Este artigo foi gentilmente cedido por Jonathan-lai
O discurso inicial sobre a revolução da IA Generativa -que é o tipo de Inteligência Artificial do qual o ChatGPT– nos jogos concentrou-se principalmente em como as ferramentas de IA podem tornar os criadores de jogos mais eficientes – permitindo que os jogos sejam construídos mais rapidamente e em maior escala do que antes. Embora seja verdade, acreditamos que a maior oportunidade a longo prazo é alavancar a IA para mudar não apenas como criamos jogos, mas a natureza dos próprios jogos.
Estamos animados com a oportunidade da IA Generativa ajudar a criar novas categorias de jogos e expandir drasticamente os gêneros existentes. A IA há muito tem desempenhado um papel importante em possibilitar novas formas de jogos. Exemplos de jogos que a utilizaram são Rogue (1980), Half-Life (1998) e Left 4 Dead (2008).
O cenário está ainda sendo transformado com os avanços recentes que permitem aos usuários fazerem sugestões aos computadores.
Se as tecnologias que incluem agentes generativos, personalização, narrativa de IA, mundos dinâmicos e copilotos de IA forem bem-sucedidas, a combinação desses sistemas vai criar novas categorias de jogos que priorizam a IA, Jogos que entretêm, envolvem e retêm os jogadores por muito tempo.
Agentes Geradores
O gênero de simulação foi iniciado em 1989 pelo SimCity da Maxis, no qual os jogadores constroem e gerenciam uma cidade virtual. Hoje, o jogo de simulação mais popular é The Sims, onde mais de 70 milhões de jogadores em todo o mundo gerenciam humanos virtuais chamados “sims” em suas vidas diárias. O designer Will Wright certa vez descreveu The Sims como uma “casa de boneca interativa”.
A IA Generativa pode avançar drasticamente o gênero de simulação, tornando os agentes mais realistas com comportamento social emergente, alimentado por Large Language Models ou LLMs (Modelos Largos de Linguagem).
No início deste ano, uma equipe de pesquisadores de Stanford e do Google publicou um artigo sobre como os LLMs podem ser aplicados a agentes dentro de um jogo. Liderada pelo estudante de doutorado Joon Sung Park, a equipe de pesquisa preencheu um mundo sandbox de pixel art com 25 agentes semelhantes aos Sims, cujas ações foram guiadas pelo ChatGPT e “uma arquitetura que estende um LLM para armazenar um registro completo da experiência do agente usando linguagem natural, sintetizar essas memórias… em reflexões de nível superior, e dinamicamente recuperá-las para planejar o comportamento”.
Os resultados foram uma prévia fascinante do futuro potencial dos jogos de simulação. Começando com apenas uma única sugestão especificada pelo usuário de que um agente queria dar uma festa de Dia dos Namorados, os agentes distribuíram convites para a festa de maneira independente, fizeram novas amizades, convidaram uns aos outros para sair e se coordenaram para comparecer à festa juntos no horário, dois dias depois.
O que torna esse comportamento possível é que os LLMs são treinados em dados da web social e, portanto, têm em seus modelos os blocos de construção de como os humanos falam uns com os outros e se comportam em vários contextos sociais. E dentro de um ambiente digital interativo como um jogo de simulação, essas respostas podem ser acionadas para criar um comportamento emergente incrivelmente realista.
O resultado líquido da perspectiva do jogador: jogabilidade mais envolvente. Grande parte da alegria de jogar The Sims ou o simulador de colônia RimWorld vem de coisas inesperadas acontecendo e de lidar com os altos e baixos emocionais. Com o comportamento do agente impulsionado pelo corpus da web social, podemos ver jogos de simulação que refletem não apenas a imaginação do designer do jogo, mas também a imprevisibilidade da sociedade humana. Assistir a esses jogos de simulação pode servir como um Show de Truman da próxima geração, infinitamente divertido de uma forma que não é possível hoje com programas de TV ou filmes pré-programados.
Aproveitando nosso desejo de brincar de “casa de bonecas” imaginativa, os próprios agentes também podem ser personalizados. Os jogadores podem criar um agente ideal com base em si mesmos ou em personagens fictícios. O Ready Player Me permite que os usuários gerem um avatar 3D de si mesmos com uma selfie e importem seu avatar para mais de 9 mil jogos/aplicativos. As plataformas de personagem IA, InWorld, Character.ai e Convai permitem a criação de NPCs personalizados com sua própria história, personalidade e controles de comportamento. Quer criar uma simulação de Hogwarts onde você é colega de quarto do Harry Potter? Bem, agora você pode.
Com seus recursos de linguagem natural, as formas como interagimos com os agentes também se expandiram. Hoje, os desenvolvedores podem gerar vozes realistas para seus agentes usando os modelos de conversão de texto em fala da Eleven Labs.
A Convai recentemente fez uma parceria com a NVIDIA, em uma demo viral em que um jogador tem uma conversa de voz natural com um NPC chef de lámen de IA, com diálogo e expressões faciais combinadas geradas em tempo real. O app de companheiro IA, Replika, já permite que os usuários conversem com seus companheiros via voz, vídeo e AR/VR.
No futuro, pode-se imaginar um jogo de simulação em que os jogadores mantenham contato com seus agentes por telefone ou bate-papo em vídeo enquanto estão fora de casa e, em seguida, mudem para uma jogabilidade mais envolvente quando estiverem de volta aos seus computadores.
Ainda há muitos desafios a serem resolvidos antes de vermos uma versão totalmente generativa dos simuladores. Os LLMs têm tendências inerentes em seus dados de treinamento que podem ser refletidas no comportamento dos agentes. O custo de executar simulações em grande escala na nuvem para um jogo de serviço ao vivo, 24 horas por dia, 7 dias por semana, pode não ser financeiramente viável – operar 25 agentes em 2 dias custou à equipe de pesquisa milhares de dólares em computação.
Os esforços para mover a carga de trabalho do modelo para o dispositivo são promissores, mas ainda estão no estágio inicial. Provavelmente também precisaremos descobrir novas normas em razão aos relacionamentos parassociais com agentes.
No entanto, uma coisa é clara – há uma enorme demanda hoje por agentes generativos. 61% dos estúdios de jogos em nossa pesquisa recente planejam experimentar NPCs de IA. Nossa visão é que os companheiros de IA logo se tornarão comuns entre os agentes que entram em nossa esfera social cotidiana.
Os jogos de simulação fornecem uma sandbox digital onde podemos interagir com nossos companheiros de IA favoritos de maneiras divertidas e imprevisíveis. A longo prazo, a natureza dos jogos de simulação provavelmente mudará para refletir que esses agentes não são apenas brinquedos, mas amigos em potencial, família, colegas de trabalho, conselheiros e até amantes.
Personalização
O objetivo final em jogos personalizados é oferecer uma experiência de jogo única para cada jogador. Por exemplo, vamos começar com a criação de personagens – um pilar de quase todos os jogos de RPG (role-playing game) desde o original jogo de mesa Dungeons & Dragons (D&D) até o Genshin Impact da Hoyoverse.
A maioria dos RPGs permite que os jogadores escolham opções predefinidas para personalizar aparência, gênero, classe etc. Mas e se você pudesse ir além das predefinições para gerar um personagem único para cada jogador e jogo? Construtores de personagens personalizados que combinam LLMs com modelos de difusão de texto para imagem, como Stable Diffusion ou Midjourney, podem tornar isso possível.
O Arrowmancer da Spellbrush é um RPG alimentado pelo modelo GAN (Redes Adversárias Generativas) personalizado da empresa, baseado em anime. Os jogadores de Arrowmancer podem gerar um grupo inteiro de personagens de anime únicos desde a arte até as habilidades de combate. Essa personalização também faz parte de seu sistema de monetização -os jogadores importam seus personagens criados por IA para banners de gacha personalizados, onde podem obter personagens duplicados para fortalecer seu grupo.
A personalização também pode se estender a itens em um jogo. Por exemplo, uma IA pode ajudar a gerar armas e armaduras exclusivas disponíveis apenas para jogadores que concluírem uma missão específica.
A Azra Games construiu um pipeline de ativos alimentado por IA para conceber e gerar rapidamente uma vasta biblioteca de itens do jogo e objetos do mundo, abrindo caminho para jogadas mais variadas.
A célebre desenvolvedora de AAA, Activision Blizzard, criou o Blizzard Diffusion, um riff do gerador de imagens Stable Diffusion, para ajudar a gerar artes conceituais variadas para personagens e roupas.
Texto e diálogo em jogos também estão prontos para personalização. Sinais no mundo podem refletir o jogador alcançando um certo título ou status (“procurado por assassinato!”).
Os NPCs podem ser configurados como agentes baseados em LLM com personalidades distintas que se adaptam ao seu comportamento –o diálogo pode mudar com base nas ações anteriores de um jogador com o agente, por exemplo. Já vimos esse conceito executado com sucesso em um jogo AAA. Shadow of Mordor da Monolith tem um sistema de inimigos que cria dinamicamente histórias interessantes para vilões com base nas ações de um jogador. Esses elementos de personalização tornam cada jogada única.
A publisher de jogos Ubisoft revelou recentemente o Ghostwriter, uma ferramenta de diálogo alimentada por LLMs. Os escritores da editora usam a ferramenta para gerar os primeiros rascunhos de conversas e latidos de fundo (trechos de diálogo durante eventos acionados) que ajudam a simular um mundo vivo ao redor do jogador. Com ajustes, uma ferramenta como o Ghostwriter pode ser usada para diálogos de fundo personalizados.
Do ponto de vista do jogador, o impacto líquido de toda essa personalização é duplo: aumenta a imersão e a rejogabilidade do jogo.
A popularidade duradoura dos mods de RPG para jogos imersivos de mundo aberto como Skyrim e Grand Theft Auto 5 é um indicador da demanda latente por histórias personalizadas. Ainda hoje, o GTA vê consistentemente contagens mais altas de jogadores em servidores de RPG do que no jogo original. Vemos um futuro em que os sistemas de personalização são uma ferramenta integral de operações ao vivo para envolver e reter jogadores a longo prazo em todos os jogos.
Narrativa em Storytelling IA
Claro, há mais em um bom jogo do que apenas personagens e diálogos. Outra oportunidade empolgante é aproveitar a IA generativa para contar histórias melhores e mais personalizadas.
O avô da narrativa personalizada em jogos é Dungeons & Dragons, onde uma pessoa, apelidada de dungeon master, prepara e narra uma história para um grupo de amigos que interpretam os personagens da história. A narrativa resultante é parte teatro improvisado e parte RPG, o que significa que cada jogada é única. Como sinal da demanda por histórias personalizadas, o D&D nunca foi tão popular quanto é hoje, com produtos digitais e analógicos atingindo números recordes de vendas.
Hoje, muitas empresas estão aplicando LLMs ao modelo de narrativa de D&D. A oportunidade reside em permitir que os jogadores passem o tempo que quiserem em universos criados por jogadores ou IP que amam, guiados por um contador de histórias de IA infinitamente paciente. O AI Dungeon da Latitude foi lançado em 2019 como um jogo de aventura baseado em texto aberto, no qual a IA interpreta o dungeon master. Os usuários também ajustaram uma versão do GPT-4 da OpenAI para jogar D&D com resultados promissores. O jogo de aventura de texto do Character.AI é um dos modos mais populares do aplicativo.
Hidden Door vai um passo além para treinar seus modelos de aprendizado de máquina em um conjunto específico de materiais de origem – por exemplo, o Mágico de Oz – permitindo que os jogadores tenham aventuras em universos IP estabelecidos. Dessa forma, a Hidden Door trabalha com proprietários de IP para permitir uma nova forma interativa de extensão de marca. Assim que os fãs terminam um filme ou livro, eles podem continuar as aventuras em seus mundos favoritos com uma campanha personalizada semelhante a D&D. E a demanda por experiências de fãs está crescendo – dois dos maiores repositórios online de fanfic, Archiveofourown.org e Wattpad, viram mais de 354 milhões e 146 milhões de visitas ao site somente em maio.
A NovelAI desenvolveu seu próprio LLM Clio, que utiliza para contar histórias em um modo sandbox e ajudar a resolver o “bloqueio de escritor” para escritores humanos. E para os mais exigentes, o NovelAI permite que os usuários ajustem o Clio em seu próprio modo de trabalho ou até mesmo em escritores famosos como H.P. Lovecraft ou Júlio Verne.
Vale a pena ressaltar que muitos obstáculos permanecem antes que a narrativa de IA esteja totalmente pronta para produção. Uma IA aberta pode facilmente sair dos trilhos, o que a torna engraçada, mas difícil de manejar para o design de jogos. Construir um bom contador de histórias de IA hoje requer muita definição de regras humanas para criar os arcos narrativos que definem uma boa história. A memória e a coerência são importantes – um contador de histórias precisa se lembrar do que aconteceu anteriormente em uma história e manter a consistência, tanto factual quanto estilisticamente. A interpretabilidade continua sendo um desafio para muitos LLMs de código fechado que operam como caixas pretas, enquanto os designers de jogos precisam entender por que um sistema se comportou daquela maneira para melhorar a experiência.
No entanto, enquanto esses obstáculos estão sendo superados, a IA como copiloto para contadores de histórias humanos já está aqui. Milhões de escritores hoje usam o ChatGPT para fornecer inspiração para suas próprias histórias. O estúdio de entretenimento Scriptic utiliza uma mistura de DALL-E, ChatGPT, Midjourney, Eleven Labs e Runway ao lado de uma equipe de editores humanos para criar programas de aventura interativos e personalizados, disponíveis hoje na Netflix.
Construção Dinâmica de Mundo
Embora as histórias baseadas em texto sejam populares, muitos jogadores também desejam ver suas histórias ganharem vida visualmente. Uma das maiores oportunidades para IA generativa em jogos pode ser ajudar a criar os mundos vivos nos quais os jogadores investem tantas horas.
Embora não seja viável hoje, uma visão frequentemente declarada é a geração de níveis e conteúdo em tempo real à medida que o jogador progride no jogo. O exemplo canônico de como esse jogo pode ser é o Mind Game do romance de ficção científica Ender’s Game. O Mind Game é um jogo dirigido por IA que se adapta em tempo real aos interesses de cada aluno, o mundo evoluindo com base no comportamento do aluno e qualquer outra informação psicográfica que a IA possa inferir.
Hoje, o análogo mais próximo do Mind Game pode ser a franquia Left 4 Dead da Valve – que utiliza um IA Director para ritmo e dificuldade dinâmica do jogo. Em vez de definir pontos de spawn para os inimigos (zumbis), o IA Director coloca os zumbis em posições e números variados com base no status, habilidade e localização de cada jogador, criando uma experiência única em cada jogada. O Director também define a ambiência do jogo com efeitos visuais dinâmicos e música (tradução: é super assustador!). O fundador da Valve, Gabe Newell, cunhou esse sistema de “narrativa processual”. O aclamado Dead Space Remake da EA usa uma variação do sistema de direção de IA para maximizar o horror.
Embora possa parecer estar no reino da ficção científica hoje, é possível que um dia, com modelos generativos aprimorados e acesso a computação e dados suficientes, possamos construir um IA Director capaz de gerar não apenas jumpscares, mas o próprio mundo.
Notavelmente, o conceito de níveis gerados por máquina em jogos não é novo. Muitos dos jogos mais populares hoje, de Hades da Supergiant a Diablo da Blizzard e ao Minecraft da Mojang, todos usam a geração processual – uma técnica pela qual os níveis são criados aleatoriamente, diferentes a cada jogada, usando equações e conjuntos de regras executados por um designer humano. Uma biblioteca inteira de software foi criada para auxiliar na geração processual. O SpeedTree da Unity ajuda os desenvolvedores a gerarem folhagens virtuais, que você já deve ter visto nas florestas de Pandora em Avatar ou nas paisagens de Elden Ring.
Um jogo pode combinar um gerador de ativos processuais com um LLM na interface do usuário. O jogo Townscaper usa um sistema processual para obter apenas duas entradas de jogador (colocação e cor do bloco) e transformá-las em lindas paisagens da cidade na hora. Imagine o Townscaper com um LLM adicionado à interface do usuário, ajudando os jogadores a iterarem seu caminho para criações ainda mais sutis e bonitas por meio de prompts de linguagem natural.
Muitos desenvolvedores também estão entusiasmados com o potencial de aumentar a geração processual com aprendizado de máquina. Um designer poderia, em um dia, gerar iterativamente um primeiro rascunho viável de um nível, usando um modelo treinado em níveis existentes semelhantes em estilo. No início deste ano, Shyam Sudhakaran liderou uma equipe da Universidade de Copenhague para criar o MarioGPT – uma ferramenta GPT2 que pode gerar níveis de Super Mario usando um modelo treinado nos níveis originais de Super Mario 1 e 2. Há pesquisas acadêmicas nessa área há algum tempo, incluindo um projeto de 2018 para projetar níveis no jogo de tiro em primeira pessoa DOOM usando Redes Adversárias Generativas, ou Generative Adversarial Networks (GANs).
Trabalhando em conjunto com sistemas processuais, os modelos generativos podem acelerar significativamente a criação de ativos. Os artistas já estão usando modelos de difusão de texto-para-imagem para arte conceitual e storyboards apoiado por IA. O líder de Mainframe VFX, Jussi Kemppainen, descreve como ele construiu o mundo e os personagens para um jogo de aventura 2.5D com a ajuda de Midjourney e Adobe Firefly.
A geração 3D também está recebendo muita pesquisa. A Luma usa campos de radiância neural (NeRFs) para permitir que os consumidores construam ativos 3D fotorrealistas a partir de imagens 2D capturadas em um iPhone. Kaedim usa uma mistura de IA e humano no controle de qualidade do loop para criar malhas 3D prontas para produção que já estão sendo usadas por mais de 225 desenvolvedores de jogos atualmente. E a CSM lançou recentemente um modelo proprietário que pode gerar modelos 3D a partir de vídeos e imagens.
A longo prazo, o santo graal é usar modelos de IA para construção de mundo em tempo real. Vemos um futuro potencial onde jogos inteiros não são mais renderizados, mas gerados em tempo de execução usando redes neurais. A tecnologia DLSS da NVIDIA já pode gerar novos quadros de jogo de resolução mais alta em tempo real usando GPUs de nível de consumidor. Um dia, você poderá clicar em “interagir” em um filme da Netflix e, em seguida, entrar no mundo com cada cena gerada na hora e personalizada exclusivamente para você. Neste futuro, os jogos se tornarão indistinguíveis de filmes.
Vale a pena notar que os mundos gerados dinamicamente por conta própria não são suficientes para fazer um bom jogo, como evidenciado pelas análises críticas de No Man’s Sky, que foi lançado com mais de 18 quintilhões de planetas gerados processualmente. A promessa de mundos dinâmicos reside na sua combinação com outros sistemas de jogo – personalização, agentes generativos, etc – para desbloquear novas formas de contar histórias. Afinal, a parte mais impressionante do Mind Game foi como ele se moldou a Ender, não ao mundo em si.
Um copiloto de IA para cada jogo
Embora tenhamos abordado anteriormente o uso de agentes generativos em jogos de simulação, há outro caso de uso emergente em que a IA serve como um copiloto do jogo – nos ensinando as jogadas e, em alguns casos, até mesmo jogando ao nosso lado.
Um copiloto de IA pode ser inestimável para a integração de jogadores em jogos complexos. Por exemplo, sandboxes de UGC (conteúdo gerado pelo usuário) como Minecraft, Roblox ou Rec Room são ambientes ricos nos quais os jogadores podem construir quase qualquer coisa que possam imaginar se tiverem os materiais e as habilidades certas. Mas há uma curva de aprendizado íngreme e não é fácil para a maioria dos jogadores descobrir como começar.
Um copiloto de IA pode permitir que qualquer jogador seja um Master Builder (mestre construtor) em um jogo UGC – fornecendo instruções passo a passo em resposta a um prompt de texto ou imagem e treinando os jogadores através de erros. Um ponto de referência adequado é o conceito de Master Builders do universo LEGO – pessoas raras dotadas da capacidade de ver o projeto de qualquer criação que possam imaginar no momento da necessidade.
A Microsoft já está trabalhando em um copiloto de IA para Minecraft – que usa DALL-E e Github Copilot para permitir que os jogadores injetem recursos e lógica em uma sessão do Minecraft por meio de prompts de linguagem natural. A Roblox está integrando ativamente ferramentas generativas de IA na plataforma Roblox, com a missão de permitir que “cada usuário seja um criador”. A eficácia dos copilotos de IA para co-criação já foi comprovada em muitos campos, desde a codificação com o Github Copilot até a escrita com o ChatGPT.
Indo além da co-criação, um LLM treinado em dados de jogabilidade humana deve ser capaz de desenvolver uma compreensão de como se comportar em uma variedade de jogos. Com a integração adequada, um agente pode atuar como parceiro cooperativo quando os amigos de um jogador não estão disponíveis ou assumir o outro lado do campo em jogos frente a frente como FIFA ou NBA 2k. Tal agente estaria sempre disponível para jogar, gracioso tanto na vitória quanto na derrota, e nunca crítico. E ajustado à nossa história de jogo pessoal, o agente pode ser muito superior aos bots existentes, jogando exatamente como nós mesmos ou de maneiras complementares.
Projetos semelhantes foram executados com sucesso em ambientes restritos. O popular jogo de corrida Forza desenvolveu um sistema Drivatar que usa aprendizado de máquina para construir um motorista de IA para cada jogador humano, imitando seu comportamento de direção. Os Drivatars são carregados na nuvem e podem ser chamados para competir com outros jogadores quando seus parceiros humanos estão offline, ganhando até mesmo créditos pelas vitórias. O AlphaStar do Google DeepMind treinou em um conjunto de dados de “até 200 anos” de jogos Starcraft II para criar agentes que poderiam jogar e vencer os profissionais de sports humanos no jogo.
Os co-pilotos de IA como mecânica de jogo podem até criar modos de jogo totalmente novos. Imagine Fortnite, mas todo jogador tem uma varinha mágica Master Builder que pode construir instantaneamente torres de atiradores ou pedras flamejantes por meio de prompts. Neste modo de jogo, a vitória provavelmente seria determinada mais pelo trabalho da varinha mágica (sugestão) do que pela habilidade de mirar uma arma.
O sonho do “amigo” de IA perfeito no jogo tem sido uma parte memorável de muitas franquias de jogos populares – basta olhar para Cortana do universo Halo, Elle de The Last of Us ou Elizabeth em Bioshock Infinite. E para jogos competitivos, bater em bots de computador nunca envelhece – desde fritar alienígenas em Space Invaders até o comp stomp em Starcraft, que eventualmente se transformou em seu próprio modo de jogo, Co-op Commanders.
À medida que os jogos evoluem para as redes sociais da próxima geração, esperamos que os co-pilotos de IA desempenhem um papel social cada vez mais proeminente como treinador e/ou parceiro cooperativo. Está bem estabelecido que adicionar recursos sociais aumenta a aderência de um jogo – jogadores com amigos podem ter uma retenção até 5 vezes melhor. Vemos um futuro em que cada jogo terá um co-piloto de IA – seguindo um mantra de “bom sozinho, ótimo com IA, o melhor com amigos.”
Conclusão
Ainda estamos no início da aplicação de IA generativa a jogos, e muitos obstáculos legais, éticos e técnicos precisam ser resolvidos antes que a maioria dessas ideias possa ser colocada em produção. A propriedade legal e a proteção de direitos autorais de jogos com ativos gerados por IA não são claras hoje, a menos que um desenvolvedor possa provar a propriedade de todos os dados usados para treinar um modelo. Isso torna difícil para os proprietários de franquias de IP existentes utilizar modelos de IA de terceiros em seus pipelines de produção.
Também há preocupações significativas sobre como compensar os escritores, artistas e criadores originais por trás dos dados de treinamento. O desafio é que a maioria dos modelos IA de hoje foram treinados em dados públicos da Internet, muitos dos quais são trabalhos protegidos por direitos autorais. Em alguns casos, os usuários conseguiram recriar o estilo exato de um artista usando modelos generativos. Ainda é cedo e a remuneração dos criadores de conteúdo precisa ser devidamente trabalhada.
Por fim, a maioria dos modelos generativos hoje teria custo proibitivo para execução na nuvem 24/7, em escala global exigida pelas operações de jogos modernos. Para dimensionar de forma econômica, os desenvolvedores de aplicativos provavelmente precisarão descobrir maneiras de transferir as cargas de trabalho do modelo para os dispositivos do usuário final, mas isso levará tempo.
No entanto, o que está claro no momento é que há uma tremenda atividade de desenvolvedores e interesse dos jogadores em IA generativa para jogos. E embora também haja muito hype, estamos totalmente entusiasmados com as muitas equipes talentosas que vemos neste espaço, trabalhando horas extras para criar produtos e experiências inovadoras.
A oportunidade não é apenas tornar os jogos existentes mais rápidos e baratos, mas também desbloquear uma nova categoria de jogos de IA que não eram possíveis antes. Não sabemos exatamente que forma esses jogos terão, mas sabemos que a história da indústria de jogos tem sido a da tecnologia impulsionando novas formas de jogar. O prêmio potencial é enorme – com sistemas como agentes generativos, personalização, narrativa de IA, construção de mundo dinâmico e copilotos de IA, podemos estar prestes a ver os primeiros jogos NeverEnding (sem fim) criados por desenvolvedores de IA.
***
As opiniões expressas aqui são as da AH Capital Management, L.L.C. (“a16z”) citadas e não são as opiniões da a16z ou de suas afiliadas. Certas informações aqui contidas foram obtidas de terceiros, inclusive de empresas de portfólio de fundos geridos pela a16z. Embora retirado de fontes consideradas confiáveis, a16z não verificou independentemente essas informações e não faz representações sobre a precisão atual ou duradoura das informações ou sua adequação para uma determinada situação. Além disso, este conteúdo pode incluir anúncios de terceiros; A a16z não revisou tais anúncios e não endossa nenhum conteúdo publicitário neles contido.
Este conteúdo é fornecido apenas para fins informativos e não deve ser considerado como aconselhamento jurídico, comercial, de investimento ou tributário. Você deve consultar seus próprios conselheiros quanto a esses assuntos. As referências a quaisquer valores mobiliários ou ativos digitais são apenas para fins ilustrativos e não constituem uma recomendação de investimento ou oferta para fornecer serviços de consultoria de investimento. Além disso, este conteúdo não é direcionado nem destinado ao uso de quaisquer investidores ou potenciais investidores e não pode, em nenhuma circunstância, ser invocado ao tomar uma decisão de investir em qualquer fundo administrado pela a16z. (Uma oferta para investir em um fundo a16z será feita apenas pelo memorando de colocação privada, contrato de subscrição e outra documentação relevante de qualquer fundo e deve ser lida na íntegra.) Quaisquer investimentos ou empresas de portfólio mencionados, referidos ou descritos não são representativos de todos os investimentos em veículos administrados pela a16z e não pode haver garantia de que os investimentos serão lucrativos ou que outros investimentos feitos no futuro terão características ou resultados semelhantes. Uma lista de investimentos feitos por fundos administrados pela Andreessen Horowitz (excluindo investimentos para os quais o emissor não deu permissão para a16z divulgar publicamente, bem como investimentos não anunciados em ativos digitais negociados publicamente) está disponível em https://a16z.com/investments/.
Tabelas e gráficos fornecidos são apenas para fins informativos e não devem ser considerados ao tomar qualquer decisão de investimento. O desempenho passado não é indicativo de resultados futuros. O conteúdo fala apenas a partir da data indicada. Quaisquer projeções, estimativas, previsões, metas, perspectivas e/ou opiniões expressas nestes materiais estão sujeitas a alterações sem aviso prévio e podem diferir ou ser contrárias às opiniões expressas por terceiros. Consulte https://a16z.com/disclosures para obter informações adicionais importantes.
