Как две топ-нейросети собирают Elden Ring в Godot
· Владимир Холодов
Кратко: Две топ-нейросети могут скоординировать создание комплексной игры вроде Elden Ring в движке Godot, демонстрируя разные стили архитектуры: Claude более надёжна, GPT-6 Astra более инновативна.
Когда лучшие ИИ соревнуются в создании игры
Представьте сценарий: две самые продвинутые нейросети - Claude Opus 5.5 и GPT-6 Astra - получают одну задачу: создать Elden Ring с нуля, используя движок Godot. Не переделать существующую игру, не скопировать механику, а собрать её полностью из компонентов. Это не просто тестирование - это окно в то, как современный ИИ подходит к комплексным проектам разработки.
Такой эксперимент показывает, что произошло с нейросетями за последние два года. Раньше они были помощниками, которые писали отдельные функции. Теперь они берут на себя архитектуру, координацию и принятие решений на всех этапах разработки.
Четыре этапа: от идеи к игре
Процесс условно разбивается на четыре чётких фазы, каждая из которых требует разного типа решений от ИИ.
Этап 1: Декорации в Blender
Первый шаг - окружение. Нейросеть должна разработать структуру ландшафта: топология местности, расположение зданий, деревьев, камней. В Blender это означает создание моделей, текстур и пространственной логики.
Claude Opus здесь может работать с Python-скриптами для Blender API, генерируя процедурное содержимое. GPT-6 Astra, вероятно, пойдёт по пути анализа геометрии и оптимизации сложности моделей. Обе нейросети сталкиваются с одной проблемой: баланс между качеством визуалки и производительностью движка.
Ключевой момент - нейросеть должна не просто создать красивое окружение, но понять логику игрового дизайна: где игрок будет стоять, куда смотреть, как физика Godot будет взаимодействовать с этой геометрией.
Этап 2: Лесная локация с ареной босса
Вторая фаза - создание конкретной игровой сцены. Лесная локация с боевой ареной - это не просто красивый фон. Это сложная система с зонами взаимодействия, коллизией, триггерами событий.
Нейросеть должна выстроить иерархию объектов в Godot, определить приоритеты рендеринга, расставить спауны врагов и логику их поведения. Здесь появляется первый конфликт между двумя ИИ-подходами: Claude может быть более консервативна в оптимизации (избыточная безопасность кода), а Astra - более агрессивна в экспериментах с новыми техниками.
Арена босса требует особого внимания - нейросеть должна спроектировать фазы боя, области для укрытия, визуальное оформление финальной локации.
Этап 3: Персонаж-самурай с механиками
Третий этап - главное действующее лицо. Моделирование персонажа с системой перекатов и парирования - это ядро геймплея. Здесь ИИ работает с анимацией, физикой персонажа и входными данными.
Перекат (dodge roll) - кажется простым, но требует управления скоростью анимации, синхронизации с физикой коллизий и состояния invulnerability frames. Парирование сложнее: нужна система распознавания атак врага, окно для ввода команды, расчёт отскока урона обратно.
Для Godot это означает работу с системой сигналов (signals), управление состояниями (state machine) и синхронизацию клиента с сервером логики. Нейросеть должна предусмотреть, как эти механики масштабируются при добавлении новых типов врагов и атак.
Этап 4: Интеграция и полировка
Финальный этап - соединение всех частей в единую систему. Тестирование взаимодействия, оптимизация памяти, убедительное ощущение геймплея.
Здесь видны различия в стратегии двух нейросетей наиболее ярко. Claude может продолжить строить, добавлять проверки и документировать. Astra может начать убирать лишнее, переписывать неэффективный код, искать узкие места.
Что на самом деле тестируется здесь
Это не про то, какая нейросеть быстрее напишет код. Это про то, насколько каждая может справиться с неопределённостью и адаптацией на лету.
В процессе разработки игры происходят сотни микро-решений: чему отдать приоритет, когда ресурсы ограничены, какой компромисс выбрать, когда требования противоречат. Настоящий разработчик принимает эти решения из опыта. Нейросеть принимает их из вероятности следующего токена.
Claude может показать большую логическую согласованность и защищённость от ошибок. GPT-6 Astra может быть креативнее в архитектурных решениях, но рискует написать что-то, что работает только в 80% случаев. Обе должны уметь общаться с разработчиком, объяснять выбор и менять направление, если исходная идея не сработала.
Где нейросети спотыкаются
Есть моменты, где обе нейросети будут мучиться одинаково. Например, физика взаимодействия меча с щитом врага - это требует понимания не только кода, но и игрового ощущения. Нейросеть может написать корректный физический расчёт, но сделать боевую систему неудовлетворительной для игрока.
Также сложность с визуальной иерархией: нейросеть должна понять, что в Elden Ring камера должна показывать врага определённым образом, дистанцировка следует правилам, UI не загораживает критические моменты. Это требует не кода, а художественного видения.
Управление состояниями персонажа - третья боль. Когда персонаж может находиться в режиме боевой готовности, в анимации перевода оружия, в перекате, в парировании, в оглушении, в падении - это не просто switch/case. Это сложная система, где каждое состояние может взаимодействовать с другими неожиданным образом.
Почему это важно для разработчиков
Если две топ-нейросети могут координировать создание Elden Ring в Godot, это не означает, что они заменят разработчиков. Это означает, что разработчик с нейросетью теперь может создать в одиночку то, что раньше требовало команды.
Вайб-кодинг - термин, который описывает разработку с помощью ИИ подсказок и генерации кода - становится не маргинальным трюком, а основным рабочим процессом. Разработчик больше не пишет код строку за строкой, а формулирует архитектуру, проверяет результаты, правит направление.
Проект такого масштаба показывает, что нейросеть может держать в голове множество компонентов одновременно, отслеживать зависимости между частями и предлагать синтезированное решение. Это требует качества, который был только у опытных архитекторов.
Кто выигрывает в такой гонке
Claude Opus может выигрывать на стабильности и предсказуемости. Её генерируемый код скорее всего будет более надёжным, с лучшей обработкой ошибок, более читаемым.
GPT-6 Astra может выигрывать на инновативности и скорости итераций. Она может предложить более оригинальные решения для системы парирования, более эффективную структуру данных для хранения состояний врагов, более интересный алгоритм балансировки сложности.
В реальности победит та нейросеть, которая лучше услышит человека-разработчика и адаптируется к его видению игры.
Практическое применение уже сейчас
Этот сценарий не фантастика - индустрия уже движется в этом направлении. Ряд инди-разработчиков используют комбинацию Claude и GPT для ускорения production cycles. Они описывают архитектуру, нейросеть генерирует скелет кода, разработчик интегрирует и полирует.
Для более простых жанров - 2D-платформеров, roguelike, пазлов - нейросеть справляется почти полностью самостоятельно. Для сложных систем вроде Elden Ring нужен контроль человека на каждом этапе, но скорость разработки растёт в 2-3 раза.
Что дальше
Следующий уровень - это когда нейросеть может не просто код генерировать, но тестировать сама себя. Запустить игру в эмуляторе, заметить, что парирование не работает в 15% боёв, и автоматически изменить логику. Это уже начинается в форме агентных систем.
Когда разработчик сможет сказать: "Создай мне игру вроде Elden Ring, но с магией как в Baldur's Gate 3" - и нейросеть не просто соберёт части, но поймёт архитектурные сложности интеграции этих двух систем - вот тогда мы станем свидетелями настоящей перемены.
Выводы
По своему опыту в автоматизации разработки я вижу, что ИИ-агенты уже перестали быть просто генераторами кода - они становятся архитекторами. Claude Opus 5.5 и GPT-6 Astra, соревнуясь в создании Elden Ring, демонстрируют не то, что одна лучше другой, а то, что у каждой свой стиль мышления. Claude более систематична, Astra более экспериментальна. В реальной разработке нужны оба подхода.
Если вы разработчик или архитектор системы, который хочет ускорить цикл разработки, стоит понять, как работают эти нейросети, как их комбинировать, как превратить их выход в реальный продукт. Я помогаю компаниям внедрять ИИ-агентов и системы автоматизации разработки - это не магия, это архитектура, которая требует понимания как сильных сторон, так и ограничений каждой нейросети. Если вас интересует, как поставить ИИ на автоматизацию вашего процесса разработки или любого другого бизнес-процесса, добро пожаловать.
От автора. Мне близок формат «от идеи до готового решения, шаг за шагом».
Буду постепенно исследовать и делиться готовыми связками «от идеи до готового решения»: делайте шаг за шагом, и всё получится.
Главный материал по теме
Статья входит в тему «Нейросети». Подробный разбор темы: Обучение нейросетям для бизнеса: с чего начать.