G胖豪言“遊戲將革命”:9年後,單機將戰勝網遊!
2020年04月07日15:39

  前不久的《Half-LifeVR》雖然看似驚豔,但也讓很多粉絲失望地發現,Valve公司創始人Gabe Newell(以下簡稱G胖)還是沒有學會數3。不過,在通過《CSGO》、《Dota 2》和《Artifact》等多年的網絡遊戲研發之後,Valve再次通過《Half-LifeVR》回到了研發單機遊戲的時代。

  儘管並未透露銷量,但G胖對於該遊戲十分看好,並預言“未來”AI將幫助單機遊戲戰勝網遊,他個人認為9年左右就可以實現。而就在最近,Google旗下英國AI公司DeepMind研發了一個可以學會玩57款遊戲的AI系統,並且據本週發佈的一份調研論文顯示,其遊戲水準超過了普通玩家。

  遊戲行業格局的顛覆者,G胖預言9年後單機超網遊

  這個AI叫做“代號57”,論文表示,這是首個可以超過標準人類遊戲水準的AI。調研者在博客里談到,“遊戲是打造靈活算法的最佳測試場所:它們提供大量的任務,玩家們必須做出複雜的行為策略才能掌握,但他們還提供了簡單的進度標準,即遊戲分數來優化。終極目標不是做一個精通遊戲的系統,而是使用遊戲作為研發更多挑戰系統的奠基石”。

2016年AlphaGo以4:1擊敗韓國圍棋冠軍李世石
2016年AlphaGo以4:1擊敗韓國圍棋冠軍李世石

  代號57基於DeepMind此前的AI作品打造,在2016年的時候,該公司的阿法狗機器學習系統打敗了圍棋世界冠軍李世石。

  此外,Steam平台持有者Valve公司的創始人G胖對於單機遊戲的未來感到很興奮,實際上,他認為AI的進步、甚至可以扭轉如今網絡遊戲主導的行業格局,GameLook翻譯他接受外媒採訪時的原話如下:

  “如果你想到大量的人們在互聯網上獲得娛樂體驗,總有一天,AI將比網絡遊戲更容易連接玩家們。

  通過AI的推動,我們正在走向一個可能實現翻轉的時期,目前OpenAI的機器人水準超過了《Dota 2》當中90%以上的玩家,這對於AI來說是一個非常狹隘的高難度挑戰。打敗人類比給人們帶來娛樂更簡單,但在接下來的幾年里,如果你問我確切時間,我覺得9年左右,就會出現能夠與一個聰明人一樣可以做任何事的AI。打造一個這樣的“矽晶體人類”可能需要數十億美元的代價,但隨後它們的價格就會越來越便宜,而且會很快降價,最終達到讓每個人都可以在電腦里擁有是個或者100個AI,這意味著到時候單機遊戲會更有趣。

  如果你可以打造一款永不結束的單機遊戲,可以讓我每週投入20個小時,而且不斷保持增長、變得越來越豐富,那麼接下來的400個小時可能會和前20個小時一樣有趣。我認為這種場景更可能在五年之後發生,而非五年之前。這將會給行業帶來巨變,AI會變的更有用,它也會改變多人遊戲與單機遊戲之間的價值對比”。

  即便是在3A單機遊戲里,AI或許也是最弱的元素之一,但願G胖的判斷是對的,就像往常那樣,AI將在接下來的幾年帶來重大發展。

  理想與現實之間的差距:2020年最出色的AI也只能同時學一件事

  如果說V社創始人此前的侃侃而談屬於“豪言壯語”,那麼DeepMind發佈的論文則可以說是其預言成真的伏筆。但是,AI真能幫助單機遊戲“翻盤”嗎?

  如DeepMind在論文隨後的博客里所說,遊戲是測試AI非常出色的方式,它們可以提供大量的挑戰迫使AI找到大量策略,但與此同時又有非常清晰的成功方法,即得分,但該論文還提到,有4款雅達利遊戲被證明是很難被打敗的。在《Montezuma’s Revenge》和《Pitfall》兩款遊戲中,AI必須在贏得遊戲之前大量嚐試不同策略。而在《Solaris》與《Skiing》中,動作與獎勵之間會有很長的等待,使得AI很難知道哪一個動作讓帶來的獎勵最多。

  為滿足這些挑戰,代號57帶來了DeepMind為其Deep-Q網絡的多項改進技術,後者在2012年曾首次打敗多個雅達利遊戲,包括包括一種存儲形式,讓它可以根據以前在遊戲中看到的操作做出決定,並通過策略的方式鼓勵AI探索了更多可能。這些技術隨後會被核心玩法控製器管理,這會讓玩家出去刷資源與探索使用的彈藥量差很多。

  為什麼這一點很值得注意?因為,儘管很成功,但我們今天見到的最優秀的深度學習模型也不夠“多才多藝”,大多數的AI都更擅長某一件事,而且只會一件事。在深度學習領域,培訓AI擅長一個以上的任務是巨大的開放式挑戰。學習57種不同人物使得“代號57”比之前的AI更有才華,但它仍然難以做到同時玩一款以上的遊戲。

  除了單機遊戲里的AI大多數都比較簡單之外,網遊當中的AI往往也只能陪新手玩家“練級”,比如在《絕地求生》這樣的百人競技當中,機器人往往只能勝任低段位的“陪玩”。

  代號57學會了57款遊戲,但它卻學不會同時掌握57款遊戲。儘管可以通過同樣的算法做到,但它每一個新遊戲都要重新學一次。從這種角度來看,代號57與之前的阿法狗類似,但真正做到像人類本能式的多才多藝,目前的AI是遠遠做不到的。

AlphaStar在2019年10:0戰勝兩位《StarCraft2》職業選手
AlphaStar在2019年10:0戰勝兩位《StarCraft2》職業選手

  2019年1月,GoogleDeepMind 的《StarCraft 2》人工智能 AlphaStar 曾與人類職業玩家展開了現場對決,人類遺憾以0:10落敗。然而一年之後,與圍棋人工智能 AlphaGo 走過的軌跡完全不同,在Blizzard在戰網天梯對決中引入AlphaStar 後,人工智能AlphaStar 似乎完全沒有長進,反而是各路人類玩家獲得了對抗AI的經驗:他們找到了各種各樣“戲耍”AI 的方法,這說明AI還有長久的路要走。

  不過,對於開發者們來說,AI卻可以在遊戲研發方面帶來很大的幫助,Stadia研發創意總監Erin Hoffman-John此前接受採訪時說,機器學習可以簡化小項目的研發,未來甚至可以讓一個20人的開發團隊打造一個像《魔獸世界》一樣龐大而複雜的遊戲。她表示,機器學習還可以幫助發現競技遊戲里的平衡問題,因為它可以使用多種策略對一個遊戲進行數百萬次的測試,並找出那些可能比設計者想要的更強大的策略。

  來源:GameLook

關注我們Facebook專頁
    相關新聞
      更多瀏覽