Düşünce Liderleri
Oyunların Ürettiği Veriler AI Eğitiminde En Az Değer Verilen Kaynak Olabilir

Öne çıkan noktalarOyunlardan üretilen veriler, yapılandırılmış ve çok modlu eğitim ortamları sağlayarak…
Daha fazla göster
- Oyunlardan üretilen veriler, yapılandırılmış ve çok modlu eğitim ortamları sağlayarak yapay zekanın yaklaşan veri kıtlığı sorununu çözmektedir.
- Oyun verileriyle eğitilen yapay zeka sistemleri, aktarılabilir öğrenme mimarileri sayesinde AlphaFold gibi Nobel ödüllü buluşlar ortaya koymuştur.
- NVIDIA'nın NitroGen modeli, oyun verilerinin gerçek dünya robotiği ve simülasyonu için genel amaçlı hareket modelleri eğittiğini göstermektedir.
AI şirketleri, son beş yıldır internetteki her bir metni, her bir görüntüyü ve her bir kamuoyuna açık veriyi tükettiler. Bu kaynak sınırlıdır ve AI’nin bağımlı olduğu ilerleme hızını sürdürebilmek için yeterli verinin kalmayacağı noktaya yaklaşıyoruz.
Ancak, AI endüstrisinin büyük ölçüde göz ardı ettiği açık bir aday var.
Oyun sistemleri geliştirmek için çalışıyorum ve oyunlar aracılığıyla her gün akan veriler, çoğu AI araştırmacısının hiç çalışmadığı türden veriler. Buna rağmen oyun sektörü dışında neredeyse hiç kimse bu verilere dikkat etmiyor.
Oyun platformları her gün terabaytlarca davranışsal veri üretiyor; gerçek zamanlı kararlar, ekonomik faaliyetler ve sosyal etkileşimler, hepsi tutarlı fiziksel kurallara dayalı ortamlarda.
Bu verilerin neredeyse hiçbiri AI eğitimi için kullanılmadı. Ancak bu verileri kullanan şirketler, DeepMind ve NVIDIA (NVDA ) gibi, alanın en önemli atılımlarından bazılarını üretti.
AI’nin Veri Sorunu
Epoch AI’den bir çalışma, öngörüyor ki, kamuoyuna açık, insan tarafından oluşturulan metin verisi stoku 2026 ve 2032 arasında tamamen tüketilecek. ChatGPT, Gemini ve Claude’nin arkasındaki modeller, internetin sunabileceği her şeyi zaten tüketmiş durumda.
Sentetik veri veya AI tarafından oluşturulan metin, AI’ye geri beslemek için endüstrinin başvurduğu çözüm. Ancak kendi çıktısına eğitim veren modeller, zaman içinde araştırmacılar tarafından adlandırılan model çökmesi yoluyla bozulurlar.
Alanın ihtiyaç duyduğu, gerçek zamanlı neden-sonuç ilişkileri olan, etkilerin ölçülebilir olduğu, çok modlu bir bilgi kaynağı. Oyunlar tam olarak bunu üretiyor ve bunu neredeyse hiçbir şeyin eşleyemeyeceği bir ölçekte yapıyor.
Oyun platformları, her gün sistemlerine terabaytlarca davranışsal veri pompalıyor. Oyuncu hareketleri, stratejik seçimler, tepki süreleri, ekonomik işlemler ve sosyal etkileşimler, çoğu AI araştırmacısının hiç dokunmadığı, yapılandırılmış, zaman damgalı akışlar halinde akıyor.
Oyun oluşturulan verilere ilişkin bir akademik makale, bu bilginin dokuz kategorili bir taksonomisini ortaya koyuyor ve bunların çoğunun AI endüstrisi tarafından tamamen kullanılmadığını savunuyor.
Kendi deneyimimden bunu doğrulayabilirim. Oyun sistemlerimiz aracılığıyla her gün akan veri, AI araştırmalarının başka hiçbir alanında görülmeyen bir hazine olarak kabul edilebilir. Oyunlarda ise bu veri genellikle arşivlendi veya atılır.
Oyun Verilerinin Farkı
Oyun motoru içinde uzun süre çalıştığınızda, AI alanında henüz kimsenin talep etmediği ne kadar çok yapılandırılmış veriye sahip olduğunuzu fark edersiniz. Her bir oturum, senkronize fizik, oyuncu davranışı ve sistem düzeyinde neden-sonuç ilişkileri üretir; bu, başka hiçbir yerde bulabileceğiniz bir ölçekte değildir.
Oyun motorları fiziksel kuralları zorlar. Nesneler, çarpışır ve kırılır, tutarlı kurallara göre. Bu, verilerin modelin tahmin etmesi yerine, sistem düzeyinde neden-sonuç ilişkileri taşıdığı anlamına gelir.
Bir oyuncu bir mermi fırlattığında, motor yörüngeyi, hava direnci ve etkisini hesaplar. AI, fiziksel yasaları doğrudan her etkileşim aracılığıyla gösteren bir ortamdan öğrenir; bu, fiziksel yasaları istatistiksel aproximasyonlar olarak ele alan bir ortamdan öğrenmekten farklıdır.
Çok modlu hizalama problemi de vardır. Bir oyunda, görsel veri, ses ipuçları, oyuncu girişleri ve çevre durumu aynı anda ortaya çıkar ve birlikte kaydedilir. Bu doğal senkronizasyon, genellikle her modu elle etiketlemek ve hizalamak zorunda olan gerçek dünya veri setlerinde büyük bir maliyetle yeniden üretilir.
Oyunlar, prosedürel içerik oluşturma yoluyla ölçeklendirilmiş kenar durumlar üretir. No Man’s Sky 18 kentilyon benzersiz gezegeni vardır ve AI için bu çeşitlilik çok önemlidir, çünkü kenar durumlar bir modelin güvenilir bir şekilde çalışıp çalışmadığını veya tehlikeli bir şekilde başarısız olup olmadığını belirler.
Ve sonra ortaya çıkan karmaşıklık vardır; bu belki de en değerli özelliktir. OpenAI ajanları bir saklanma ve arama oyununa yerleştirdiğinde, ajanlar yüz milyonlarca turda tamamen kendi başlarına gelişmiş stratejilerin altı farklı aşamasını geliştirdiler.
Barınaklar inşa ettiler, tahkimatları aşmak için rampalar kullandılar ve hatta fiziksel hataları kullanarak kutuları duvarların üzerinden sürfe yaptılar. Hiçbiri programlanmamıştı. Tüm bunlar, oyun ortamında, tek bir kod satırının onlara bunu yapmasını söylemeden, rekabetten ortaya çıktı.
AI araştırmalarına böyle kendi kendine üretilen karmaşıklığa büyük ölçekte ihtiyaç vardır ve oyunlar, pahalı insan denetimi olmadan bunu güvenilir bir şekilde üretebilen tek ortamlardır.
Oyun Tahtalarından Nobel Ödülllerine
Oyunlarla eğitilen AI’nin gerçek dünyaya aktarılacağının en açık kanıtı, Nobel Ödülü kazanan bir sistemdir ve insanlar bana neden oyunlar ve AI üzerine kariyerimi kurduğumu sorduklarında sürekli olarak buna başvururum.
DeepMind, 2016’da AlphaGo ile başladı, ardından AlphaZero’yı geliştirdi; bu, satranç, Go ve shogi’yi hiçbir insan bilgisine ihtiyaç duymadan öğrenebilen bir sistemdi. AlphaZero’nun mimarisi, daha sonra 50 yıllık protein katlanması problemine çözüm bulan ve yaratıcılarına 2024 Nobel Kimya Ödülü kazandıran AlphaFold’un temelini oluşturdu.
DeepMind CEO’su Demis Hassabis, bu boru hattı hakkında açık konuştu. Scientific American’a söyledi ki, oyunlar asla son hedef değildi, ancak AI tekniklerini gerçek bilimsel sorunlara uygulamadan önce geliştirmek ve test etmek için en verimli yoldu.
Bunu okurken, yıllarca oyun geliştirme içinden gördüğüm şeyi tam olarak ifade etmiş gibi hissettim.
Bu yol, alan boyunca tekrarlandı. OpenAI’nin ilk olarak Gymnasium aracılığıyla standardize ettiği pekiştirme öğrenimi ortamları, şimdi robotik, otonom araçlar ve endüstriyel otomasyon araştırmalarının temelini oluşturuyor.
Ajan, ortam, eylem ve ödülden oluşan oyun benzeri yapı, araştırmayı kolaylaştıran bir araç olarak başladı ve o zamandan beri fiziksel dünyada hareket etmesi gereken her AI sistemi için varsayılan çerçeve haline geldi.
Oyunlar Yeni Simülasyon Katmanı Olarak
Aralık 2025’te, NVIDIA NitroGen’i yayınladı; bu, 40.000 saatlik oyun oynanış verisi ve 1.000’den fazla başlık üzerine eğitilmiş bir temel modeldi. Model, kamuoyuna açık oyun oynanış videolarını izler, kontrolcü üst çubuklarından oyuncu eylemlerini çıkarır ve ham piksellerden doğrudan oyun oynamayı öğrenir.
Görmediği oyunlarda, NitroGen gösterdi ki, sıfırdan eğitilen modellere kıyasla görev başarısında %52’ye varan bir iyileşme gösterdi. Ancak gerçek önem, alttaki mimaride yatıyor.
NitroGen, NVIDIA’nın GR00T robotik çerçevesi üzerinde çalışıyor; bu, şirketin kullandığı fiziksel AI ve sim-to-gerçek aktarım için Isaac Sim platformu. Oyun ajanı ve fabrika robotu aynı temel sistemi paylaşıyor.
NVIDIA’nın Jim Fan, bu projeyi “eylemler için bir GPT” inşa etme girişimi olarak tanımladı; bu, herhangi bir ortamda çalışabilen genel amaçlı bir model.
Bu modelleri tükettikleri verilerin tam da üretildiği oyun sistemlerini geliştiren biri olarak, endüstrim için bunun ne anlama geldiğini abartmak zor.
Ve bu yalnızca NVIDIA ile sınırlı değil. Waymo, 20 milyardan fazla simüle mili kaydetti; tüm bunlar, gerçek yollarda test edilmesi fazla tehlikeli veya nadir olan senaryoları tekrar tekrar prova yapan oyun motoru benzeri ortamlarda gerçekleşti.
Cerrahi platformlar, oyun motorları üzerine inşa edildi ve eğitim görenlerin performansında dramatik iyileştirmeler gösterdi. Kent planlamacıları, şehir ölçekli trafik optimizasyonu için benzer araçlar kullanıyor.
Oyun motoru, AI’nin öğrenmesi gereken bir ortamla etkileşime girdiği her yerde evrensel bir simülasyon katmanı haline geldi.
Konuşulmayan Altyapı
İnsanlar AI altyapısından bahsederken, genellikle veri merkezleri, GPU kümeleri ve hesaplama gücünden bahsediyorlar. Oyun endüstrisinde çalıştığım tüm yıllar boyunca, AI alanında oyun ortamlarının aynı nefeste geçirildiği sayıyı bir elin parmakları ile sayabilirim.
Bu kopukluk çok kısa sürede kapanacak. Geleneksel veri setleri tükendiğinde, en zengin etkileşimli verilerin üretildiği endüstriler, AI araştırmalarının merkezine doğru hareket edecekler ve oyunlar, simülasyonlar ve sanal dünyalar, bu açığı doldurmak için her şeyden daha iyi konumlanmışlar.
Para zaten bu trendi takip ediyor. Oyun sektöründeki AI, 2025’te 4.54 milyar dolar olarak değerlendirildi ve 2035 yılına kadar 81 milyar dolara ulaşması öngörülüyor.
Konuştuğum çoğu oyun stüdyosu hala kendilerini eğlence şirketleri olarak görüyor. Ancak sistemleriniz, yeni nesil AI modellerinin eğitimi için tam da ihtiyaç duyduğu verileri üretiyorsa, bunu planlamış olsanız da olmasanız da altyapı işindesiniz.












