La clave del éxito de NitroGen radica en su entrenamiento con una cantidad masiva de datos de juego, concretamente 18 millones de horas de juego procedentes de una variedad de plataformas y juegos. Esto permite al modelo generalizar su conocimiento y adaptarse a nuevos juegos de forma eficaz.

El equipo describe a NitroGen como un "agente generalista" que puede abordar juegos que nunca ha visto antes con un rendimiento competitivo, a menudo superando a los agentes especializados entrenados en un solo juego. Esto se logra mediante una combinación de aprendizaje por refuerzo y aprendizaje supervisado.

“Los modelos fundacionales se están convirtiendo en una herramienta poderosa en una variedad de campos, y creemos que los juegos son un excelente campo de pruebas para estas tecnologías”, afirmó uno de los investigadores. “NitroGen demuestra el potencial de crear agentes de IA que puedan aprender a jugar una amplia gama de juegos sin necesidad de una intervención humana significativa.”

NitroGen no solo destaca en juegos de Atari y entornos de simulación, sino que también muestra un rendimiento prometedor en juegos más complejos como entornos de disparos en primera persona (FPS). El equipo subraya que el modelo aún se encuentra en desarrollo y que hay margen de mejora, pero los resultados iniciales son muy alentadores.

La publicación de NitroGen como código abierto permitirá a otros investigadores y desarrolladores experimentar con el modelo y construir sobre él, lo que podría conducir a avances significativos en el campo de la IA para juegos. El código fuente y los detalles del modelo están disponibles en GitHub.

Este proyecto podría tener implicaciones más allá del ámbito de los juegos. El equipo sugiere que las técnicas utilizadas en NitroGen podrían aplicarse a otros dominios donde la generalización y la adaptación rápida son cruciales, como la robótica y el control de sistemas complejos.