PUBG Ally: Ein KI-Teammitglied mit Sprache und eigenem Handeln im Spiel
Ein Team von 24 Forschern hat einen KI-Agenten für das Spiel PUBG: BATTLEGROUNDS entwickelt, der per Sprache kommuniziert und eigenständig handelt. In einer Umfrage unter Spielern aus 141 Ländern überwogen positive Empfehlungen die negativen um 25,1 Prozentpunkte.

👁 117 Aufrufe
Am 24. September 2026 veröffentlichte das PUBG Ally Team - 24 Autorinnen und Autoren, deren Namen alphabetisch aufgeführt sind, mit Kangwook Lee und Hyunseung Kim als Projektleitern - ein Paper auf arXiv unter dem Titel „PUBG Ally: A Conversational Embodied Agent as an AI Teammate“. Es beschreibt einen KI-Agenten, der im Multiplayer-Shooter PUBG: BATTLEGROUNDS als sprachfähiger Mitspieler neben echten Spielern agiert.
Was der Agent tun kann und wie er aufgebaut ist
PUBG Ally soll zwei Fähigkeiten gleichzeitig beherrschen, die laut den Autoren je für sich schon anspruchsvoll sind: die Wahrnehmung einer sich ständig verändernden Spielwelt unter strengen Latenzanforderungen einerseits, und eine natürliche Sprachinteraktion mit dem menschlichen Mitspieler andererseits. Dabei muss die Sprache des Agenten mit seinen Aktionen synchron bleiben.
Technisch ist Ally zweistufig aufgebaut. Ein Sprachmodell-Agent nutzt eine kontrollierte Schnittstelle, um Spielinformationen abzurufen, die Spracheingaben des Spielers zu interpretieren, den Kontext zu pflegen, zu entscheiden was gesagt wird, und übergeordnete Aktionsentscheidungen zu treffen. Diese Entscheidungen steuern dann eine schnellere Steuerungsebene, die Bewegung, Kampf und Erholung im Spiel übernimmt. Die Autoren nennen dieses Muster „agentic tool use“ kombiniert mit „real-time game control“.
Trainingsdaten aus echtem Spielbetrieb
Weil Sprache und Handlungen des Spielers und des Agenten sich gegenseitig und den Spielverlauf laufend beeinflussen, ließen sich die Trainingsdaten laut dem Paper nicht anderswo als im echten Spielbetrieb gewinnen. Das Team sammelte Daten aus knapp 39.000 Spielsitzungen, in denen echte Spieler zusammen mit Ally spielten. Aufgezeichnet wurden Spielverlauf, Spracheingaben der Spieler, Entscheidungen des Agenten, Werkzeugnutzung, Aktionen und Spieler-Feedback. Diese Aufzeichnungen dienten dem iterativen Training.
Bewertung und Verfeinerung
Zur Bewertung der Qualität als Teammitglied verwendete das Team Spieler-Feedback und Präferenzvergleiche. Die Autoren stellen ausdrücklich fest, dass sie dabei Lücken zwischen Offline-Auswertungen und den tatsächlichen Spielerpräferenzen feststellten, und verfeinerten die Bewertungskriterien daraufhin iterativ. Details zu den genauen Bewertungsmetriken oder den Offline-Ergebnissen werden im Abstract nicht genannt.
Anforderungen für den Live-Betrieb
Der Einsatz im Live-Dienst stellte weitere Anforderungen: geringe Latenz bei der Ausführung auf dem Gerät sowie Schutzmaßnahmen für die spielerseitige Kommunikation. Die Autoren adressieren dies durch Modellkompression, „context compaction“, gezieltes Sicherheitstraining, Laufzeit-Guardrails und „memory redaction“. Was genau unter diesen Begriffen zu verstehen ist, wird im Abstract nicht weiter ausgeführt.
Spielerbefragung in 141 Ländern
Während des Live-Betriebs führte das Team eine Umfrage unter Spielern in 141 Ländern durch. Unter den Befragten, deren Spielsitzungen mit Ally durch Spielaufzeichnungen bestätigt wurden, überstiegen positive Antworten die negativen um 25,1 Prozentpunkte bei der Frage, ob sie Ally weiterempfehlen würden. Die Autoren berichten außerdem, dass Spieler Ally nicht nur als Werkzeug, sondern auch als Teammitglied oder Begleiter beschrieben. Genauere Angaben zur Stichprobengröße oder Methodik der Umfrage finden sich im Abstract nicht.
Google · Deine QuellenWissnox höher in Ihrem Google - mit einem KlickZu bevorzugten Quellen hinzufügen →Was bedeutet das
Meiner Einschätzung nach ist dieses Paper vor allem deshalb bemerkenswert, weil es keinen Laborprototypen beschreibt, sondern ein System, das bereits im Live-Betrieb eines kommerziellen Spiels mit Millionen von Nutzern läuft. Der Ansatz, Trainingsdaten ausschließlich aus echtem Spielbetrieb zu gewinnen und die Bewertungskriterien anhand realer Spielerpräferenzen zu kalibrieren, zeigt eine pragmatische Herangehensweise, die sich von rein akademischen Benchmarks unterscheidet. Ob das System wirklich als „Begleiter“ taugt oder ob das eine Projektion der Spieler ist, lässt sich aus dem Abstract allein nicht beurteilen - aber die Tatsache, dass ein großes Spielestudio ein solches System in 141 Ländern ausrollt und dabei auch Sicherheits- und Datenschutzfragen adressiert, deutet darauf hin, dass KI-Agenten als soziale Akteure in Unterhaltungsprodukten früher Alltag werden könnten, als viele erwarten.
Quelle: arXiv cs.AI: PUBG Ally: A Conversational Embodied Agent as an AI Teammate (dokument z 2026-09-28). Diese Besprechung entstand auf Grundlage des vollständigen Dokumenttextes, nicht auf Basis von Medienberichten.
More on this from WISSNOX
nachrichten·DeepSeek V4 Pro: Eingabe -17 %, Ausgabe -17 %. Neuer Tarif: 0,35 / 0,70 Dollar pro Million TokensDer Listenpreis von DeepSeek V4 Pro bei OpenRouter sinkt. Die Eingabe kostet jetzt 0,35 Dollar pro Million Tokens (vorher 0,42), die Ausgabe 0,70 Dollar (vorher 0,84).

