硅谷密探|《刺客信条》《生化危机8》上市,AI训出的敌人可以强到什么地步?( 三 )


硅谷密探|《刺客信条》《生化危机8》上市,AI训出的敌人可以强到什么地步?
本文插图
有研究小组使用《GTA5》进行自动驾驶的试验场地 , 图片来自网络 而在游戏之外的领域 , 游戏AI的作用也非常突出 。 著名3A大作《GTA5》就为自动驾驶提供了完美的试验场地 。 英特尔和普林斯顿大学的科学家们利用这款游戏中的开放性和复杂性来来试验自己自动驾驶算法 。但从游戏本身而言 , AI的加入同时也面对着一些不小的挑战 。从技术方面来看 , 算力、数据、训练方式是目前游戏AI需要解决的三大难点 第一 , 机器学习算法对算力的需求量是非常大的 。 在网络游戏中的AI运算力还可以依靠外部服务器来进行解决 , 但如果单机游戏中处处充满AI , 那就意味着玩家的CPU需要非常有超强的算力 , 就如同Alpha Go这种超级人工智能的算法并不是任何电脑都能承受的 , 算法的训练往往需要专用的AI芯片 。硅谷密探|《刺客信条》《生化危机8》上市,AI训出的敌人可以强到什么地步?
本文插图
AI芯片往往比普通CPU算力更强 , 图片来自网络
第二是数据需求 , 现阶段的AI模型大多是基于『模式匹配』的算法来进行数据建模的 , 这就需要AI在海量的数据中去寻找出某一条规律 。 假设没有庞大的数据来进行支撑 , 那么AI就无法得到有效的训练 , 从而在对抗中甚至出现错误的判断 。例如围棋 , AI可能在几十秒中能推演上万个来回 。 正是因为围棋这样的游戏有着既定的规则 , AI才能顺着规则路线快速生成海量的数据并进行建模 , 这也是为什么棋牌类游戏能率先被AI攻占下来的原因 。第三是训练方式 , 机器学习的训练分为两种 , 一种是上述我们聊到的『自我博弈』 。 另一种是通过实际人类对战的数据来进行训练 , 告诉机器“人是怎么做的”“怎么做能获胜” 。从目前游戏AI的发展成果上看 , 在围棋、打砖块、推箱子等规则相对简单的游戏中 , 自我博弈的训练方式似乎获得了更好的效果 , 因为这些游戏都无需依赖其他外部输入 , 实现高效的模拟对战 。硅谷密探|《刺客信条》《生化危机8》上市,AI训出的敌人可以强到什么地步?
本文插图
打砖块等规则简单的游戏训练起来相对容易 , 图片来自网络但随着游戏复杂度的提升 , 模拟对战变得越来越低效 , 对于动辄需要上千万次对战的AI来说 , 如此低效的训练方式是无法接受的 。而另一种通过与人类对战进行模仿训练的方式则受限于数据的准确性和完备性 , 是否覆盖到可能出现的所有战术、情况就显得尤为重要 , 一旦数据缺失就可能造成训练出的AI出现“偏科”的情况 , 并且人类做出的举动也并不是一定正确 。而从整个游戏行业的角度来说 , 想要实现未来AI大面积介入 , 同样也存在着不小的挑战 。首当其冲的就是游戏寿命的问题 , 要想真正的训练出一款具有一定智慧行为的游戏内置AI需要大量的数据对其进行训练 , 然而这种训练是需要长时间积累的 。 但是 , 一款游戏的寿命是有限的 , 等到AI经过几年时间的完成训练 , 也许这款游戏的早就被后来画面更好玩法更新奇的游戏取代 。当然 , 在画面优化上 , AI适用于大部分的游戏 。 但玩法改革并不适用于所有游戏 。 就像《Game Marker’s Toolkit》系列作者马克·布朗(Mark Brown)说的“AI必须要适应目标游戏想要的体验 。 ”所以AI在玩法上的优化应该针对特定游戏做出不同的更改 , 甚至选择不使用 。
硅谷密探|《刺客信条》《生化危机8》上市,AI训出的敌人可以强到什么地步?
本文插图
《魔兽世界》超长的游戏寿命可以称之为奇迹 , 图片来自网络 所以 , 对于一家游戏开发者来说 , 想要长时间吸引大量的玩家并为AI提供训练数据几乎是一件『稳赔不赚』的事情 , 这也是为什么大多数游戏厂商更愿意将游戏中的AI按照固定剧本写死的原因 , 因为这样既可以让AI在可控的范围内取悦玩家 , 还能在短时间内收割玩家的钱包 。而回到大家最关心的那个问题『AI是否会在游戏中全面战胜人类?』 小探认为大可不必担心 , 因为AI如果想要全面战胜人类的话 , 除了需要长时间的基础硬件发展作支撑 , 也需要上述小探提到的”赌“的决策行为 , 而这种近乎于人类的思考模式 , 是AI开发者绝对不允许的 。总的来说 , AI之于游戏的意义是十分重大的 。对玩家而言 , 游戏在玩法和开发上的拓展 , 能带来众多更有趣更精良的游戏;也会让玩家体验变得更特别、更个性化、更令人回味 。 而对于整个产业来说 , 更多的创新和技术进步将推动产业的蓬勃发展 , 更加良性 。随着时间的推移 , AI与游戏的融合也在一步步加深 , 虽然还存在着不小的挑战 , 但正因为有这种不确定性的存在 , 游戏才能成为游戏 , 玩家们才能为止着迷与期待 。(文本特别鸣谢硅谷资深AI工程师波尔的指导与贡献)


推荐阅读