Pembuatan Dunia Game: Mengapa Level Mulai Tergantikan oleh Generator
Biasanya, ketika membicarakan pembuatan konten game secara otomatis, yang terbayang adalah jaringan saraf yang menggambar atau merakit level-level individual. Namun ada pendekatan yang lebih radikal: membuat model bahasa menulis bukan levelnya itu sendiri, melainkan program yang menghasilkan level-level tersebut. Pergeseran ini tampak kecil, tetapi nyatanya mengubah seluruh optimasi: alih-alih menelusuri variasi peta yang tak terbatas, kita bisa berevolusi pada algoritmanya itu sendiri — dan mendapatkan seluruh keluarga level dengan properti yang diinginkan.
Evolusi Tempat Kode Mengalami Mutasi
Dalam penelitian terbaru yang diterima untuk dipublikasikan di IEEE Conference on Games 2026, para penulis menguji ide ini pada empat game klasik: "Sokoban", "Zelda", "Dangerous Dave", dan "Lode Runner". Setiap kali evolusi dijalankan, yang berevolusi adalah seluruh generator level dalam Python, sementara peran operator mutasi dan persilangan dijalankan oleh model bahasa besar. Artinya, bukan peta individual, melainkan program lengkap yang berubah dari generasi ke generasi. Ini memungkinkan pencarian dilakukan dalam ruang generator prosedural, bukan dalam ruang artefak konkret — dan menemukan solusi yang dapat digeneralisasi ke banyak level sekaligus.
Namun, pendekatan ini memiliki kelemahan: program dengan cepat menjadi besar, dan fragmen kode yang berguna hilang di antara perubahan acak. Untuk mengatasinya, para penulis mengusulkan mekanisme bernama Continual Abstraction Discovery (CAD) — penemuan abstraksi secara berkelanjutan.
Bagaimana CAD Membantu Evolusi
Ide CAD adalah menangkap primitif-primitif yang berhasil dari program dengan kebugaran tinggi selama evolusi berlangsung dan menyimpannya ke dalam modul tambahan terpisah. Modul ini menjadi "perpustakaan" bersama untuk generasi-generasi berikutnya. Dengan demikian, pola-pola yang berguna tidak ditemukan ulang dari nol dan tidak tertimpa oleh mutasi — pola-pola tersebut terakumulasi dan terus digunakan.
Untuk memahami seberapa efektif hal ini, para peneliti melakukan eksperimen dengan matriks 2×2: membandingkan proses evolusi dengan dan tanpa CAD, serta dengan dan tanpa akses ke API domain tetap. Total dilakukan 160 proses evolusi lengkap, dengan setiap sel eksperimen memiliki minimal sepuluh proses yang masing-masing berjalan selama 50 generasi. Ini merupakan basis statistik yang cukup kuat untuk menarik kesimpulan.
Abstraksi Benar-Benar Berfungsi
Hasilnya jelas: CAD meningkatkan rata-rata kebugaran terbaik akhir di semua delapan perbandingan — di keempat game dan untuk kedua varian API. Selain itu, "perpustakaan" yang dibuat selama evolusi digunakan secara aktif oleh sebagian besar program di generasi berikutnya. Menariknya, terlepas dari game dan kondisi proses, CAD berulang kali menemukan kembali utilitas yang sama: pemeriksaan validitas level, pemeriksaan keterjangkauan, dan primitif struktural. Ini menunjukkan bahwa abstraksi semacam itu bukanlah kebetulan dari tugas tertentu, melainkan blok bangunan fundamental untuk pembuatan konten game.
Apa Artinya bagi Praktik
Dari sudut pandang praktis, temuan ini mendukung gagasan sederhana: jika kita ingin model bahasa menciptakan generator prosedural yang baik, kita tidak hanya perlu mendorong program yang "baik", tetapi juga memberi evolusi cara untuk mengakumulasi pengetahuan. CAD melakukan hal ini — mengubah pencarian evolusioner menjadi proses yang secara bertahap membangun domain pengetahuannya sendiri. Alih-alih memulai dari nol setiap saat, model belajar dari solusi yang ditemukan sebelumnya dan membentuk fondasi yang kokoh.
Tentu saja, eksperimen pada game 2D klasik hanyalah permulaan. Tetapi jika pendekatan ini dapat diskalakan, kita mungkin akan melihat generator yang menciptakan seluruh genre atau mekanika game yang tak terduga. Dan saat itulah evolusi level akhirnya berubah dari sekadar menelusuri konten menjadi evolusi ide — yang ditulis dalam bahasa program.
