генерації — це основа для персоналізованого контенту.

Кейс: e-commerce фото-зйомка. Рітейлер з 8000 SKU потребував lifestyle-фото для кожного продукту. Пайплайн: сегментація продукту (Segment Anything Model 2) → видалення фону → inpainting FLUX.1 [dev] з product image як IP-Adapter reference → upscale через RealESRGAN_x4plus. Вартість генерації на орендованих A100 значно нижча порівняно з професійною зйомкою, економія багатократна. Throughput — 200 зображень/год на 2× A100. Багаторічний досвід 30+ проектів гарантує, що ми оберемо оптимальну модель під ваше завдання — оцінку можна отримати на старті.

Чому вибір моделі — лише половина успіху?

Fine-tuning під конкретний стиль або персонаж

Dreambooth і LoRA — стандарт для адаптації під конкретний візуальний стиль або об'єкт. LoRA навчається за 2–4 години на 20–30 референсних зображеннях на одному A100. Rank 16–32 зазвичай достатньо для стилю, rank 64+ потрібен для точного відтворення облич.

Часта помилка: навчати LoRA занадто довго — модель перенавчається на референси, втрачає здатність до варіативності. Ознака: на cfg_scale=7 всі зображення схожі на copy-paste референсу. Лікується ранньою зупинкою (зазвичай 1500–2000 кроків для 20 зображень) та prior_preservation_loss.

Для більш глибокої кастомізації — full fine-tuning через diffusers + accelerate з FSDP на декількох GPU. Але це вже 40–80 годин навчання і потрібен дійсно великий датасет (1000+ зображень).

Порівняння підходів до генерації зображень

Які моделі кращі для генерації відео?

Open-weight відеомоделі поки відстають від комерційних за стабільністю та довжиною. Wan2.1 — найкращий вибір для self-hosted: 14B параметрів, працює на 2× A100, дає прийнятну якість для коротких кліпів.

Головний біль відеогенерації — temporal consistency: персонаж змінює колір одягу на третій секунді, об'єкт «пливе». Часткове рішення — генерація з motion_bucket_id і noise_aug_strength в Stable Video Diffusion, або використання I2V (image-to-video) замість чистого text-to-video. Як зазначається в дослідженні VideoPoet, consistency досягається за рахунок навчання на довгих послідовностях.

AnimateDiff залишається робочим інструментом для коротких петель та motion-ефектів поверх SD/FLUX. Не Sora, але деплоїться локально і передбачуваний.

Генерація музики та аудіо

AudioCraft від Meta (MusicGen + AudioGen) — production-готовий стек для музичної генерації. musicgen-large (3.3B) генерує 30 с музики за ~8 с на A100. Керування через текстовий промпт та melody conditioning — можна задати мелодію наспівуванням.

Stable Audio Open від Stability AI — альтернатива з довжиною до 47 с, краща керованість структурою (intro/verse/chorus). Деплой аналогічний: diffusers + FastAPI.

Для voice-over та озвучки — ElevenLabs API або self-hosted XTTS v2 (див. послугу Speech AI). Для sound design та foley — AudioGen.

3D-генерація: практичний стан

3D-генерація все ще не дісталася тієї ж зрілості, що 2D. Але для конкретних задач інструменти вже робочі:

TripoSG та Shap-E — text/image-to-3D. Shap-E від OpenAI генерує прості 3D-меші за секунди, але геометрія грубувата. TripoSG дає більш детальні результати, але потребує постпроцесінгу (ремешинг, UV-розгортка).

Wonder3D та Zero123++ — реконструкція 3D з одного зображення. Працюють через генерацію multi-view (6–8 видів) та подальше 3D-відновлення через NeuS або instant-ngp.

Gaussian Splatting (3DGS) — не генерація, а реконструкція з серії фото/відео. Для товарних карток та нерухомості це вже production: 50–200 фото → 3DGS модель за 15–30 хв на RTX 4090 → інтерактивний 3D-в'ювер в браузері.

Інфраструктура та деплой

Для генеративних моделей критично:

• Черга задач — Celery + Redis або Ray Serve. Синхронний HTTP для генерації зображень неприйнятний при >5 конкурентних запитах.
• Кешування — схожі промпти дають схожі результати. Семантичний кеш через ембеддінги (faiss + sentence-transformers) може знизити навантаження на GPU на 20–40%.
• Моніторинг якості — CLIP score для text-image alignment, FID для оцінки розподілу генерацій. Інтеграція в MLflow або Weights & Biases.
• Зберігання — згенеровані зображення одразу в S3/MinIO, не на диску сервера інференсу.

Що входить в роботу (deliverables)

Ми беремо проект під ключ — від вибору моделі до деплою та моніторингу. В результат входить:

• Модель (або API-інтеграція) з бенчмарками продуктивності (latency p99, throughput).
• Документація пайплайну (prompt engineering guide, model card, версії залежностей).
• Інтеграція з вашим бекендом (REST/gRPC, черги).
• Налаштований моніторинг (дашборди, алерти по дрейфу якості).
• Навчальний воркшоп для команди (2–4 години).
• Гарантійна підтримка 3 місяці після запуску — в рамках сертифікату якості на нашу роботу.

Історично ми виконали 30+ проектів в генеративному AI — це дає нам право гарантувати результат.

Як будується процес розробки генеративного AI?

1. Аналітика (1–2 дні): аудит поточної архітектури, уточнення use case, вибір моделей та метрик успіху. Оцінюємо проект безкоштовно.
2. Proof of Concept (1–3 тижні): швидкий прототип на ваших даних — щоб бачити реальну якість, а не демо з блогу.
3. Проектування (1–2 тижні): архітектура пайплайну, інфраструктура (GPU-кластер/API), план A/B-тестування.
4. Реалізація та fine-tuning (4–12 тижнів): розробка, навчання LoRA/full fine-tuning, інтеграція з чергою та кешем.
5. Тестування (1–2 тижні): навантажувальні тести, валідація метрик, перевірка на edge-case (негативні сценарії).
6. Деплой та моніторинг (1–2 тижні): розгортання на production, налаштування моніторингу, документування.

Строки орієнтовно

Інтеграція готового API (DALL‑E 3, Midjourney API, Stability API) — 1–2 тижні. Self-hosted пайплайн з fine-tuning — 6–12 тижнів. Повна платформа з UI, чергами та моніторингом — 3–6 місяців. Конкретна вартість розраховується індивідуально після аналізу вашого сценарію.

Зв'яжіться з нами — замовте консультацію, і ми підберемо оптимальну архітектуру для вашого проекту. Отримайте попередню оцінку термінів безкоштовно.