不用网络的好玩游戏,不用网络的好玩游戏排名

2025 07 02 04:54:50| 来源: 互联网整理

为什么有些人玩惯了单机游戏不喜欢网络游戏？

01

02

首先，独自控制独立游戏的节奏，只要您想要就停止。总是有人敦促您在在线游戏中上网。您必须准时制作地牢，并且必须急于完成任务。玩游戏比上班更累。其次，独立游戏的情节已经完成，故事的开始和结束。在线游戏每天都会更新，并且永远不会看到结局。当我玩游戏时，我忘记了为什么它开始。第三，无需将单人游戏与人进行比较。在线游戏排名会激发您每天为金钱充电。看到别人的设备比您自己更好，感觉不舒服。

03

04

我曾经是大学周围的室友。从早上到晚上，您可以玩独立游戏。当他周末回家时，父亲要求他带一个快递员。他回家，要求父亲提供快递号码。他仍然新想起。有趣的是，三天后，他还将快递号码录制在手机上是备忘录。

05

06

独立球员的速度缓慢，她喜欢挑战各个层次的感觉。游戏中有节省，您可以随时停下来，并像花费一样慢慢玩。他非常致力于独立情节，并用每个细节使他感到惊讶。在那个安静的游戏世界中，他只需要一步一步地专注于自己，并感到非常满足并具有很高的成就感。独自玩游戏就是享受。

07

08

我玩独立的，先入为主的想法，并且出于习惯，我懒得改变游戏。我保存并阅读文件并自己修改。然后，当我的朋友拉我玩在线游戏时，他说他不想像我一样拉一个孤独的狼，而是想把所有的团队聚在一起。我安装了它，并遵循了教程。天才不敢说这句话，他微笑着殴打了他，突然他退出了比赛。这样的人可以被称为玩家吗？

09

10

独立机器的速度很慢，她可以慢慢探索每个角落。游戏中有节省。如果您想停下来，停下来花几天时间来考虑它。他不习惯互联网，必须在每场比赛中与队友合作。在那场快节奏的战斗中，他只想完成任务，并停止每一步，这似乎非常拖延和压力。当他是一只孤独的狼时，他更喜欢孤独的冒险。

您对这个问题有话要说吗？

让我们在评论部分一起交谈

全球首款AI生成多人游戏诞生，全部开源，单机可玩，成本不到1500

机器心脏报告

机器心脏社论部

如今，已宣称“世界第一”的另一个头衔。以色列企业家团队Enigma Labs宣布创建世界上第一个AI生成的多人游戏

多元宇宙

，即“多元宇宙”。

视频加载.

显然，这是一款多人赛车游戏。 “玩家可以超越，漂移，加速——，然后再次见面。每个动作都会重塑世界。”

开发商乔纳森·雅各比（Jonathan Jacobi）说，多人游戏曾经是AI生成的世界中缺少的难题，而Multiverse成功地填补了这一差距，并且玩家能够实时与这个AI模拟的世界进行互动并塑造。

更令人惊讶的是，多元宇宙的培训和研发成本加起来

不到$ 1,500

，其中包括数据收集，注释，培训，培训后和模型研究。而且，也是如此

可以直接在个人计算机上运行

呢

乔纳森·雅各比（Jonathan Jacobi）写道：“多人世界模型远远超过——游戏。它们是模拟的下一步，解锁了由玩家，经纪人和机器人塑造的动态，共同发展的世界。”

不仅如此，团队还宣布，它将开放与研究结果有关的所有内容，包括代码，数据，权重，体系结构和研究。此外，Enigma Labs还发布了一个技术博客，介绍了Multiverse背后的一些故事和技术。

github：https://github.com/enigmalabsai/multiverse

拥抱脸：https://HuggingFace.co/enigma-ai

技术博客：https://enigma-labs.io/blog

团队介绍

该团队来自以色列，包括以色列前8,200名士兵和一些领先的初创企业成员，具有丰富的研究和工程发展经验，涵盖了脆弱性研究，算法，CHIP级别的研究和系统工程。

他们写道：“我们坚持第一原则的思考，并在AI生成的世界中解决一个公开挑战：多人世界模式。”

多宇宙架构解释

单人游戏架构评论

要了解多人世界模型的体系结构，请首先回顾单人世界模型中使用的现有架构：

该模型接收一系列视频帧和用户操作（例如钥匙按下），并使用此信息根据当前操作来预测下一帧。

它主要由三个部分组成：

动作嵌入

——将动作转换为嵌入向量；

去核网络

——基于先前的框架和动作嵌入生成一个帧的扩散模型；

UPS采样器

（可选）——另一个用于接收世界模型生成的低分辨率帧并增加输出的细节和分辨率的扩散模型。

多人游戏架构

为了构建多人世界模型，团队保留了上面的核心构建块，但拆卸了结构——重新连接了输入和输出，并从Scratch重新设计了培训过程，以实现一个真正的协作游戏：

动作嵌入

——获得了两个玩家的动作，并输出一个代表它们的嵌入；

去核网络

——一个扩散网络，可以基于两个玩家的先前帧和动作同时以实体形式生成两个玩家的帧；

UPS采样器

——此组件与单个播放器组件非常相似。但是，此处的UPS采样器将分别从两个播放器中接收帧，并同时计算UPPLAPPLED版本。

为了创建多人游戏体验，该模型需要收集玩家的先前帧和动作并输出各自的预测帧。关键是：这两个输出不仅看起来很漂亮——

他们需要在内部保持一致。

这是一个真正的挑战，因为多人游戏依靠

共享世界国家。例如，如果一辆汽车在另一辆汽车或碰撞的前面漂移，则两位玩家都应从各自的角度看到完全相同的事件。

团队提出了一个解决方案：将两个玩家的观点拼成图像，将其输入融合到联合行动向量中，并将其视为统一场景。

因此，问题是：我们如何最好地将两个播放器视图结合到模型可以处理的单个输入中？

显而易见的方法是垂直堆叠，就像经典的分屏游戏一样。

一个更有趣的选择是沿着通道轴堆叠，将图像帧视为带有颜色通道的两倍的图像。

答案是解决方案2，即沿通道轴堆叠。由于这里的扩散模型是一个U形网络，主要由卷积层和反向卷积层组成，因此第一层仅处理附近的像素。如果两个帧垂直堆叠，则直到中间层才能处理框架。这降低了模型在跨帧中生成一致结构的能力。

另一方面，如果帧被通道轴堆叠，则网络的每一层都会同时处理两个播放器的视图。

车辆运动学和有效的上下文扩展

为了准确预测下一帧，该模型需要接收玩家的动作（例如转向输入）和足够的框架计数，以计算两辆汽车相对于道路以及彼此之间的速度。

在研究中，作者发现，帧速率为8帧（每秒30帧）使该模型可以学习车辆运动学，例如加速，制动和转向。但是两辆汽车的相对运动速度比道路的速度要慢得多。例如，车辆以约100 km/h的速度行驶，而超过的相对速度约为5 km/h。

为了捕获这一相对运动，上下文需要扩展近三次。但是这样做将使模型太慢，无法实时播放，增加内存使用情况并大大降低训练速度。

为了保持上下文大小，但也提供了更多的时间信息，作者为模型提供了前几帧和操作的稀疏采样。具体来说，它们为模型提供了最后4帧。然后在接下来的4帧中提供每4帧。上下文中最早的框架是20帧或0.666秒，足以捕获车辆的相对运动。此外，这使模型可以更好地捕获与道路表面相比的速度和加速度，从而使驾驶动态变得更好。

多人游戏培训

为了学习驾驶和多人互动，该模型需要训练这些互动。世界模型中的步行，驾驶和其他常见任务需要较小的预测范围，例如0.25秒的未来预测。

多人互动更长的时间。在0.25秒内，玩家之间的相对运动几乎可以忽略不计。培训多人游戏世界模型需要更长的时间才能预测。因此，作者对模型进行了训练，以预测接下来的15秒内自回旋预测（30帧/s）。

为了使模型能够执行如此长的预测范围，在此使用课程学习方法，并且在训练期间，预测范围从0.25秒增加到15秒。这样，可以在初始训练阶段进行有效的训练，也就是说，当模型学习低级功能（例如汽车和轨道几何形状）时。当该模型学会生成相干帧并建模车辆运动学时，可以训练诸如玩家行为之类的高级概念。

在增加预测范围后，模型的目标持久性和框架间的一致性得到了显着提高。

有效的长期远景训练

将来有100多个帧的培训模型对VRAM提出了挑战。在大批量的情况下，将框架加载到GPU内存中以进行自动收入预测变得不可行。

为了解决记忆不足的问题，作者根据页面执行自回归预测。

在训练开始时，将加载第一帧并进行预测。

然后加载下一页并丢弃上下文窗口外的帧。

Gran Turismo数据集：发电和收集

该团队培训模型的数据是从索尼的《GT 赛车 4》（Gran Turismo 4）中收集的。他们打趣道：“这只是一个技术演示，我们是忠实的粉丝，所以请不要起诉我们。”

设置和游戏修改

他们使用了更简单的测试用例：在Tsukuba Circuit上进行的1V1比赛，具有第三人称视角。 Tsukuba轨道相对较短，道路很简单，非常适合训练。

但是也有问题：《GT 赛车 4》不支持在1V1模式下全屏运行Tsukuba轨道的玩家。该游戏仅支持1V5或分屏战斗模式。因此，团队对游戏进行了反向工程和修改，以便可以启动真正的1V1模式：

数据收集

为了收集来自两个玩家的第三人称视频数据，该团队使用游戏的内置播放系统——每场比赛两次重播，并从每个玩家的角度录制。然后，团队同步了两个视频，以与原始的两人比赛屏幕保持一致，并将它们组合成一个视频，在该视频中，两个玩家都在同时竞争。

那么，团队用哪种方法用于捕获数据集中的键盘动作，更不用说其中一个玩家是游戏机器人而不是人类？

幸运的是，游戏在屏幕上显示足够的HUD元素（例如油门，制动器和转弯指示器）；该信息可用于准确重建到达每个状态所需的控制输入：

该团队使用计算机视觉通过帧来提取这些框中的信息并解码其背后的控件输入，从而重建完整的密钥操作，以便可以在没有任何直接输入记录的情况下构造完整的数据集。

自动数据生成

乍一看，似乎我们必须坐下来手动玩游戏数小时，每场比赛——录制了两个重播，这有点痛苦。

虽然多宇宙的一些开源数据集确实来自手动游戏，但作者发现了一种更可扩展的方法：

B规格模式。在这种模式下，玩家可以使用游戏板或方向盘来指导游戏机器人驱动程序代表他们玩。

由于B-Spec的控制功能是有限且简单的，因此作者编写了一个将随机输入发送给B-Spec的脚本，从而自动触发了游戏。然后，同一脚本从两个角度记录了播放屏幕，捕获了这些竞争对手的AI驱动的第三人称视频。

多人世界模型不仅是游戏领域的突破，而且是人工智能了解共享环境的下一步。通过使代理商能够在同一世界中学习，响应和适应，这些模型开辟了新的可能性。