本网站可能会通过此页面上的链接获得会员佣金。 使用条款.

英伟达创建了第一个生成网络,该网络无需基本的游戏引擎即可创建功能齐全的视频游戏。该项目开始检验一种理论:AI是否可以学习如何很好地模仿游戏来复制游戏,而无需访问任何底层游戏逻辑?

答案是肯定的,至少对于像《吃豆人》这样的经典游戏而言,今天也恰好庆祝其成立40周年。那’在整体AI功能方面实现了令人印象深刻的飞跃。

GameGAN使用一种称为生成对抗网络的AI。在GAN中,有两个对抗性AI互相竞争,试图击败对方。

这里’假设:假设您想训练一个神经网络来确定图像是真实的还是人工生成的。该AI首先以一组基本的准确图像为基础,这些图像已知是真实的,并且会在识别真实图像与合成图像的信号指示时进行训练。一旦您’您已经建立了第一个AI模型,并且可以接受的精度水平’现在是时候建立生成对手。

第一个AI的目标是确定图像是真实的还是伪造的。第二个AI的目标是欺骗第一个AI。第二个AI创建一个图像并评估第一个AI是否拒绝它。在这种模型中,’训练第一个AI的性能,第二个AI则定期进行反向传播,以更新其生成(和检测)更好伪造品的能力。

通过训练GameGAN模型,使其可以同时摄取吃豆人游戏的视频和玩家使用的相关键盘操作。英伟达之一’GameGAN的主要创新是解码器,该解码器可随着时间的推移学会分解模型中的静态和动态组件,并可以交换各种静态元素。从理论上讲,这允许使用诸如调色板或精灵交换之类的功能。

上面是GameGAN的视频。该团队采用的方法可以将图形质量提高到这个水平,并且这种怪异现象可能是由于捕获视频输出时的限制而不是游戏的基本问题所致。

I’我不确定这对游戏有多少直接适用性。游戏对于某些类型的AI培训非常有用,因为它们结合了有限的输入和结果,这些输入和结果足够简单以使AI模型可以学习,但又足够复杂以代表相当复杂的任务。

我们做什么’从根本上说,这里所说的是观察性学习的一种应用,其中AI已训练以生成自己的符合吃豆人的游戏’的规则,而没有吃豆人的实际实现。如果您考虑一下,’与人类的游戏方式更加接近。

虽然它’显然有可能坐下来阅读手册(这大致相当于可以使用游戏引擎),很多人通过观看别人玩游戏来学习计算机和棋盘游戏,然后再尝试尝试。像GameGAN一样,我们无需犹豫即可执行静态资产替代。您可以使用经典的红色和黑色棋子或少量卵石来玩跳棋。一旦您’看过别人几次跳棋,即使他们与他人分享游戏,也可以’我从未玩过。

之所以像GameGAN这样的进步给我留下了深刻的印象,是因为他们没有’它只是代表学习如何玩游戏的AI。 AI实际上是从观看别人玩游戏的过程中学习到有关游戏如何实现的一些知识。那’从概念上讲,与人类的学习方式更加接近— 和 it’随着时间的流逝,看到AI算法,方法和概念不断完善,这很有趣。

现在阅读: