AI＋遊戲引擎：NPC越來越聰明，無人車也能在遊戲中訓練了

編者按：很多人在玩遊戲的時候，都會感覺到遊戲中的NPC非常「腦殘」。但這一情況將會發生改變了。前不久，Unity推出了一個強大的開源軟體Unity Machine Learning Agents，通過這個開源軟體，能夠將其遊戲引擎與機器學習程序連接起來。通過深度強化學習演算法，非玩家角色（NPC）可以不斷地進行嘗試和犯錯，變得更有創造性和策略性，從而增加遊戲的對抗性和可玩性。也就是說，遊戲中的NPC將會變得越來越聰明。更加值得關注的是，這個開源軟體的適用範圍並不僅限於遊戲中的虛擬人物，還可以用來訓練那些用於真實世界的機器人。文章發表在FastCompany，由36氪編譯。

這些年，視頻遊戲開發者已經在使用人工智慧來優化玩家能夠操縱的遊戲角色了。但玩家不能操縱的角色，遊戲中的NPC，都是基於人類編寫的規則，在遊戲體驗上並不完美，玩家很容易就能掌握了其中的規律，從而會感覺到遊戲非常無聊。

不過，這一切都將會發生改變。利用人工智慧技術，遊戲中的NPC將會根據遊戲中遇到的情況，對自己的遊戲規則進行編程和重新編程。也就是說，他們在遊戲中的時間越長，就會越聰明。

前不久，Unity推出了一個強大的開源軟體Unity Machine Learning Agents，通過這個開源軟體，能夠將其遊戲引擎與機器學習程序（比如谷歌的TensorFlow）連接起來。Unity是遊戲引擎軟體的主要製造商，王者榮耀、紀念碑谷、神廟逃亡2、Pokémon GO都用的是它提供的遊戲引擎。

Unity負責人工智慧和機器學習的副總裁Danny Lange表示，通過深度強化學習演算法，非玩家角色（NPC）可以不斷地進行嘗試和犯錯，變得更有創造性和策略性，從而增加遊戲的對抗性和可玩性。

不過，Unity的新AI-linking工具的使用場景並不局限於遊戲中的虛擬角色。Lange說，這種軟體還可以加速機器人的發展，比如自動駕駛汽車，可以讓它們在「雜亂無章的、計算機生成的」的場景中不間斷的訓練，使其變得更加智能。

Unity利用機器學習技術，通過從多個角度評估場景——鳥-眼（左）和第一人稱視角（右）——在這個尚未發布的坦克戰鬥遊戲中設計出了一個策略。

Unity也坦然表示，他們並沒有發明這些技術，只是讓這些技術變得更容易使用。比如說，谷歌旗下的DeepMind利用深度強化學習技術，教AI玩兒上世紀80年代的電子遊戲，比如「Breakout」。

在遊戲式的環境中，訓練自動駕駛系統也有很多的例子。比如說，MSC Software的虛擬測試驅動器應用程序提供汽車培訓模擬。像The Open Racing Car Simulator和Euro Truck Simulator 2這樣的遊戲也被用於自動駕駛汽車的虛擬訓練。而Nvidia的New Lsaac Lab則使用競爭對手Epic Games的「虛擬引擎」來生成逼真的虛擬環境，用於訓練那些控制真實機器人的演算法。

Lange表示，現在可以在GitHub上使用測試版的新ML-Agents工具，可以讓遊戲引擎和AI軟體之間的鏈接不再動輒就要消耗數天甚至數周的時間。他說：「我們想做的是在一小時內達到這一目標。」很顯然，這會讓更多的人更容易嘗試開發出更好的遊戲角色，或者把訓練機器人這一枯燥的事情變得更容易。

今年早些時候，Unity展示了深度強化學習的潛力，它在一個基於Unity的移動遊戲Crossy Road上做了實驗。在遊戲中，一隻雞必須穿過一條無窮無盡的道路，每次它撞到一個禮盒，就能獲得一分，但每次它撞上一輛卡車，就會失去一分。在讓分數最大化的任務的下，就開始了學習的過程。

起初，這隻雞像一隻喝醉了的蛾子一樣四處亂飛，前後移動，不斷與禮物和卡車相撞。

經過幾個小時的反覆試驗，再加上機器學習識別出最佳戰術，這隻鳥以「神一般的力量」在遊戲中穿行。

更複雜的NPC可以訓練在更微妙的目標上，比如在第一人稱射擊遊戲中最大化玩家的遊戲時間。

Lange說：「它可能會發展出一些策略，以令人驚訝的方式展示自己。比如說，它會引誘你去追逐它，但你不會抓住它，它也不會馬上殺死你。通過這樣的方式來提高你在遊戲中的時間。很顯然，這為更有創造性的行為打開了一扇門，這是你可能想像不到的;或者說，以傳統的代碼水平而言，讓NPC執行這樣的策略會非常非常費力。」

不過，也不要別指望這種能夠自學成才的虛擬對手很快就會出現。對於學者和科技公司的研究團隊來說，建立具有深度強化學習的NPC仍然是一項科學實驗。但如果Unity的ML-Agents能讓數百萬註冊開發者（即使是沒有很多資金的用戶）更方便地進行試驗，那麼這個過程可能會加快。

像Unity和Unreal 這樣的視頻遊戲引擎現在可以非常精確地模擬現實世界。從光與景觀的相互作用，到橡膠輪胎與水泥路之間的摩擦，遊戲提供的虛擬環境已經非常精確了，可以用來訓練那些用於真實世界的機器人。

通過一種叫做過程渲染（procedural rendering）的方法，遊戲引擎可以動態地合成一條幾乎無限里程而且非常逼真的道路。通過機器學習軟體可以從分析遊戲中反饋的視頻，並學習如何準確地解釋它所看到的內容。

Lange說：「這與你在舊金山開車行駛在道路上很像。」他在2016年12月加入Unity之前，是Uber的機器學習主管。「但Uber的員工，他們需要做的就是回家，然後找外包公司來給這些視頻數據貼上標籤。」他們必須對每棵樹、汽車、行人、人行道、車道分隔器等物體進行標記，只有這樣，學習軟體才能知道它看到了什麼，並開發出識別它們的技術。在虛擬場景的訓練中，因為像Unity或Unreal這樣的軟體是根據現實世界生成的非常逼真的場景，其中的每一個物體都已經貼上了標籤。

自動駕駛汽車目前是一項巨大的技術項目，甚至連主要汽車製造商和矽谷的公司都在往其中投入大量的資源。但隨著Unity等產品的推出，小型遊戲開發者更容易上手，Unity的ML-Agents也可以為更多的小型機器人和機器人開發者提供支持。

原文鏈接：https://www.fastcompany.com/40469609/machine-learning-is-making-video-game-characters-smarter-and-robots-more-competent

編譯組出品。編輯：郝鵬程

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！