機器學(xué)習(xí)為我們開啟了游戲開發(fā)訓(xùn)練的大門，而非游戲編程的大門。

“游戲開發(fā)”是一項非常復(fù)雜的任務(wù)，并且需要耗費大量的人力資源。圖形藝術(shù)家、故事敘述者和軟件工程師需要共同努力，才能打造出比較好的游戲環(huán)境、游戲情節(jié)和人物角色行為。

通常，游戲是以傳統(tǒng)代碼的形式出現(xiàn)的“硬線行為”的微妙組合，也是以大量規(guī)則的形式出現(xiàn)的更具響應(yīng)性的行為集合。

在過去的幾年間，數(shù)據(jù)導(dǎo)向型的“機器學(xué)習(xí)”已經(jīng)逐漸取代了一些企業(yè)(比如亞馬遜、Netflix和優(yōu)步)中的規(guī)則導(dǎo)向型系統(tǒng)。在Unity，我們探究了“機器學(xué)習(xí)”技術(shù)的使用，包括“深度學(xué)習(xí)”在文本創(chuàng)作中的應(yīng)用，以及“深度強化學(xué)習(xí)”在游戲開發(fā)中的應(yīng)用。在機器學(xué)習(xí)和人工智能的浪潮中，我們看到了巨大的希望和發(fā)展空間。

[[204461]]

對于那些數(shù)據(jù)導(dǎo)向型的大企業(yè)來說，機器學(xué)習(xí)已經(jīng)不算是新興技術(shù)了。2007年，Netflix發(fā)起了一個“過濾算法”的公開賽，為能夠預(yù)測電影用戶評分的最佳過濾算法專門設(shè)立了“Netflix獎”，這正是我們現(xiàn)在所經(jīng)歷的人工智能媒體報道浪潮的開端。

不過早在2000年年初，一些大企業(yè)為了謀求更好的發(fā)展，已經(jīng)對“數(shù)據(jù)導(dǎo)向型決策”和“機器學(xué)習(xí)”有所涉獵了。為了充分了解顧客們的偏好，進而將顧客偏好轉(zhuǎn)化為更高的銷售額，亞馬遜一直在潛心研究他們的“推薦算法”。

除了亞馬遜的“推薦算法”之外，廣告技術(shù)是另一個較早利用“機器學(xué)習(xí)”來提高網(wǎng)站點入率的領(lǐng)域。近年來，機器學(xué)習(xí)已經(jīng)擴展至更多的行業(yè)，并且不斷趨于成熟。

舉例來說，我們在前面提到過的“推薦算法”最初只是作簡單的推薦方案，如今已經(jīng)發(fā)展到能夠通過“探索”和“開發(fā)”尋求更多的信息。

而亞馬遜和Netflix在使用他們的推薦系統(tǒng)進行數(shù)據(jù)收集時所面臨的挑戰(zhàn)是，如果只向客戶展示推薦頻率高的產(chǎn)品，而不展示其他的產(chǎn)品，那么他們獲得的客戶偏好信息就不全面。

而解決這一問題的方法是：將純開發(fā)行為轉(zhuǎn)變?yōu)榧尤肓颂剿髟氐拈_發(fā)行為。最近，由于同時具備了“開發(fā)”和“探索”能力，像“上下文老虎機”(contextual bandits)這樣的算法能夠更好地了解客戶的未知信息，也因此越來越受歡迎。

相信我，“上下文老虎機” (contextual bandits)算法肯定會在你瀏覽亞馬遜商城的時候隱藏了一些網(wǎng)頁。

在2015年，DeepMind進一步發(fā)展了“上下文老虎機” (contextual bandits)算法，并且將其從一個 深度神經(jīng)網(wǎng)絡(luò)與強化學(xué)習(xí)大規(guī)模結(jié)合的系統(tǒng) 上發(fā)布出來。

該系統(tǒng)僅靠一些作為輸入的原始像素和分數(shù)就能以超人類的水平掌握各種范圍的Atari 2600游戲。DeepMind的研究人員將“開發(fā)”和“探索”的概念完全對立，“上下文老虎機” (contextual bandits)算法不太擅長行為學(xué)習(xí)，但是“深度強化學(xué)習(xí)”卻能夠?qū)W習(xí)用于最大化“未來累積紅利”的行為順序。

換句話來說， 深度強化學(xué)習(xí)會學(xué)習(xí)那些能夠?qū)崿F(xiàn)“長期價值”(LTV)最優(yōu)的行為。在一些Atari游戲中，“長期價值”表現(xiàn)在那些通常為人類玩家保留的策略發(fā)展上。

在Unity，我們給自己提出了這樣一個問題：如何讓一只雞學(xué)會穿過繁忙的道路而不被迎面而來的汽車撞上，同時還要收集道路上的禮包?我們采用了一種與DeepMind實驗非常類似的通用“強化學(xué)習(xí)”算法，并且規(guī)定如果小雞撿到禮包獲得正分，被車撞到則獲得負分。

除此之外，我們還給小雞設(shè)定了四個動作：左移、右移、前進和后退。依靠這些原始像素和分數(shù)輸入，以及幾個非常簡單的指令，小雞在不足六個小時的訓(xùn)練后就達到了超人類水平的性能。

那么我們究竟是如何從實際應(yīng)用的角度做到這一點的呢?其實很簡單。我們使用了一組Python APIs，將Unity游戲與運行于“亞馬遜網(wǎng)絡(luò)服務(wù)器”(AWS)的TensorFlow服務(wù)相聯(lián)系，TensorFlow是谷歌在2005年首次發(fā)布的深度學(xué)習(xí)框架。

仔細觀看，你會發(fā)現(xiàn)小雞在訓(xùn)練的初期階段主要是探索如何不被汽車撞上(探索階段)，隨著訓(xùn)練的深入，小雞開始學(xué)習(xí)收集禮包(開發(fā)階段)。

值得關(guān)注的是，這個學(xué)習(xí)系統(tǒng)的一個重要能力就是處理從未遇到的狀況。游戲中汽車的出現(xiàn)和禮包的放置都是完全任意的，而盡管小雞已經(jīng)經(jīng)過了幾個小時的訓(xùn)練，它還是會遇到之前訓(xùn)練中沒有經(jīng)歷過的情境。有了我們的Python API，讀取游戲框架和游戲內(nèi)部狀態(tài)，使用機器學(xué)習(xí)對游戲進行反向操作就變得非常簡單了。

這只游戲小雞的訓(xùn)練給亞馬遜、Netflix和優(yōu)步的發(fā)展提供了一些靈感，他們可以運用相同的技術(shù)來優(yōu)化其客戶服務(wù)。

想象一下，假如要訓(xùn)練一個“非玩家游戲角色”(NPC)，而不是對其行為進行編碼，那么游戲開發(fā)者就需要創(chuàng)建一個游戲場景。在這個場景中，我們將會利用與Python API相聯(lián)的“云強化學(xué)習(xí)”來訓(xùn)練NPC。

這個游戲場景可以是完全虛擬合成的，也可以在其中加入一些人類玩家。當(dāng)訓(xùn)練到一定程度，這個NPC的性能已經(jīng)相當(dāng)不錯的時候，游戲開發(fā)者就能利用另一組Unity API將TensorFlow模型直接嵌入他們的游戲中，這樣一來，游戲就不需要連接TensorFlow的云服務(wù)了。

有些游戲開發(fā)者可能會說：“早在10到15年前，我們就已經(jīng)這么做過了。”

但是時代已經(jīng)發(fā)生了巨大的變遷。盡管我們已經(jīng)發(fā)明了“遞歸神經(jīng)網(wǎng)絡(luò)”(RNN)，比如用于序列學(xué)習(xí)的“長短時記憶”(LSTM)和用于空間特征學(xué)習(xí)的“卷積神經(jīng)網(wǎng)絡(luò)”(CNN)，但是由于計算能力的欠缺，以及大規(guī)模、精細軟件框架的缺失，這些神經(jīng)網(wǎng)絡(luò)在實際應(yīng)用方面，如游戲開發(fā)，仍面臨巨大的阻礙。

“深度強化學(xué)習(xí)”在游戲開發(fā)中的運用盡管仍處于初期發(fā)展階段，但是我們清楚地知道它將很可能成為一項顛覆性的游戲技術(shù)。像TensorFlow這樣成熟的機器學(xué)習(xí)框架正在不斷降低游戲開發(fā)者和機器學(xué)習(xí)研究者的入門門檻。機器學(xué)習(xí)現(xiàn)在正不斷進入企業(yè)的各個角落，那么我們完全有可能在未來游戲中的發(fā)現(xiàn)機器學(xué)習(xí)的影子。