Повышение уровня: GameGAN AI Nvidia создает Pac-Man без базового игрового движка

Этот сайт может зарабатывать партнерские комиссии по ссылкам на этой странице. Условия эксплуатации.

Nvidia создала сеть первого поколения, которая может создавать полнофункциональные видеоигры без базового игрового движка. Этот проект начал проверку теории: может ли ИИ научиться подражать достаточно хорошо, чтобы воспроизвести игру без достижения основной игровой логики?

  

Ответ, по крайней мере, для классического названия как Pac-Man, который случайно празднует свое 40-летие. Это замечательный прогресс в общих возможностях ИИ.

GameGAN использует искусственный интеллект под названием Generative Adversary Network. В GAN два противника ИИ, каждый из которых пытается победить другого, соревнуются друг с другом.

Вот гипотеза: подумайте, хотите ли вы обучить нейронную сеть, чтобы определить, является ли изображение реальным или искусственным. Этот ИИ начинается с серии точных базовых изображений, которые он знает как настоящие, и обучает их распознавать реальные знаки, а не синтетические изображения. Пришло время создать общего врага после получения первой модели ИИ, которая делает это с приемлемой точностью.

Основная цель искусственного интеллекта состоит в том, чтобы определить, является ли изображение реальным или поддельным. Вторая цель ИИ – обмануть первого ИИ. Второй ИИ создает изображение и оценивает, отказывается ли первый ИИ. В этом типе модели первый ИИ выполняет второй, и два ИИ периодически перестраиваются, чтобы обновить их способность производить (и обнаруживать) лучшие.

Модель GameGAN обучена, позволяя Pac-Man проглатывать видеоигры и связанные с ними действия клавиатуры, используемые игроками одновременно. Одним из ключевых нововведений Nvidia, использующих GameGAN, стало то, что декодер научился со временем расшифровывать статические и динамические компоненты модели с возможностью изменения различных статических элементов. Это теоретически включает такие функции, как смена поддонов или спрайты.

Видео работы GameGAN выше. У команды есть подход, который улучшает качество графики выше этого уровня, и это в значительной степени связано с ограничениями захвата видео из основных проблем в игре.

Я не уверен, насколько прямой эффект этой игры. Игра отлично подходит для некоторых видов обучения ИИ, потому что она содержит простые входные данные и результаты, которые достаточно просты, чтобы их можно было изучить с помощью моделей ИИ, но достаточно сложны, чтобы представить очень сложную задачу.

То, о чем мы здесь говорим, это, по сути, приложение для наблюдательного обучения, в котором ИИ обучается создавать свою собственную игру, соответствующую правилам Pac-Man, без практики настоящего Pac-Man. Если подумать, это ближе к тому, как играют люди.

Хотя чтение и чтение руководства (эквивалентно основному доступу к игровому автомату) включено, многие люди изучают компьютерные игры и доски, наблюдая за тем, как они играют, перед тем как прыгать, чтобы испытать его на себе. Как и GameGAN, мы производим статическую замену сущностей, не задумываясь. Вы можете играть в шахматы с классическими красными и черными фигурами или несколькими камешками. Увидев, что другие играют в шахматы несколько раз, вы можете поделиться игрой со своими друзьями, даже если они не играли раньше.

Причина, по которой такие игры, как GameGAN, интересны для меня, заключается в том, что ИИ не представляет собой обучение игре в игры. ИИ на самом деле узнает, на что похожа игра, чтобы посмотреть, как играют другие люди. Концептуально, это ближе к тому, как люди учатся – и интересно видеть, как алгоритмы, подходы и концепции ИИ развивались с годами.

Прочитай сейчас: