هوش مصنوعی تاثیرگذارترین اتفاق گیمینگ در سال 2026 است، نه GTA 6! [قسمت اول]

اگر قرار باشد سال ۲۰۲۶ را با یک اتفاق در تاریخ بازی‌های ویدیویی به خاطر بسپاریم، انتخاب بدیهی برای بسیاری از ما GTA 6 است. بازی‌ای که بیش از یک دهه انتظار برایش شکل گرفته، هر خبر مرتبط با آن به رویدادی جهانی تبدیل می‌شود و انتشارش می‌تواند بر برنامه‌های تجاری چندین شرکت بزرگ اثر بگذارد. اما آیا واقعاً مهم‌ترین اتفاق صنعت بازی در سال ۲۰۲۶، انتشار یک بازی است که هنوز تمام ظرفیت تجاری‌اش را نشان نداده، یا تحولی که در حال تغییر دادن شیوه ساخت بازی‌ها، هزینه تولید سخت‌افزار، امنیت پلتفرم‌ها، آینده نیروی کار و حتی معنای مالکیت نرم‌افزار است؟

به نظرم اگر از هیاهوی تبلیغاتی فاصله بگیریم، پاسخ چندان دشوار نیست: هوش مصنوعی (Artificial Intelligence) مهم‌ترین اتفاق گیمینگ در سال ۲۰۲۶ است. نه به این دلیل ساده که حالا می‌توانیم از یک چت‌بات بخواهیم برایمان تصویر بسازد یا چند خط کد بنویسد، بلکه چون هوش مصنوعی به‌تدریج در حال تغییر دادن رابطه میان سرمایه، نیروی انسانی، دانش فنی و محصول نهایی است. تأثیر آن دیگر به چند آزمایش محدود در استودیوهای بازی‌سازی خلاصه نمی‌شود. از تولید تامنیل و موسیقی و متن ویدیوهای یوتیوب گرفته تا طراحی مراحل، تولید کد، اشکال‌زدایی، مهندسی معکوس نرم‌افزارها و یافتن آسیب‌پذیری‌های امنیتی، مرز میان کاری که پیش‌تر به تیمی تخصصی و ماه‌ها زمان نیاز داشت و کاری که یک فرد با چند ابزار هوشمند می‌تواند آغاز کند، در حال جابه‌جایی است.

این تحول را باید در کنار اتفاقاتی دید که در نگاه اول ارتباط چندانی با یکدیگر ندارند: افزایش قیمت حافظه، تعدیل نیروی انسانی در استودیوها، تلاش برای جیلبریک پلی‌استیشن ۵، پورت غیررسمی بازی‌ها روی پلتفرم‌های جدید و افشای اطلاعات محرمانه شرکت‌ها. مسئله این نیست که هوش مصنوعی مستقیماً علت تمام این اتفاقات است. چنین ادعایی هم ساده‌انگارانه است و هم از نظر شواهد قابل دفاع نیست. مسئله این است که هوش مصنوعی به یکی از عوامل اصلی تغییر در معادلاتی تبدیل شده که این اتفاقات درون آن‌ها معنا پیدا می‌کنند.

شاید GTA 6 در پایان سال ۲۰۲۶ پرفروش‌ترین بازی سال باشد، رکوردهای تازه‌ای ثبت کند و تعریف تازه‌ای از تولیدات عظیم صنعت بازی ارائه دهد. اما یک بازی، حتی اگر شاهکار باشد، همچنان محصول یک الگوی تولید مشخص است. هوش مصنوعی می‌تواند خود آن الگو را تغییر دهد؛ الگویی که تعیین می‌کند چه کسی توانایی ساخت بازی دارد، چه تعداد نیروی انسانی برای ساخت آن لازم است، چه سخت‌افزاری برای اجرای آن در دسترس خواهد بود و چه کسی می‌تواند نرم‌افزاری را که یک شرکت سال‌ها در انحصار خود نگه داشته، دوباره پیاده‌سازی کند.

برای فهمیدن اهمیت این موضوع، باید از جایی فراتر از خود بازی‌ها شروع کنیم. در گیمفا با ما همراه شوید تا در ۲ قسمت، به این موارد بپردازیم.

۱. بحران رم؛ وقتی هوش مصنوعی از دیتاسنترها به جیب گیمرها می‌رسد

اولین تناقض بزرگ سال ۲۰۲۶ این است که فناوری‌ای که قرار است تولید بازی‌ها را ارزان‌تر و دسترسی به ابزارهای پیشرفته را آسان‌تر کند، می‌تواند هزینه دسترسی به سخت‌افزار موردنیاز برای اجرای بازی‌ها را افزایش دهد. ولی اگر هوش مصنوعی در آینده نه چندان دور، خودش روش‌های بهتری برای تولید قطعات پیدا کند، آن‌وقت چطور؟‌

هوش مصنوعی به محاسبات سنگین نیاز دارد؛ محاسباتی که بخش مهمی از زیرساخت آن به حافظه وابسته است. شرکت‌های فعال در حوزه هوش مصنوعی برای آموزش و اجرای مدل‌هایشان به دیتاسنترهای عظیم، پردازنده‌های گرافیکی، حافظه‌های پرسرعت و تجهیزات ذخیره‌سازی نیاز دارند. اما این تقاضای تازه در بازاری شکل گرفته که ظرفیت تولید تراشه‌های حافظه نامحدود نیست و تولیدکنندگان نیز انگیزه دارند ظرفیت خود را به سمت محصولات پرسودتر هدایت کنند.

بر اساس گزارش سپتامبر ۲۰۲۶ شرکت تحقیقاتی ترندفورس (TrendForce)، قیمت قراردادی حافظه‌های DRAM متعارف در سه‌ماهه چهارم سال ۲۰۲۶ احتمالاً بین ۱۰ تا ۱۵ درصد افزایش می‌یابد. در همین گزارش، برای حافظه‌های NAND نیز افزایش ۱۵ تا ۲۰ درصدی پیش‌بینی شده است. این ارقام در ادامه افزایش‌های شدیدتر ماه‌های قبل قرار می‌گیرند؛ ترندفورس در مارس ۲۰۲۶ برای سه‌ماهه دوم، افزایش فصلی ۵۸ تا ۶۳ درصدی DRAM متعارف را پیش‌بینی کرده بود. دلیل اصلی این فشار، تقاضای مراکز داده و انتقال بخشی از ظرفیت تولید به حافظه‌های موردنیاز زیرساخت هوش مصنوعی است.

البته باید درباره این اعداد دقیق باشیم. افزایش قیمت قراردادی تراشه با افزایش قیمت خرده‌فروشی هر کیت رم در بازار یکسان نیست. میزان افزایش برای DDR4، DDR5، حافظه‌های سروری و محصولات مختلف متفاوت است و قیمت نهایی به موجودی فروشندگان، قراردادهای قبلی، نرخ ارز و هزینه توزیع بستگی دارد. با این‌حال، جهت کلی اتفاق مورد بحث روشن است: بازار مصرف‌کننده دیگر تنها بر اساس نیاز گیمرها و کاربران رایانه‌های شخصی شکل نمی‌گیرد، حداقل در کوتاه‌مدت و در حال حاضر. تقاضای دیتاسنترها، که از نظر اقتصادی برای تولیدکنندگان جذابیت بسیار بیشتری دارد، می‌تواند بر قیمت قطعاتی اثر بگذارد که میلیون‌ها کاربر عادی به آن‌ها نیاز دارند.

این مسئله برای بازی‌ها اهمیت مستقیمی دارد. حافظه رم رایانه، حافظه گرافیکی کارت‌های گرافیک و حافظه داخلی کنسول‌ها یک چیز نیستند؛ افزایش قیمت یکی را نباید به‌صورت مکانیکی به دیگری تعمیم داد. با این‌حال، تمام این محصولات در اکوسیستم گسترده‌تری از تولید نیمه‌رساناها و تخصیص ظرفیت کارخانه‌ها قرار دارند. وقتی سازندگان برای تأمین نیاز دیتاسنترها با فشار تقاضا روبه‌رو می‌شوند، هزینه فرصت تولید محصولات مصرفی نیز تغییر می‌کند. اگر این فشار با افزایش هزینه پردازنده‌ها، کارت‌های گرافیک و ذخیره‌سازی همراه شود، ارتقای رایانه شخصی برای گیمرها گران‌تر خواهد شد؛ حتی اگر قیمت یک قطعه خاص به همان نسبت بالا نرود.

تناقض اصلی دقیقاً همین‌جاست. از یک طرف، ابزارهای هوش مصنوعی می‌توانند به توسعه‌دهندگان مستقل اجازه دهند با بودجه کمتر بازی‌های پیچیده‌تری بسازند. از طرف دیگر، زیرساختی که این تحول بر آن تکیه دارد، ممکن است هزینه خرید و نگهداری سخت‌افزار را برای بخشی از مصرف‌کنندگان افزایش دهد. در چنین شرایطی، ممکن است ساخت بازی ارزان‌تر شود، اما تجربه کردن آن ارزان‌تر نشود. البته که این در نهایت، دغدغه ما نخواهد بود. بازار آزاد احتمالاً مثل همیشه در مدت معقولی، جواب می‌دهد و ماجرا متعادل می‌شود.

آیا این وضعیت می‌تواند به سقوطی شبیه دهه ۸۰ منجر شود؟

مقایسه بحران سخت‌افزار در سال ۲۰۲۶ با سقوط صنعت بازی‌های ویدیویی در سال‌های ۱۹۷۷ تا ۱۹۸۳ وسوسه‌انگیز است، اما برای اینکه این مقایسه چیزی بیش از یک حدس احمقانه باشد، باید تفاوت‌های تاریخی را هم در نظر گرفت. سقوط بزرگ بازار بازی‌های خانگی آمریکای شمالی در سال‌های ۱۹۸۳ و ۱۹۸۴ نتیجه یک عامل منفرد نبود. من قبلاً این مسئله را در دو مقاله مجزا بررسی کردم که می‌توانید در انتهای این مطلب، لینک آن را پیدا کنید.

عرضه بیش‌ازحد محصولات، رقابت شدید قیمتی، انباشت بازی‌های فروش‌نرفته، افت اعتماد فروشندگان و مصرف‌کنندگان و رشد رایانه‌های خانگی در شکل‌گیری بحران نقش داشتند. شکست تجاری بعضی محصولات آتاری، از جمله نسخه خانگی Pac-Man و بازی E.T. the Extra-Terrestrial، نماد این بحران شد؛ اما توضیح دادن آن صرفاً با کیفیت پایین یک بازی، نادیده گرفتن مشکلات ساختاری بازار است.

شباهت مهم با وضعیت امروز، نه در تکرار دقیق آن رویدادها، بلکه در امکان برهم خوردن تعادل میان هزینه تولید، قیمت مصرف‌کننده و انتظارات تجاری است. در دهه ۸۰، شرکت‌ها بیش از ظرفیت واقعی بازار محصول تولید می‌کردند و نمی‌توانستند موجودی خود را بفروشند. امروز، در بخش‌هایی از بازار سخت‌افزار، مسئله می‌تواند معکوس باشد: تقاضای عظیم یک صنعت تازه، ظرفیت تولید را از محصولات مصرفی دور کند و هزینه دسترسی به سخت‌افزار را بالا ببرد. در هر دو حالت، تصمیم‌های شرکت‌های بزرگ می‌تواند کل زنجیره بازی را تحت فشار قرار دهد؛ اما سازوکار بحران یکسان نیست.

اگر قیمت قطعات بالا برود و کاربران از ارتقای رایانه خود صرف‌نظر کنند، سازندگان سخت‌افزار مصرفی، فروشگاه‌ها و حتی توسعه‌دهندگانی که روی بازار رایانه‌های شخصی حساب کرده‌اند، ممکن است با تقاضای ضعیف‌تری روبه‌رو شوند. بازی‌های سنگین‌تر نیز در معرض یک پرسش اساسی قرار می‌گیرند: آیا مخاطب حاضر است برای اجرای آن‌ها هزینه بیشتری بپردازد؟ این موضوع برای بازی‌هایی که به سخت‌افزار رده‌بالا وابسته‌اند مهم‌تر است، اما حتی توسعه‌دهندگان مستقل نیز از کاهش قدرت خرید مخاطبان در امان نیستند.

با این وجود، نمی‌توان از افزایش قیمت رم نتیجه گرفت که سقوط دیگری در راه است. بازار امروز از نظر تنوع پلتفرم‌ها، توزیع دیجیتال، مدل‌های درآمدی و ساختار شرکت‌ها با دهه ۸۰ تفاوت بنیادی دارد. کنسول‌ها، رایانه‌های شخصی، موبایل و سرویس‌های اشتراکی هرکدام بخشی از تقاضا را جذب می‌کنند. بحران زمانی شکل خطرناک‌تری پیدا می‌کند که فشار سخت‌افزاری با هزینه‌های فزاینده تولید بازی، اشباع بازار و تصمیم‌های تجاری نادرست هم‌زمان شود.

به همین دلیل، پرسش مهم‌تر این نیست که آیا تاریخ دقیقاً تکرار خواهد شد یا نه. پرسش این است که آیا صنعت بازی در حال ساختن مدلی است که در آن، ابزار تولید برای توسعه‌دهنده ارزان‌تر و قدرتمندتر می‌شود، اما سخت‌افزار مناسب برای مصرف‌کننده به کالایی گران‌تر تبدیل می‌شود؟ اگر پاسخ مثبت باشد، این تضاد می‌تواند یکی از مهم‌ترین محدودیت‌های رشد صنعت در سال‌های آینده باشد.

۲. وقتی دیگر برای تولید محتوای گیمینگ به یک تیم کامل نیاز ندارید

تغییرات هوش مصنوعی را شاید زودتر از هر جای دیگری بتوان در اقتصاد تولید محتوا دید. چند سال پیش، راه‌اندازی یک کانال گیمینگ جدی فقط به علاقه و شناخت بازی‌ها نیاز نداشت. باید تصویر بندانگشتی (Thumbnail) طراحی می‌کردید، ویدیو را تدوین می‌کردید، موسیقی مناسب پیدا می‌کردید، متن می‌نوشتید، صدای قابل‌قبولی ضبط می‌کردید و در نهایت با انتشار منظم، مخاطب می‌ساختید. هرکدام از این کارها می‌توانست به تخصصی جداگانه تبدیل شود. امروز بخش قابل‌توجهی از این زنجیره را می‌توان با ابزارهای هوش مصنوعی انجام داد یا دست‌کم سرعتش را به‌طور محسوسی افزایش داد.

برای مثال، یک سازنده محتوای مستقل می‌تواند از یک مدل زبانی برای استخراج نکات مهم یک خبر، ساختاردهی سناریوی ویدیو و پیشنهاد چند عنوان استفاده کند؛ سپس با ابزار تولید تصویر، طرح اولیه تامنیل بسازد، موسیقی متناسب با فضای ویدیو تولید کند و با ابزارهای تبدیل متن به گفتار، نسخه‌ای از روایت را آماده کند. حتی آواتارهای مجازی مجهز به هوش مصنوعی می‌توانند به‌عنوان مجری یا استریمر فعالیت کنند و در پاسخ به پیام‌های مخاطبان، واکنش نشان دهند.

این اتفاق به معنای پایان کار تولیدکنندگان محتوای انسانی نیست. اتفاقاً وقتی تولید محتوا ارزان‌تر می‌شود، ارزش انتخاب موضوع، تشخیص اهمیت خبر، داشتن شخصیت متمایز و ایجاد اعتماد افزایش پیدا می‌کند.

مشکل اینجاست که کاهش هزینه تولید، به‌خودی‌خود به معنای افزایش ارزش محتوا نیست. اگر هزار کانال بتوانند با هزینه ناچیز ویدیوهایی با ساختار مشابه تولید کنند، مخاطب با کمبود محتوا مواجه نخواهد بود؛ با کمبود دلیل برای تماشای یک محتوای مشخص مواجه خواهد شد.

در گذشته، توانایی فنی برای تدوین و طراحی گرافیکی تا حدی مانع ورود افراد به بازار بود. حالا این مانع پایین‌تر آمده است. اما مانع تازه‌ای شکل می‌گیرد: رقابت برای جلب توجه. تولیدکننده‌ای که می‌تواند روزی ده ویدیو منتشر کند، لزوماً از کسی که هفته‌ای یک ویدیوی دقیق، مستند و خوش‌ساخت تولید می‌کند موفق‌تر نخواهد بود. در حقیقت، وفور محتوا می‌تواند مخاطب را نسبت به محتوای کم‌کیفیت حساس‌تر کند و اهمیت اعتبار یک رسانه را بالا ببرد.

برای رسانه‌های گیمینگ، مسئله پیچیده‌تر است. آیا کانالی که درباره یک بازی ویدیویی صحبت می‌کند، واقعاً آن بازی را تجربه کرده است؟ آیا نویسنده می‌تواند میان اطلاعات تأییدشده، شایعه و برداشت شخصی تمایز بگذارد؟ آیا متن ویدیو از تجربه واقعی یک بازیکن آمده یا صرفاً ترکیبی از مطالب منتشرشده در سایت‌های دیگر است؟ هوش مصنوعی می‌تواند در تمام این مراحل کمک کند، اما هیچ‌کدام از این پرسش‌ها را به‌صورت خودکار حل نمی‌کند.

این همان نقطه‌ای است که باید میان استفاده از هوش مصنوعی برای افزایش توانایی انسان و استفاده از آن برای جایگزین کردن قضاوت انسانی تفاوت قائل شد. تولید تامنیل با هوش مصنوعی، به‌خودی‌خود مسئله‌ای نیست. استفاده از یک مدل زبانی برای اصلاح متن هم لزوماً مشکلی ندارد. اما وقتی یک کانال، بدون بررسی منابع، ادعاهای تأییدنشده را به‌عنوان خبر قطعی منتشر می‌کند، ابزار صرفاً سرعت انتشار اشتباه را بالا برده است.

در سوی دیگر، موسیقی تولیدشده با هوش مصنوعی نیز پرسش‌هایی درباره حقوق آثار، شباهت به آثار هنرمندان و امکان کسب درآمد از خروجی‌ها مطرح می‌کند. برای استریمرهای مجازی نیز مسئله فقط توانایی تولید پاسخ نیست؛ مدیریت رفتار نامناسب، حفاظت از اطلاعات کاربران و جلوگیری از انتشار محتوای آسیب‌زا اهمیت دارد. یک آواتار ممکن است شبانه‌روز فعال باشد، اما مسئولیت رفتار آن همچنان بر دوش سازنده و گرداننده‌اش قرار دارد.

در نهایت، مهم‌ترین تغییر این نیست که هوش مصنوعی می‌تواند به‌جای یک یوتیوبر صحبت کند. تغییر واقعی این است که تولید محتوا از مجموعه‌ای از مهارت‌های نسبتاً دشوار به فرایندی تبدیل می‌شود که افراد بیشتری می‌توانند آن را آغاز کنند. نتیجه این تحول، نه لزوماً تولیدکنندگان کمتر، بلکه رقابت شدیدتر برای توجه، فشار بیشتر برای انتشار و اهمیت بالاتر اصالت و اعتماد خواهد بود.

۳. بازی‌سازی با هوش مصنوعی؛ از نوشتن کد تا طراحی جهان

اگر هوش مصنوعی فقط در تولید محتوا و بازاریابی باقی می‌ماند، می‌شد آن را ابزاری برای کاهش هزینه‌های جانبی دانست. اما وقتی وارد فرایند ساخت بازی می‌شود، مسئله به‌مراتب مهم‌تر است؛ زیرا بازی‌سازی مجموعه‌ای از کارهای به‌هم‌پیوسته است که هرکدام می‌توانند ماه‌ها زمان و نیروی انسانی مصرف کنند.

ساخت یک بازی بزرگ به برنامه‌نویسی، طراحی سیستم‌ها، مدل‌سازی سه‌بعدی، انیمیشن، طراحی صدا، نوشتن دیالوگ، ساخت مراحل، تست، بهینه‌سازی و هماهنگی میان تیم‌ها نیاز دارد. پیش از فراگیر شدن ابزارهای مولد، حتی ساخت یک نمونه اولیه قابل‌بازی می‌توانست به چند متخصص نیاز داشته باشد. اکنون یک توسعه‌دهنده می‌تواند از مدل‌های زبانی برای تولید کد اولیه، توضیح کدهای پیچیده، شناسایی خطاها، نوشتن تست‌ها و بررسی معماری پروژه کمک بگیرد. ابزارهای تولید تصویر نیز ساخت طرح‌های اولیه محیط‌ها، شخصیت‌ها و اشیای بازی را سریع‌تر کرده‌اند.

نکته مهم این است که این ابزارها صرفاً پاسخ‌هایی در پنجره چت تولید نمی‌کنند. نسل جدید عامل‌های هوش مصنوعی (AI Agents) می‌تواند در یک پروژه واقعی کار کند، فایل‌ها را بخواند و تغییر دهد، فرمان‌های توسعه را اجرا کند، خطاهای کامپایل را بررسی کند و پس از دریافت بازخورد، تغییرات تازه‌ای اعمال کند. ابزارهایی مانند Claude Code و Codex از این جهت با چت‌بات‌های معمولی تفاوت دارند: هدف آن‌ها فقط پیشنهاد دادن نیست، بلکه پیش بردن یک وظیفه در محیط توسعه است. آن‌ها واقعاً به سمت جهان خودمختار حرکت کرده‌اند. Hermes Agent نیز در همین فضای عامل‌های قابل‌گسترش قرار می‌گیرد، هرچند قابلیت‌های دقیق این ابزارها به نسخه، مدل و تنظیمات اجرایی آن‌ها بستگی دارد.

فرض کنید یک توسعه‌دهنده مستقل می‌خواهد سیستم آب‌وهوای پویایی بسازد که بر حرکت شخصیت، اصطکاک زمین، دید دشمنان و رفتار وسایل نقلیه اثر بگذارد. پیش‌تر، پیاده‌سازی و یکپارچه‌سازی چنین سیستمی ممکن بود به تخصص‌های مختلف و رفت‌وبرگشت‌های طولانی نیاز داشته باشد. حالا توسعه‌دهنده می‌تواند از عامل هوش مصنوعی بخواهد ساختار اولیه سیستم را ایجاد کند، معادلات پایه را پیاده‌سازی کند، تست‌هایی برای رفتارهای مرزی بنویسد و خطاهای اولیه را برطرف کند.

اما این مثال یک نکته اساسی دارد: تولید کد با ساخت یک سیستم درست و قابل‌اعتماد یکسان نیست. فیزیک بازی باید در شرایط مختلف پایدار باشد، با دیگر سیستم‌ها تداخل نداشته باشد و در زمان اجرای واقعی عملکرد مناسبی ارائه دهد. ممکن است کدی در یک صحنه آزمایشی کار کند، اما در شرایطی که ده‌ها عامل هم‌زمان فعال هستند، دچار افت عملکرد شود. عامل هوش مصنوعی می‌تواند در یافتن راه‌حل کمک کند، اما تشخیص اینکه راه‌حل واقعاً با نیازهای طراحی بازی سازگار است، همچنان به آزمون و ارزیابی نیاز دارد. البته که باز هم، همین عامل‌ها در انجام آن کمک خواهند کرد. ما در جهان متفاوتی نسبت به پیش از شروع دهه ۲۰۲۰، زندگی می‌کنیم.

چرا این تحول برای بازی‌های بزرگ اهمیت دارد؟

بازی‌های بزرگی مانند GTA 6 یا Red Dead Redemption 2 فقط به دلیل تعداد خطوط کد یا وسعت نقشه‌هایشان پیچیده نیستند. پیچیدگی اصلی از تعامل سیستم‌ها ناشی می‌شود. رفتار شخصیت‌های غیرقابل‌بازی، چرخه شب و روز، ترافیک، انیمیشن‌ها، مأموریت‌ها، صداگذاری، واکنش‌های محیطی و محدودیت‌های سخت‌افزار باید در کنار یکدیگر کار کنند. افزودن هر سیستم تازه می‌تواند روی ده‌ها سیستم دیگر اثر بگذارد.

هوش مصنوعی می‌تواند بخشی از هزینه هماهنگی و پیاده‌سازی این سیستم‌ها را کاهش دهد. به‌عنوان مثال، می‌توان از آن برای ساخت ابزارهای داخلی استودیو، خودکارسازی وظایف تکراری، تولید داده‌های آزمایشی یا بررسی مشکلات عملکردی کمک گرفت. این کاربردها شاید به‌اندازه تولید یک شخصیت سه‌بعدی با چند دستور جذاب نباشند، اما می‌توانند تأثیر اقتصادی بیشتری داشته باشند؛ چون مستقیماً بر سرعت گردش کار و زمان موردنیاز برای رسیدن به یک نسخه قابل‌عرضه اثر می‌گذارند.

در عین حال، نباید فرض کنیم که کاهش زمان تولید یک سیستم، هزینه نهایی کل بازی را به همان نسبت کاهش می‌دهد. بازی‌های عظیم با پیچیدگی‌های غیرخطی روبه‌رو هستند. اگر تولید کد سریع‌تر شود، شاید تیم بتواند قابلیت‌های بیشتری بسازد؛ اما هر قابلیت جدید نیازمند تست، ادغام، طراحی رابط، بررسی تجربه کاربری و رفع مشکلات احتمالی است.

افزایش سرعت تولید ممکن است به‌جای کوچک‌تر کردن پروژه، باعث بزرگ‌تر شدن انتظارات شود.

این نکته برای آینده بازی‌های جهان‌باز اهمیت ویژه‌ای دارد. اگر ساخت مأموریت‌های جانبی، رفتارهای محیطی، انیمیشن‌های موقعیتی و ابزارهای داخلی آسان‌تر شود، استودیوها می‌توانند برای ساخت تجربه‌هایی با جزئیات بیشتر تلاش کنند. اما اگر مدیران تصور کنند که هوش مصنوعی می‌تواند تمام هزینه‌های تولید را حذف کند، احتمال دارد پروژه‌ها را با اهداف غیرواقع‌بینانه آغاز کنند و در نهایت همان توسعه‌دهندگان باقی‌مانده را زیر فشار بیشتری قرار دهند.

آیا یک نفر می‌تواند بازی‌ای در مقیاس GTA بسازد؟

پاسخ کوتاه این است: ابزارهای هوش مصنوعی فاصله میان یک فرد و یک تیم حرفه‌ای را کاهش می‌دهند، اما هنوز دلیلی نداریم که این فاصله را ناچیز بدانیم.

یک فرد ممکن است بتواند نمونه اولیه‌ای بسازد که در یک بخش مشخص از بازی، سیستم‌های پیچیده‌ای را به نمایش بگذارد. همچنین ممکن است با کمک عامل‌ها، بخش قابل‌توجهی از کد و ابزارهای موردنیاز یک پروژه را تولید کند. اما بازی‌ای در مقیاس GTA علاوه بر فناوری، به حجم عظیمی از دارایی‌های هنری، ضبط صدا و حرکت، طراحی مأموریت‌ها، آزمایش گسترده، مدیریت تولید، بودجه و هماهنگی تخصص‌ها نیاز دارد.

مقایسه درست این نیست که آیا یک نفر می‌تواند فردا GTA بعدی را بسازد. پرسش درست این است که آیا یک تیم ده‌نفره در آینده می‌تواند کاری را انجام دهد که امروز به چند ده یا چند صد نفر نیاز دارد؟

آیا یک استودیوی مستقل می‌تواند بدون سرمایه‌گذاری عظیم، سیستمی بسازد که پیش‌تر تنها در اختیار ناشران بزرگ بود؟ و آیا شرکت‌های بزرگ از این افزایش بهره‌وری برای ساخت بازی‌های بهتر استفاده خواهند کرد یا صرفاً حجم تولید را بالا می‌برند؟

در اینجا دو آینده متفاوت وجود دارد. در آینده نخست، هوش مصنوعی هزینه ورود به بازی‌سازی را کاهش می‌دهد و به تیم‌های کوچک اجازه می‌دهد ایده‌هایی را اجرا کنند که قبلاً از نظر اقتصادی غیرممکن بودند. در آینده دوم، شرکت‌ها از همان ابزارها برای افزایش خروجی هر کارمند استفاده می‌کنند و انتظار دارند با نیروی انسانی کمتر، بازی‌هایی بزرگ‌تر و پرجزئیات‌تر تولید شود. احتمالاً هر دو روند به‌طور هم‌زمان رخ خواهند داد.

در نتیجه، هوش مصنوعی لزوماً بازی‌های بهتری نمی‌سازد؛ امکان ساخت بازی‌های بهتر را با هزینه و زمان متفاوت فراهم می‌کند. اینکه این امکان به کیفیت بیشتر منجر شود یا به افزایش فشار تولید، به تصمیم‌های انسانی و ساختار اقتصادی صنعت بستگی دارد.

۴. تعدیل نیرو؛ آیا هوش مصنوعی جای توسعه‌دهندگان بازی را پر می‌کند؟

بحث هوش مصنوعی در صنعت بازی بدون صحبت درباره نیروی انسانی ناقص است. قبلاً هم به این موضوع پرداخته بودیم. مجدداً از شما دعوت می‌کنیم که لینک مربوط را در انتهای مطلب دنبال کنید.

به هر نحو، نمی‌توان از افزایش بهره‌وری حرف زد، اما نپرسید که حاصل این بهره‌وری نصیب چه کسی می‌شود. اگر یک استودیو بتواند با کمک ابزارهای هوش مصنوعی همان حجم کار را با تعداد کمتری کارمند انجام دهد، آیا این افزایش بهره‌وری به دستمزد بیشتر، زمان آزادتر و کیفیت بالاتر منجر خواهد شد یا به کاهش تعداد کارکنان؟

گزارش سال ۲۰۲۶ کنفرانس توسعه‌دهندگان بازی (GDC) تصویری نگران‌کننده از وضعیت اشتغال ارائه می‌کند. طبق نتایج این نظرسنجی، بیش از یک‌چهارم پاسخ‌دهندگان گفته‌اند که طی دو سال گذشته شغل خود را از دست داده‌اند. نیمی از پاسخ‌دهندگان نیز اعلام کرده‌اند که شرکت فعلی یا آخرین محل کارشان طی ۱۲ ماه گذشته تعدیل نیرو داشته است. در استودیوهای بزرگ، حدود دوسوم پاسخ‌دهندگان از تجربه تعدیل نیرو در شرکت خود خبر داده‌اند.

این ارقام به‌تنهایی ثابت نمی‌کنند که هوش مصنوعی علت تعدیل نیروهاست. صنعت بازی با مشکلاتی مانند افزایش هزینه ساخت، سرمایه‌گذاری‌های بیش‌ازحد در دوره رشد بازار (مخصوصاً دوران همه‌گیری Covid-19)، تغییر رفتار مخاطبان، لغو پروژه‌ها و تصمیم‌های اشتباه مدیریتی نیز دست‌وپنجه نرم می‌کند. تعدیل نیروی گسترده در یک شرکت ممکن است نتیجه کاهش درآمد، ادغام واحدها، تغییر استراتژی یا شکست یک محصول باشد. نسبت دادن تمام این اتفاقات به هوش مصنوعی، همان‌قدر نادرست است که نادیده گرفتن تأثیر احتمالی آن بر آینده اشتغال.

اما یک داده دیگر از همان گزارش اهمیت بیشتری دارد: ۳۶ درصد از متخصصان صنعت بازی گفته‌اند که در کار خود از ابزارهای مولد هوش مصنوعی استفاده می‌کنند. میزان استفاده در شرکت‌های بازی‌سازی و میان ناشران، واحدهای پشتیبانی و بازاریابی یکسان نیست، اما این آمار نشان می‌دهد که موضوع دیگر یک آزمایش حاشیه‌ای نیست.

وقتی ابزاری بتواند بخشی از وظایف برنامه‌نویسی، طراحی اولیه، تولید متن، مستندسازی یا تست را سریع‌تر انجام دهد، شرکت‌ها انگیزه پیدا می‌کنند تا ساختار تیم‌هایشان را تغییر دهند. در برخی موارد، این تغییر به معنای حذف وظایف تکراری خواهد بود. در موارد دیگر، به معنای استخدام افراد کمتر برای پروژه‌های آینده است. حتی اگر هیچ کارمندی مستقیماً به دلیل هوش مصنوعی اخراج نشود، ممکن است فرصت شغلی‌ای که در گذشته وجود داشت، دیگر ایجاد نشود. اما این الزاماً بد نیست. ما قرار نیست به خاطر ایجاد خود موقعیت شغلی، موقعیت شغلی را ایجاد کرده و نگه داریم.

تأثیر فناوری بر اشتغال همیشه به شکل اخراج فوری ظاهر نمی‌شود. گاهی شرکت تصمیم می‌گیرد به‌جای استخدام پنج برنامه‌نویس تازه، دو نفر را استخدام کند که توانایی کار با عامل‌های هوش مصنوعی را دارند. در چنین وضعیتی، نمی‌توان به‌سادگی گفت هوش مصنوعی جای پنج نفر را گرفته است؛ اما نمی‌توان هم ادعا کرد که هیچ تغییری در بازار کار ایجاد نشده است.

از سوی دیگر، مهارت استفاده از این ابزارها ممکن است به یک مزیت رقابتی تبدیل شود. توسعه‌دهنده‌ای که بتواند وظایف پیچیده را به عامل هوش مصنوعی واگذار کند، خروجی آن را ارزیابی کند و در صورت لزوم راه‌حل را اصلاح کند، احتمالاً در بعضی محیط‌های کاری بهره‌وری بیشتری خواهد داشت. اما این به معنای آن نیست که همه کارکنان باید صرفاً به اپراتور مدل‌های زبانی تبدیل شوند. فهم معماری نرم‌افزار، تشخیص خطا، شناخت تجربه کاربر و تصمیم‌گیری درباره کیفیت همچنان ارزشمند است اما در کنار AI و به واسطه آن ارزشمندتر خواهند بود و در این صورت چرا، می‌توان گفت که همه باید به اپراتورهای این مدل‌ها تبدیل شوند.

از سویی، مشکل اصلی زمانی آغاز می‌شود که شرکت‌ها بهره‌وری را فقط از زاویه هزینه نیروی انسانی تعریف کنند. اگر یک ابزار باعث شود یک برنامه‌نویس در زمان کمتر کار بیشتری انجام دهد، مدیر می‌تواند زمان آزادشده را صرف بهبود کیفیت کند یا از او بخواهد قابلیت‌های بیشتری تحویل دهد. انتخاب دوم شاید در کوتاه‌مدت خروجی بیشتری تولید کند، اما می‌تواند به فرسودگی شغلی، انباشت بدهی فنی و کاهش کیفیت منجر شود (باز هم نه لزوماً).

بنابراین، پرسش مهم درباره آینده اشتغال این نیست که آیا هوش مصنوعی قادر است کد بنویسد. این توانایی تا حد زیادی اثبات شده است. پرسش این است که شرکت‌ها چگونه افزایش بهره‌وری را میان سود، کیفیت، دستمزد، امنیت شغلی و زمان کارکنان تقسیم خواهند کرد.

اگر تمام سود حاصل از فناوری به کاهش هزینه نیروی انسانی اختصاص یابد، هوش مصنوعی ممکن است صنعت را از نظر فنی قدرتمندتر، اما از نظر اجتماعی ناپایدارتر کند. از طرف دیگر، اگر ابزارهای جدید به تیم‌های کوچک اجازه دهند بدون فشار سرمایه‌گذاران بزرگ به ساخت بازی‌های خلاقانه بپردازند، همین فناوری می‌تواند به متنوع‌تر شدن صنعت کمک کند.

هیچ‌کدام از این دو آینده اجتناب‌ناپذیر نیست. فناوری امکان‌ها را تغییر می‌دهد؛ ساختار اقتصادی تعیین می‌کند کدام امکان به واقعیت تبدیل شود و در تمام حالات، من دیدگاه مثبتی به قضیه خواهم داشتم.

۵. مهندسی معکوس با عامل‌های هوش مصنوعی؛ وقتی فهمیدن نرم‌افزار دیگر به همان اندازه دشوار نیست

شاید عمیق‌ترین تأثیر هوش مصنوعی بر صنعت بازی، نه در تولید بازی‌های جدید، بلکه در بازسازی نرم‌افزارهایی باشد که از قبل وجود دارند.

برای درک اهمیت این اتفاق، باید تفاوت میان ساخت یک نرم‌افزار از ابتدا و بازسازی رفتار یک نرم‌افزار موجود را در نظر گرفت. وقتی برنامه‌نویسی می‌خواهد یک موتور فیزیک جدید بسازد، باید مسئله را تعریف کند، معماری را انتخاب کند و اجزای مختلف سیستم را پیاده‌سازی کند. اما وقتی می‌خواهد رفتار یک بازی قدیمی را بازسازی کند، با مسئله متفاوتی مواجه است: نرم‌افزاری وجود دارد که باید بفهمد چگونه کار می‌کند، چه الگوریتم‌هایی دارد و چگونه می‌توان رفتار آن را روی سخت‌افزاری دیگر بازتولید کرد.

مهندسی معکوس (Reverse Engineering) مدت‌هاست که بخشی از دنیای نرم‌افزار، امنیت و حفظ بازی‌های قدیمی است. ابزارهایی مانند دی‌کامپایلرها، دی‌اسمبلرها و تحلیلگرهای باینری به متخصصان اجازه می‌دهند ساختار برنامه‌های کامپایل‌شده را بررسی کنند. اما این کار به‌خصوص زمانی دشوار می‌شود که کد منبع در دسترس نباشد، نام توابع از بین رفته باشد، سخت‌افزار اصلی با معماری‌های جدید تفاوت داشته باشد یا رفتار برنامه به جزئیات خاص کامپایلر و سیستم‌عامل وابسته باشد.

عامل‌های هوش مصنوعی می‌توانند بخش‌هایی از این فرایند را خودکار کنند. آن‌ها می‌توانند توابع را بررسی کنند، ارتباط میان بخش‌های مختلف برنامه را تحلیل کنند، فرضیه‌هایی درباره رفتار کد بسازند، پیاده‌سازی‌های اولیه تولید کنند و با اجرای تست‌ها، اختلاف میان خروجی مورد انتظار و نتیجه واقعی را پیدا کنند. این کار، مهندسی معکوس را از فرایندی که در بسیاری از پروژه‌ها کاملاً وابسته به کار دستی و تخصص عمیق بود، به فرایندی تبدیل می‌کند که می‌توان بخش‌هایی از آن را به عامل‌های متعدد سپرد.

البته اینجا هم نباید تفاوت میان تولید خروجی و صحت خروجی را فراموش کنیم. یک مدل ممکن است تابعی بنویسد که ظاهراً کار می‌کند، اما در شرایط مرزی رفتار متفاوتی داشته باشد. اگر هدف بازسازی دقیق یک بازی قدیمی باشد، حتی تفاوت‌های کوچک در زمان‌بندی، محاسبات ممیز شناور، برخوردها یا ترتیب اجرای دستورات می‌تواند نتیجه را تغییر دهد. شما که غریبه نیستید، AI در انجام این موارد، معجزه می‌کند!

در قسمت دوم این مطلب، به ادامه این موضوع می‌پردازیم و آن را خاتمه می‌دهیم.

مطالب بیشتر از این مجموعه:

• آموزش نقد و بررسی بازی‌های ویدیویی؛ گیمفا چطور بازی‌ها را نقد می‌کند و امتیاز می‌دهد؟
• کوجیما طی ۱۱ سال گذشته بازی نساخته است و شاید در ادامه هم نسازد
• ایکس باکس قرار است بمیرد تا دوباره زنده شود؛ تعدیل‌ها درمان هستند، نه بیماری
• چرا حتی GTA 6 هم به تبلیغ نیاز دارد؟ فرمانروایی روایت و رویت
• چرا قرار نیست در صنعت نرم‌افزار و بازی شغلی پیدا کنید؟ پارادوکس مهندسان مسافرکش
• حضور زنان و اقلیت‌ها؛ صنعت بازی تبعیض‌آمیز رفتار می‌کند اما با چه کسی؟‌
• Marvel’s Wolverine و اینسامنیاک انتقادناپذیر؛ آیا سونی به یوبیسافت دوم تبدیل شده است؟
• چرا گیمرها از هوش مصنوعی متنفرند؟ چرا اشتباه می‌کنند؟ چرا دروغ می‌گویند؟
• مرثیه‌ای برای پلاستیک: برای مرگ درایو نوری و دیسک گریه نکنید
• دو سقوط بزرگ در تاریخ صنعت بازی؛ ۱۹۷۷ و ۱۹۸۳
• سومین سقوط بازی‌ها در آینده؟ چرا نگران آینده بازی های ویدیویی هستیم؟