人工智慧在遊戲中的目標主要有五個:一是為玩家提供適合的挑戰;二是使玩家處於亢奮狀態;三是提供不可預知性結果;四是幫助完成遊戲的故事情節;五是創造一個生動的世界。這個生動的世界可以是類似現實生活中的世界,也可以是與現實世界完全不同的世界。但不管何種世界都要求有一整套能夠自圓其說的遊戲規則。 在遊戲製作過程中,實現人工智慧的關鍵主要有:虛擬現實與擬人化、動畫效果與機器角色場景感知[3]、機器角色的機器學習和進化、玩家與機器角色之間的平衡性、人工愚蠢技術、確定性人工智慧技術與非確定性人工智慧技術的互補。 遊戲中的人工智慧的主要技術主要有:有限狀態自動機(Finite State Machines)、模糊邏輯(Fuzzy Logic)、A*演算法與有效尋徑(A* Algorithm for Efficient Pathfinding)、指令碼設計(Scripting)、基於規則的人工智慧和系統(Rules-based AI and Systems)、人工生命(Artificial life)、貝葉斯推論(Bayesian Inference)和非確定性貝葉斯網路(Bayesian Networks for Uncertainty Decisions)、神經網路(Neural Networks)和遺傳演算法(Genetic Algorithms)等。4. 目前的侷限與前景展望 就目前來說,技術上的困難主要來源於兩個方面:一是遊戲中的非確定狀態實在太多;二是現有的硬體和計算機網路對於高階人工智慧還說,速度還達不到要求。[4] 目前要解決這些困難,在技術上來說還是不成熟的。對於數量極多的非確定狀態來說,儘可能地提高硬體和計算機網路的速度,可能是一個解決方法。但是要提高硬體和計算機網路的速度也並非易事。這可能要等到全息光學計算機和光網際網路誕生之後才能徹底解決。但目前有效的辦法是提高軟體的執行速度。比如使用更有效的演算法或神經網路等新技術。
遊戲產業擁抱人工智慧是大勢所趨。從研發到運營、戰略投資,人工智慧在遊戲公司的方方面面都大有可為。正如“阿爾法狗”之父、DeepMind公司CEO哈薩比斯所言,“遊戲是測試AI(人工智慧)演算法的完美平臺”。
“遊戲AI”過去泛指一切非玩家操作的遊戲角色,包括遊戲商人、怪物等。這些角色僅僅是按照規則和指令碼活動,一切行為都遵循遊戲設計者的安排。隨著深度學習技術突飛猛進,遊戲AI將會擁有自己的“思考能力”,行為舉止也會越來越聰明,越來越接近人類。
伴隨技術的發展,人工智慧已開始參與遊戲設計。例如,英偉達正基於機器學習與神經網路技術研發多種遊戲開發工具,其功能包括利用照片自動生成材質、將低畫素圖片還原到較高畫質晰度等。大名鼎鼎的“阿爾法狗”有一個致力於語音合成的同門“師兄弟”WaveNet,能將文字轉化成接近真人的聲音,這項技術成熟後可為開發公司省下可觀的配音費用。英偉達副Quattroporte卡坦羅薩深信,未來人工智慧的輸出內容將不僅侷限於音畫素材,它們甚至能生成“讓人類感到有趣”的劇情、任務等內容,為開發公司節省更多成本。
遊族網路早早意識到人工智慧在廣告投放方面的應用前景。遊族網路相關負責人介紹,利用人工智慧實現的自動投放即將進入可用階段,能大幅提高投放精準度和最佳化效率,將進入真正意義上的廣告程式化購買階段。
人工智慧在手機、音箱等小型電子裝置以及無人駕駛汽車、智慧家居等方面有著巨大商業潛力,因此成為遊戲公司投資熱門。麥肯錫報告稱,中國在人工智慧領域的風險投資位居世界前三,其中游戲公司功不可沒。無論是想讓遊戲研發和運營品質跟上智慧化時代步伐,還是提前佈局前沿科技領域,遊戲公司都渴望把握這次機遇。
國務院7月份印發的《新一代人工智慧發展規劃》中明確指出,到2020年,中國人工智慧總體技術和應用與世界先進水平同步,人工智慧產業成為新的重要經濟增長點,將實現人工智慧核心產業規模超過1500億元,帶動相關產業規模超過1萬億元。目前,國內外頂級遊戲公司都已將人工智慧納入重點發展方向。可以想見,在未來的遊戲行業,人工智慧將“無時不有、無處不在”。
人工智慧在遊戲中的目標主要有五個:一是為玩家提供適合的挑戰;二是使玩家處於亢奮狀態;三是提供不可預知性結果;四是幫助完成遊戲的故事情節;五是創造一個生動的世界。這個生動的世界可以是類似現實生活中的世界,也可以是與現實世界完全不同的世界。但不管何種世界都要求有一整套能夠自圓其說的遊戲規則。 在遊戲製作過程中,實現人工智慧的關鍵主要有:虛擬現實與擬人化、動畫效果與機器角色場景感知[3]、機器角色的機器學習和進化、玩家與機器角色之間的平衡性、人工愚蠢技術、確定性人工智慧技術與非確定性人工智慧技術的互補。 遊戲中的人工智慧的主要技術主要有:有限狀態自動機(Finite State Machines)、模糊邏輯(Fuzzy Logic)、A*演算法與有效尋徑(A* Algorithm for Efficient Pathfinding)、指令碼設計(Scripting)、基於規則的人工智慧和系統(Rules-based AI and Systems)、人工生命(Artificial life)、貝葉斯推論(Bayesian Inference)和非確定性貝葉斯網路(Bayesian Networks for Uncertainty Decisions)、神經網路(Neural Networks)和遺傳演算法(Genetic Algorithms)等。4. 目前的侷限與前景展望 就目前來說,技術上的困難主要來源於兩個方面:一是遊戲中的非確定狀態實在太多;二是現有的硬體和計算機網路對於高階人工智慧還說,速度還達不到要求。[4] 目前要解決這些困難,在技術上來說還是不成熟的。對於數量極多的非確定狀態來說,儘可能地提高硬體和計算機網路的速度,可能是一個解決方法。但是要提高硬體和計算機網路的速度也並非易事。這可能要等到全息光學計算機和光網際網路誕生之後才能徹底解決。但目前有效的辦法是提高軟體的執行速度。比如使用更有效的演算法或神經網路等新技術。