Google DeepMind har publicerat en detaljerad retrospektiv av sin 15-åriga båge av AI-forskning inom spel, som kulminerade i sitt forskningssamarbete med Fenris Creations, den oberoende studion bakom EVE Online – och lägger ut det iscensatta forskningsprogrammet som de två organisationerna planerar att köra i EVE-universumet.

Inlägget från 21 augusti, författat av Alexandre Moufarek och Adrian Bolton, kopplar labbets tidigaste resultat av förstärkningsinlärning till dess nuvarande arbete med generalistagenter. Det är den fullständigaste redovisningen hittills för ett partnerskap som först avslöjades tidigare i år, och det signalerar var ett av världens ledande AI-labb tror att nästa gräns för AI-forskning ligger: inte i att bemästra ett enda spel med en tydlig poäng, utan i att överleva en levande värld som har pågått kontinuerligt sedan 2003.

Från Atari Pixels till AlphaStar

Retrospektiven spårar kedjan av spelresultat som byggde upp DeepMinds forskningsprogram. The Deep Q-Network (DQN), som beskrivs i en Nature-tidning från 2015, lärde sig att spela 49 Atari 2600-spel direkt från råpixlar – från Pong till Breakout till Space Invaders – utan någon spelspecifik teknik, vilket hjälpte till att katalysera den moderna eran av djup förstärkningsinlärning.

Varje efterföljande milstolpe producerade mer kapabla och mer allmänna system. AlphaGo besegrade världsmästaren Lee Sedol 2016, en bedrift som många experter trodde fortfarande var ett decennium borta. AlphaGo Zero överträffade alla tidigare versioner genom att helt lära sig från självspel, och AlphaZero generaliserade det tillvägagångssättet för att bemästra schack, shogi och Go med en enda algoritm. MuZero gick ännu längre och lärde sig spela utan att ens känna till reglerna. 2019 nådde AlphaStar Grandmaster-nivå i StarCraft II, och navigerade i realtidskomplexitet och ofullständig information.

DeepMind noterar att denna anda av utforskning bar bortom spel: AlphaFold tillämpade samma grunder för att förutsäga proteinstruktur, ett genombrott som erkändes med 2024 års Nobelpris i kemi.

Skiftet till generalistagenter

Stolpen ramar in en fundamental riktningsändring. Tidigare arbete visade att AI kunde bemästra vilket spel som helst med ett tydligt mål och tillräckligt med träning. Men, som författarna skriver, "den verkliga världen kommer inte med partitur och regelböcker." Det ledde till en annan fråga: kan AI förstå och interagera med vilken spelvärld som helst som en person skulle göra?

Fordonet för den ambitionen är SIMA, den skalbara instruerbara multivärldsagenten. Istället för att optimera för en hög poäng, uppfattar SIMA vad en spelare ser på skärmen, förstår naturliga språkinstruktioner och agerar genom vanliga tangentbords- och muskontroller - inga API:er eller källkodsåtkomst krävs. SIMA 2, som introducerades i november 2025 med en Gemini-modell i sin kärna, fungerar som en interaktiv följeslagare som kan resonera och samtala i realtid och uppnår människoliknande spel över komplexa 3D-miljöer inklusive No Man's Sky, Valheim och Hydroneer.

Labbet är uppriktigt om agentens gränser: SIMA 2 kämpar fortfarande med uppgifter med mycket lång horisont och arbetar från ett kort minne som begränsas av det sammanhangsfönster som behövs för interaktion med låg latens. Det är fortfarande en begränsad forskningsförhandsvisning tillgänglig för en liten grupp akademiker och spelutvecklare.

Varför EVE Online

Fenris Creations-partnerskapet ger DeepMind tillgång till något som inget riktmärke kan replikera: ett beständigt universum med enstaka skärvor där tusentals spelare delar en ekonomi med verklig dynamik mellan utbud och efterfrågan, handelsnätverk som spänner över tusentals stjärnsystem och politiska strukturer byggda helt av spelarinteraktion.

DeepMind identifierar fyra funktioner som miljön är designad för att utöva: kontinuerlig inlärning utan att glömma, minne som sträcker sig långt bortom dagens modellkontextfönster, planering med lång horisont över veckor, månader eller till och med år, och komplex multi-agent dynamik som spänner över samarbete, konkurrens, förhandling och ekonomi.

"Tillsammans med Google DeepMind driver vi in ​​på okänt territorium där AI måste lära sig, anpassa och komma ihåg på tidsskalor som ingen annan spelmiljö kräver, samtidigt som vi hjälper oss att förstå hur människor och AI kan samexistera i en virtuell miljö innan vi måste brottas med samma frågor i verkligheten", sa Fenris Creations vd Hilmar Pétursson i inlägget.

Samarbetet spänner över tre olika miljöer. EVE Online erbjuder det storskaliga beständiga universum. EVE Vanguard lägger till taktiskt beslutsfattande i första person i högt tempo, vilket skapar möjligheter att studera agenter som arbetar över flera abstraktionsnivåer - från taktik på rycknivå till galaxövergripande strategi. EVE Frontier, med sina programmerbara Smart Assemblies och öppna arkitektur, presenterar en värld där själva reglerna kan förändras.

Avgörande är att forskningsprogrammet följer en etappvis väg. Det börjar i en offline-instans av EVE Online, en säker sandlåda skild från live-spelare. Det går sedan vidare genom EVE Frontier för att studera hur människor och agenter kan samexistera i en ihållande, öppen värld. Först när funktionerna är mogna skulle DeepMind överväga att ta med dem till livespelen – och sedan, betonar inlägget, med syftet att berika mänskligt spel.

AI är redan i cockpit

En produktion av samarbetet finns redan framför spelarna. Aura Guidance, som använder Gemini för att leverera spelargenererad kunskap hämtad från riktiga Rookie-hjälpfrågor och svar för att hjälpa nya piloter, lanserades som prototyp den 17 februari 2026 och körs som ett kontrollerat A/B-test som mäter om det förbättrar bevarandet av nya spelare.

För spelutvecklare är de långsiktiga insatserna betydande. En verkligt allmän spelagent – ​​en som fungerar med befintliga spel utan modifieringar av spelkoden – kan driva AI-kompanjoner som verkligen förstår spelvärlden, NPC:er som anpassar sig på ett sätt som skriptade system aldrig skulle kunna, och robusta QA-tester under utvecklingen när spelet förändras med varje commit.

Inlägget avslutas med labbets ultimata inramning: AI som en katalysator, inte en ersättning. "Spel har alltid varit en spegel för intelligens", skriver författarna. I takt med att spelen blir mer komplexa, mer beständiga och mer öppna, så blir AI-systemen byggda för att navigera i dem också – och som med AlphaGo och AlphaFold innan det förväntar sig DeepMind att lärdomarna i virtuella världar ska överföras till problem i den verkliga.

Ligg före AI

Från milstolpar för förstärkningsinlärning till spetsforskningspartnerskap visar upptäcktstakten inga tecken på att avta. AI Buzz Wire täcker all större AI-forskningsutveckling med källverifierad rapportering – inga spekulationer, ingen hype.

Läs mer AI-forskningsnyheter →