借著全球最大的游戲開發(fā)大會GDC17 的機會，英偉達宣布推出 款游戲用顯卡GeForce GTX 1080 Ti。新顯卡采用16納米制程Pascal 架構，具備3584 個CUDA 核心以及高達11GB 的顯存，從紙面參數上新核彈比上一代游戲/通用計算多用途顯卡Titan X 性能稍強一些，比自己的前輩產品GTX 1080 也強了35%。
但在新核彈的喧囂之余，PingWest品玩關注到了英偉達在游戲開發(fā)方面的更多主張和嘗試。這家稱自己“All about AI” 的計算技術公司，正在快速改變游戲和AI 的關系。
此AI 非彼AI。在過去，游戲AI 可以指所有非玩家角色(NPC)，比如劇情中的配角、Boss 和商人等，也可以再進一步，泛指所有游戲的非玩家內容，比如作戰(zhàn)機制和商業(yè)系統(tǒng)等等。它是由人設計的。
但英偉達覺得，游戲行業(yè)即將進入一個新的AI 時代——用AI 來輔助設計和開發(fā)游戲，而且質量并不遜于人工制作。
“簡單來說，過去的AI 就是規(guī)則和腳本，讓AI 照著你的設計行動，再到后來有了決策樹，更先進一些�！庇ミ_應用深度學習研究部(Applied Deep Learning Research) 副總裁布萊恩·卡坦薩羅稱。但他認為，隨著深度學習技術突飛猛進式發(fā)展，AI 可以幫助開發(fā)者生成音畫素材，甚至劇情、任務等機制性的內容。
過去兩年，英偉達已經帶來了多項基于機器學習和神經網絡的工具，以解決游戲開發(fā)者面臨的棘手難題。舉個例子，大型游戲的一大特點是畫面精美，但這需要美工畫師和視覺設計師巨大的精力去創(chuàng)作材質。受制于人員和財力，中歇發(fā)者往往在視覺質量上打了折扣，更多人選擇了矢量化，甚至更粗糙的視覺風格。
英偉達高級開發(fā)技術經理安德魯·艾德斯登展示了一項名叫2Shot 的技術，讓開發(fā)者更輕松地從真實世界中提取材質，應用到游戲中：只需分別打開和關閉閃光燈，用手機拍攝兩張對象材質的照片，計算機將對它們進行自動處理，幾分鐘后即可生成素材文件。
2Shot 極大降低了開發(fā)者優(yōu)化材質的技術門檻，但它仍有很大的提升空間。英偉達在去年又提出了1Shot 技術，采用更強大的神經網絡進行計算，只需一張照片就能生成素材，時間也降低到了數秒的時間。2Shot 的生成素材質量已經達到了工業(yè)級，而1Shot 的質量還有待提高，但它們已經證明了機器學習和神經網絡在游戲開發(fā)方面的應用前景。
布萊恩·卡坦薩羅
英偉達還展示了另外兩種技術，分別名為Texture Multiplier 和Super-Resolution。
Texture Multiplier(材質復制器)類似于視覺特效人員常用的“材質增生”(texture mutation) 技術，最大的不同是采用了經過了大量訓練的卷積神經網絡(Convolutional Neural Network) 作為生成器，生成的效果高度接近真實，達到了肉眼難以分辨的水平。Texture Multiplier 將使得美工人員可以快速制作美觀的大片面積材質，不再給人一種“你這材質復制粘貼的吧!”的感覺……
而Super-Resolution(超分辨率)則聽起來更為科幻。記不記得《諜影重重5》里的情節(jié)：CIA 特工在雅典憲法廣場上尋找伯恩，用模糊的定格畫面，“放大、增強!”(Zoom, enhance)，然后就獲得了一張?zhí)貏e清晰的照片，確定了目標?
其實過去根本沒有這種高科技……至少在《諜影重重5》拍攝期間還沒有，直到最近才有類似的出來。前不久Google 的大腦團隊實現(xiàn)了將8×8 像素分辨率的，極度粗糙和顆粒化頭像，還原成比較清晰的，達到了32×32 分辨率的頭像，而英偉達也在做類似的事情。
該公司研究者采用的具體訓練方法(注意：和其他機構方法類似，可作參考)，是先把大量的高清晰度照片“縮小”(downscale) 到非常低的清晰度，僅保留非常有限的特征，同時另外把這個降級過程中損失的特征保存下來。
采用這種方式處理了大量的高清圖片之后，研究者獲得了海量損失掉的特征。他們將這些特征整理合成一個“特征規(guī)律庫”，就像辭典一樣，意圖在于告訴神經網絡：再去“放大” (upscale) 圖片的時候，按照這個辭典去操作。當然，具體操作起來比這個口頭敘述的流程復雜得多，這個卷積神經網絡模型需要數天的時間才能完成訓練。
在此前的測試中，Google 大腦團隊的同類技術能夠成功還原90% 被打馬賽克的人臉，算是一個十分驚人的成績。而英偉達則不滿足于低清晰度，希望追求更“感人”的分辨率。艾德斯登告訴PingWest品玩(微信公眾號：wepingwest)，該公司已經在實驗室中實現(xiàn)僅花“很快”(數秒)的時間將1K 分辨率重組為4K 分辨率的高清照片。
這種技術能為游戲帶來什么改觀?英偉達期待它能夠在未來，讓游戲在更小容量的基礎上，顯著提高材質的清晰度和視覺效果。舉個例子：在射擊游戲中，當玩家舉起狙擊槍，瞄準鏡里能顯示出更清晰的遠處畫面和材質。
不光是英偉達，Google 旗下的英國人工智能技術公司DeepMind，也在考慮用神經網絡在游戲上搞點事情——當然如果你有印象的話，過去曾經傳出人工智能在《打磚塊》、《星際爭霸》、《毀滅戰(zhàn)士》乃至于圍棋上碾壓人類的消息，大多都是DeepMind 搞出來的……
該公司在去年訓練了一個名叫WaveNet 的人工智能，讓計算機生成的語音和人類原聲越來越難以區(qū)分。WaveNet 和過去的串聯(lián)式語音合成、參數式語音合成不同，將語音的原始數據(波性文件)細分到了以1 毫秒為單位的區(qū)間，在每一個區(qū)間之間都采用遞歸神經網絡(Recurrent Neural Network) 和卷積神經網絡進行預測學習。
WaveNet 的結構演示
最后， DeepMind 用Google 自家的TTS 語音轉文字(目前世界上得分 的該類技術)數據集進行測試，比Google TTS 的得分高了10 個百分點——但將Google TTS 與人類原聲之間的距離縮短了一半還多。
雖然玩游戲的時候，基本沒人會特別仔細地聽每一句對白，但不意味著開發(fā)者應該在這方便節(jié)省。WaveNet 將會成為游戲開發(fā)者的福音，“想象一下，當你需要調整劇情的時候，可以用計算機生成配音，不必再花錢請配音演員回來重錄，甚至完全不用配音演員。”卡坦薩羅稱。
你可以到WaveNet 的網站上試聽一下效果，跟真人聲音差距真的很小。
好吧，現(xiàn)在AI 有了生成聲音、視覺材質等元素的能力，接下來呢?
⊥在上周，游戲開發(fā)公司Nival 宣布了一個振奮人心的消息：他們給2015 年發(fā)售的在線即時戰(zhàn)略游戲《閃電戰(zhàn)3》開發(fā)了一個神經網絡決策AI：Boris。
在一則演示視頻中，Boris 顯示出了“風箏”敵方單位的能力(指吸引敵對目標，帶其到處亂跑以打亂策略的行為);還可以在明顯具有劣勢時消極應戰(zhàn)而非拼死頑抗，以起到保存火力的目的;當戰(zhàn)場中有新的敵人加入，Boris 會自動分配部隊火力到不同的目標上，也會根據敵方火力級別，自動指揮士兵坐上炮臺，而不是傻站在地上，用步槍拼坦克。
更有趣的是，當雙方對抗占點時，Boris 會選擇性忽視那些擋路的殘血敵軍，優(yōu)先搶點再等待機會擊殺——這一特征顯示出了Boris AI 對不同獎勵(reward) 級別的理解，能夠優(yōu)先追求與全局獲勝關系更大的獎勵。
Nival 明確表示Boris 沒有使用游戲內核的任何地方數據，只使用對玩家可見的戰(zhàn)場情況，每幾秒鐘進行一次決策。Boris 的更多技術細節(jié)暫未公開。
在游戲開發(fā)中應用AI 技術，還有很大的想象空間。
去年，OpenAI 用《俠盜獵車手5》開發(fā)出了一個名叫DeepDrive 的“自動駕駛模擬器”。由于游戲內部的車輛行駛數據應有盡有，OpenAI 發(fā)現(xiàn)其實可以用游戲數據來訓練自動駕駛系統(tǒng)。雖然后來研究者刪除了與該模擬器有關的內容(這里有一個Twitter 上的視頻演示，這項技術所屬的項目官網還在)，該事件還是令人印象深刻，它賦予了人們審視AI 和游戲之間關系的新視角。
像《俠盜獵車手》這樣的開放世界游戲，開發(fā)公司花費多年時間設計了大量的任務關卡，但最快的玩家不出幾十個小時就能玩完全部的內容，繼而希望獲得更多的內容。然而開發(fā)公司要花更多精力在下一款游戲上，無暇顧及上一代(實際上開發(fā)公司R 星的做法是用一個相對較小規(guī)模的團隊維護游戲，繼續(xù)添加新的在線游戲模式)——未來，AI 會不會獲得生成任務、關卡、劇情的能力，以至于可以獨立完成一個完整的游戲?
〃坦薩羅認為那樣的未來會很棒，但應該只存在于設想階段，“我覺得設計關卡和任務最難的地方在于，你怎樣能讓新關卡和任務足夠有趣，這是目前AI 還不能取代設計師的地方。你可以讓AI 生成對白，生成材質，但將對白、視覺、機制和劇情進行有序、有趣的拼接，它還做不到。我想可能有些幽默只有人懂。但我可以想象AI 未來能夠輔助設計師更快推出新的關卡和任務，那很將令人期待�！�
聊到這里，我倒是有點擔心了。
“你說，AI 設計的游戲，會不會把玩家虐成狗?沒準AI 早就想在模擬環(huán)境里先感受一下，取代和虐殺人類是一種什么樣的感覺吧……?”
投稿郵箱：chuanbeiol@163.com 詳情請訪問川北在線：http://www.dstuf.com/
