MASS: Multiplayer World Models with Authoritative Shared State

멀티플레이어 게임 환경을 시뮬레이션하는 월드 모델이 '권위 있는 공유 상태'를 사용해 1,024명 동시 플레이어를 일관되게 예측하도록 만든 연구다.

이 논문은 한마디로 여러 플레이어가 동시에 존재하는 가상 세계를 AI가 시뮬레이션할 때, 시각적 렌더링과 세계 상태를 분리해 일관성과 확장성을 동시에 잡은 방법이다. 기존 월드 모델은 카메라视角마다 별도로 세계를 예측해서 1,000명이 보는 화면이 서로 달라지는 문제가 있었다. MASS는 게임 서버처럼 하나의 '권위 있는 상태(authoritative state)'를 학습된 Logic Engine이 갱신하고, 각 카메라는 그 상태에서 화면을 렌더링한다. Snake 게임에서 기존 최고 대비 state 복구 정확도 5배 향상, 1,024명 동시 플레이어 10,000스텝 시뮬레이션을 달성했다.

핵심 요약

• 여러 사용자가 공유하는 세계를 좌표와 방향, 생존 여부 같은 형식 있는 개체 기록으로 명시해 하나의 권위 있는 상태로 유지했다.
• 상태를 갱신하는 Logic Engine과 카메라 영상을 만드는 Rendering Engine을 나눠 세계 전이 비용을 요청된 화면 수와 분리했다.
• 맞춘 Snake 평가에서 상태 복구 정확도 0.764로 영상 기반 기준의 0.128보다 높았고, 1024개 플레이어를 1만 단계까지 구조적으로 유효하게 진행했다.
• 선언형 스키마로 여러 게임에 같은 구조를 적용하고, 네트워크 지연 때 클라이언트가 공유 상태를 예측하는 활용도 보였다.
• 현재 증거는 주로 단순한 2차원 게임과 제한된 개체 상호작용에 머물며, 저자들도 3차원 환경과 더 복잡한 상호작용을 후속 과제로 남겼다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.