Facebook 人工智能研究院研究员田渊栋：将人工智能运用于游戏，最新进展到了哪

本篇文章1540字，读完约4分钟

7月9日，由ccf主办、雷(公开号:雷)和香港中文大学联合主办的第二届ccf-GAIR全球人工智能与机器人峰会进入第三天。在机器学习的第一次特别会议上，facebook人工智能研究所的研究员田元东博士为会议带来了一个名为“AIIngames:成就与挑战”的分享。

他分享了人工智能目前在游戏领域的应用，他们的研究进展以及基于他们平台的许多测试结果。具体演变内容如下:

他从去年alphago战胜李世石和今年master战胜柯杰开始，介绍了ai目前在游戏中的优势和劣势。

好处:

作为一个虚拟平台，游戏平台是一个非常好的数据源。

游戏环境提供了大量的数据，非常丰富和准确

作为一个虚拟环境，游戏可以获得比现实生活中高得多的数据

这是一个非常科学的平台，为重复的科学研究提供了环境。

我们可以得到一个非常有趣的游戏过程，并提取许多概念。现实生活中有太多的规则。

缺点:

算法不太好，会有很多无效数据。

游戏的研究需要大量的资源。

需要考虑的可以延伸到现实生活中。

它仍处于初级阶段，许多算法无法量化它。

从游戏的发展过程来看，自20世纪90年代以来，它已经非常接近现实生活。作为一名研究人员，目标是开发更优化的算法和系统，并在更好的环境中评估算法的结果。然后他向我们解释了人工智能在游戏中是如何工作的。

人工智能在游戏中如何工作:

1.从当前情况出发，进行有限搜索，评估结果并获得分数。每一步都会有更好的算法。该算法是根据不同的游戏来确定的，例如象棋和围棋，它们需要不同的算法。

2.评估桌面得分。不同的游戏有不同的评价方法，这对围棋和象棋来说是不同的。有时写了太多的规则，可能会发生冲突。现在让计算机通过深度学习学习一个非常强大的策略网络，这会有很好的效果。

之后，他展示了alphago的设计理念，如硬件和资源的配置、政策网络的选择、如何培养价值网络以及如何收集数据。

接下来，他向我们介绍了黑森林引擎。

卷积神经网络被用作策略网络的一部分，它可以预测接下来的三个步骤而不是一个。光是神经网络就可以克服当时很多开源软件，而且搜索效果会变得更好，而且这个代码已经是开源的了。我们的算法还可以评估阿尔法戈竞赛。

最后两份工作

1、fps游戏

选择的平台被称为末日，使用的神经网络相对简单。当前的四个框架被放在神经网络中，演员-关键模型被用于训练。此外，还有课程培训，可以使人工智能的能力越来越强，让机器一点一点地学习更多的基础程序，然后适应更复杂的环境。

现在的缺点是电脑更擅长局部战斗，而且他们的总体把握实际上是空·怀特，所以他们没有像人一样的大策略和思维。

2.elf(高度可扩展且灵活)平台

平台的优势:1 .自动帮助您处理多线程或多进程问题；2.处理速度更快，资源占用更少；3.它是灵活的，可以改变具体的结构，选择不同的游戏参数和强化学习算法。

目前，这个平台已经是开源的，它的使用非常简单，没有复杂的步骤。

最后，他提到了游戏引擎是如何继续扩展的:

例如，现在游戏是一对一的。有两个人，一个在左下角，另一个在右下角。他们正在建造坦克来互相战斗。是在这里建立大量的士兵来互相补给，还是去探索，此时人工智能训练仍然是个问题。

1.有一些好的技能可以改变整个局面。如何在这个时候训练他们。

2.假设我们不希望计算机做出重大决策，我们不希望计算机只使用9个动作空，这样计算机就可以控制每个单元的决策。这个时候我们怎么控制他们？

3.如果我们使用基于模型的强化学习来做到这一点，我们将继续探索和探索如何玩这个游戏。对于复杂的游戏来说，这一块基于模型的是困难的，所以如何探索这一块。

更详细的发言请参考雷锋的后续深度报道。雷锋原创。

雷锋原创文章。严禁擅自转载。详情请参考转载说明。