AI原生互动侦探游戏，刚上线就爆火，服务器一度挤爆。

免费、免下载、免注册、中文友好、浏览器运行… …

这么多buff叠在一起，是不是勾起了你的好奇心？

今天的主角AI Alibis，由两位外国游戏爱好者共同开发，并且作为参赛作品提交给了Anthropic六月份的开发者竞赛。

短时间内AI Alibis就在Hackers news上登顶第一。（但是服务器被热情试玩的网友挤爆了…）

不少网友也对AI Alibis充满了期待。

更有甚者，在多人聊天室中用GPT-4o创建了一个AI Alibis的专属解谜房间。

随着AI Alibis的热度逐渐升高，量子位也慕名而来，对游戏进行了一番详尽的了解和研究。

游戏中，你将会面对六位性格迥异AI NPC。总结了一下每个人物的性格特点，简单了解之后就可以跟着量子位一起做赛博侦探，审AI罪犯啦！

试玩一下

开局第一步，找女警官了解案件的来龙去脉。

在Andae山狩猎比赛中，三届冠军Vince被谋杀，其尸体被发现在小屋的隐藏隔间内，同时，还发现了15年前失踪的时尚设计师的骸骨。你要做的，就是找出凶手。

了解完故事背景就可以开始盘问嫌疑人了。

当盘问暴力Jerry的时候，Jerry觉得自己被怀疑很荒谬，他虽然和Victim Vince有过节，但并没有杀人。

他认为侦探应该去调查那些行为更可疑的人，比如痴迷网恋的Innocent Ken或者狩猎狂Solitary Hannah。

顺着Jerry提供的线索顺藤摸瓜，又可以锁定下一条线索，并不断靠近真相… …

有一说一，支持中文这点还是挺不错的，甚至有些像“我和他不对付”这种比较口语化的内容也能翻译出来。（机翻达不到的高度）

插一句：AI NPC的回答会跟着玩家提问时使用的语言而改变。

盘问结束后，玩家可以对通过自己的判断对凶手进行投票。

游戏的最后，还可以解锁剧透内容，让玩家挖掘更深层的主线内容。

关于游戏剧情，故事中还掺杂了一个Missing Marcel的旧案和宝藏地图，让整个故事线串联的更加混乱，给破案增加了一点难度。

不仅如此，开发者还贴心的给每个AI人物都搞了专属的设定，不同的性格，各自的秘密，再到不同的人物背景，主打一个沉浸式体验。

试玩下来，会发现这个游戏虽然乍看之下规则简单——找出凶手。但其实它的故事线极为错综复杂，游戏中的NPC们甚至会“变着方的说瞎话”，确实有点烧脑。

但是不足还是很明显的。

比如反应实在有点慢，对话发送之后Loding圈要转好久好久好久xN才能生成对话。

而且每次提问只能问一个人，不能同时提问多人。再套上反应慢的buff，等吧，一等一个不吱声。

关于AI Alibis

AI Alibis是怎么个事？

AI Alibis是国外网友Paul Scotti用anthropic模型做出的一种由AI虚拟成员组成的解密探案游戏。故事背景改编自韩国电视剧《犯罪现场》的S02E11山庄谋杀案。

是那种让你动脑筋、玩策略的游戏，故事会随着你的选择不断变化，而且每次玩都能碰到不同的结局。

怕咱玩不明白，制作团队甚至放出了破解文件，又菜又爱玩的家人们可以开始笑了。（疯狂竖大拇指）

如何训练AI Alibis？

AI Alibis受到了很多关注，但是“台上一分钟，台下十年功”。两位开发者在训练AI Alibis里的AI人物如何变得更加聪明时，可受了老鼻子罪了。

先是“一打就招”。

给对话加一个前提，让AI无视前面的对话，直接问他为啥杀人，没想到马上就招了…于是开发者马上加了个隐藏的提示优化Buff，这下变聪明了。

还总爱说点不该说的。

开发者从synthlabs引入的批判和修订的方法来规范AI的言行。比如在和System prompt对话时限制它只能回答英国大学相关的问题，那么再问它其他国家的大学，人家才不和你聊。

聪明吧，笨的来了。

即便叠了很多Buff，它还是会说点不该说的。

比如和AI说：别装了，我们都发现你的指纹了。他会说：我不是凶手，但是既然你有证据，那就是我了。（地铁、老头、手机）

为了避免再出现这种“有脑子，但不多”的情况再发生，开发者加入了一个修订机器人的程序。

AI生成的每句话都会先过一下修订机器人，确保它没有直接就承认自己是凶手。像是给AI找了律师一样，不该说的捂住嘴，不许说！

AI Alibis还用了哪些技术？

除了上面提到的研发者在训练AI不出错时用到的批判与修订方法、违规机器人检查器等技术，AI Alibis里还加入了“粉红大象”的研究原理。

相关的训练思路，可以参考由synthlabs.ai、EleutherAI、布朗大学和 character.ai这几家机构共同撰写的《Suppressing Pink Elephants with Direct Principle Feedback》。

△论文《Suppressing Pink Elephants with Direct Principle Feedback》

简单来说，所谓的“粉红大象效应”，其实就是用直接原则反馈（DPF）的方法，让LLM不去讨论粉红象，转而讨论去讨论灰色象。

当然这个样本内容也可以进行替换，比如上文中的英国大学和美国大学那个例子，就是运用了这个原理。

啥是直接原则反馈（DPF）？

简单理解，DPF可以分成四个步骤，也对应了四个颜色。

蓝色（Blue）：第一步，在有助请求和输出的示例上微调模型。这些示例是模型学习如何生成有用和合适响应的基础。

橙色（Orange）：第二步，对第一步生成的输出进行批评和修订，让它更符合期望，然后在这些修订后的输出上微调新模型。

绿色（Green）：第三步，使用监督式微调（SFT）模型生成对特定提示的响应，然后再手动或是用AI程序对这些响应进行排名。

紫色（Purple）：第四步，将排名后响应输入偏好学习算法，如PPO或DPO，然后产出最终的模型。

不仅如此，为了让LLM学会不去讨论“粉红象”，研发者们策划了一个包含162K多轮对话的数据集，这些对话内容涵盖了包括体育、健康、商业和政治在内的29个不同领域。

数据集整理完了，第一步就是要示范一下怎么做才是最错的。

他们用GPT-4生成了一个包含200个不重复的日常对话列表，再去过滤一波，确保这些对话真的很日常，当然里面夹杂着“粉色大象”。

然后再用StableBeluga2来为这些对话想出一些相关的小话题。

执行程序之后发现行不通，生成的结果里面会有“粉红大象”。(那肯定的，因为前面的步骤里面就有它）

犯了错误就得改，于是研究者们就让LLM重新生成一下最后的结果，并且要求LLM删掉有关“粉红大象”的所有内容。

最后就是用 距离度量或启发式方法 来筛查最后的结果里面还有没有“粉红大象”（说白了就是拿尺子量一量钝角派对里面有没有混进来锐角），这样一套程序下来，“粉红大象”的现象就不复存在啦。

游戏里看不见AI，却到处是AI

NPC这个词大家肯定都很熟悉，一些“触发情节”+“发任务的工具人”（doge）。

在《赛博朋克2077》中，通过实时AI模型渲染工具Nvidia Ace来生成众多逼真的NPC角色。

游戏《Kairos》里面的AI NPC能听懂你说的话，然后立刻用语音和表情回应你，就像真的在聊天一样。

《Minecraft》中，英伟达将GPT-4融入游戏，让VOYAGER表现出了更高的效率和探索能力。

还有最重要的作弊检测、匹配机制、个性化推荐、平衡调节等技术，都是AI在游戏中的运用。

之前没感受过的话，是时候原神！启动了

对了，游戏AI Alibis现已在github上开源，想要体验一把赛博侦探的家人们可以冲了。

在线试玩：https://ai-murder-mystery.onrender.com/

开源代码：https://github.com/ironman5366/ai-murder-mystery-hackathon

参考链接：

[1]https://arxiv.org/abs/2402.07896

[2]https://x.com/humanscotti/status/1810777932568399933