正文

人工智能自己學(xué)打游戲（人工智能自己學(xué)打游戲可以嗎）

發(fā)布時間：2023-05-22 15:17:27 稿源：創(chuàng)意嶺閱讀： 147

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于人工智能自己學(xué)打游戲的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，有小程序、在線網(wǎng)頁版、PC客戶端和批量生成器

官網(wǎng)：https://ai.de1919.com。

本文目錄:

人工智能玩游戲，能用它來玩卡丁車或者DNF的格蘭迪嗎
谷歌智能圍棋也剛剛輸給過人類，憑什么取得了最終勝利
怎么讓人工智能學(xué)習(xí)玩游戲的方法
谷歌的人工智能自己學(xué)打游戲了，是不是意味著人工智能時代已來臨

人工智能自己學(xué)打游戲（人工智能自己學(xué)打游戲可以嗎）

人工智能玩游戲，能用它來玩卡丁車或者DNF的格蘭迪嗎

難，先不說會不會掉線制裁，物品散落、精英怪、暴擊率、命中率、游戲開久卡頓等各種不穩(wěn)定事件都會讓你失敗，開車游戲了解不深不做評價

谷歌智能圍棋也剛剛輸給過人類，憑什么取得了最終勝利

　　因為程序改進(jìn)過，選點，大局觀的判斷有了不小的進(jìn)步。也修復(fù)了以前的bug
　　從人工智能技術(shù)發(fā)展上看，DeepMind使用了“深度學(xué)習(xí)”技術(shù)，而非象俞斌估計的和職業(yè)高手合作。電腦通過海量學(xué)習(xí)人類高手的棋譜，用深度神經(jīng)網(wǎng)絡(luò)快速模擬出人的招法，下出來的棋就很象人了。樊麾二段說：“如果沒人告訴我，我會想對手下得有一點怪，但肯定是個很強的棋手，一個真正的人”。
　　而DeepMind小組在搜索技術(shù)上取得了更大突破。跟Darkforest相似，AlphaGo用一個深度神經(jīng)網(wǎng)絡(luò)（policy network，“策略網(wǎng)絡(luò)”）減少搜索的選點，象人類高手一樣，只考慮少數(shù)幾個可能的選點。此外，他們還建立了另一個深度神經(jīng)網(wǎng)絡(luò)（value network，“值網(wǎng)絡(luò)”），象人類高手一樣，思考到某個局面就有了結(jié)論，不必象之前的蒙特卡洛模擬那樣下到終局，極大地減小了搜索的深度。
　　DeepMind引入的另一個逆天的高招是，讓圍棋人工智能自己和自己下，總結(jié)經(jīng)驗，自我不斷提高！
　　這個人工智能自學(xué)習(xí)的要點是，不需要告訴電腦人類的經(jīng)驗，就讓它自己玩這些電腦游戲，只是給出玩的分?jǐn)?shù)。電腦看著分?jǐn)?shù)不斷糾正自己的策略，最后就發(fā)展出比人類還強的電游技術(shù)。這次的AlphaGo也用了這個技術(shù)，這又是比其它電腦圍棋程序強的地方。從Nature的文章看，DeepMind的絕招是，用50臺電腦讓AlphaGo不斷和自己對弈，下了3000萬盤棋！然后每盤棋選取一個局面（不多選，以避免同一盤棋中不同局面之間的相關(guān)性），根據(jù)這盤棋的最終結(jié)果判斷局勢優(yōu)劣。這樣獲得了3000萬個訓(xùn)練數(shù)據(jù)，用于訓(xùn)練生成“值網(wǎng)絡(luò)”。暴力生成這么多數(shù)據(jù)需要海量的計算資源和投入，確實只有谷歌這樣的大公司敢想敢做。可以看出他們的戰(zhàn)略是智能和蠻力兩手抓，兩手都要硬，哪個合適就用哪個，并且互相幫助。
　　通過這樣三招，DeepMind小組確實在圍棋人工智能上取得了巨大突破。而且研究方法的潛力很大，從這個方向上走，最終象“更深的藍(lán)”一樣戰(zhàn)勝人類最高手是完全可以想象的。一個月前，DeepMind小組就報告說圍棋人工智能取得了巨大突破，會戰(zhàn)勝人類，但當(dāng)時棋迷與職業(yè)棋手并未留意?，F(xiàn)在有了棋譜，又有了技術(shù)細(xì)節(jié)，就顯得可信多了。

怎么讓人工智能學(xué)習(xí)玩游戲的方法

現(xiàn)代電腦游戲簡介

電子游戲從1971年誕生以來，越來越受到人們的喜愛。隨著現(xiàn)代計算機、網(wǎng)絡(luò)、虛擬現(xiàn)實、人工智能等技術(shù)的發(fā)展，游戲的擬人化越來越逼真。高度的擬人化使得現(xiàn)代電腦游戲能夠模仿人類社會中的各種情形，并把這些情形通過視覺、聽覺、甚至觸覺等多種感官反映到人的大腦，從而對人們的現(xiàn)實生活產(chǎn)生巨大沖擊?；谟螒蛑械倪@些反映人類社會的情形不同和游戲表示的方式不同，可以把電子游戲分為幾大類別：縱向卷軸和橫向卷軸類、棋牌邏輯類、文字冒險類、圖形冒險類、模擬類、戰(zhàn)略類、第一或第三人稱射擊類和角色扮演類。

無論游戲?qū)儆诤畏N類別，游戲玩家都希望在游戲中能夠體驗到現(xiàn)實中無法體驗到的刺激，得到現(xiàn)實中無法得到的滿足。這些刺激和滿足主要表現(xiàn)在特定的挑戰(zhàn)、社會化、吹噓與幻想、情感等方面。實際上，大部分的玩家并不能預(yù)先知道他們想要什么樣的游戲，但是他們往往在看到了一個精美的游戲后說，“嗯，我要的就是這個！”

要使得玩家喜歡游戲，游戲的開發(fā)過程必須得到重視。一般來說，游戲的開發(fā)過程主要分為四個階段：構(gòu)想階段、總體設(shè)計階段、細(xì)節(jié)設(shè)計階段和建設(shè)階段。[1]

萬事開頭難，構(gòu)想階段是游戲開發(fā)中最為重要的階段。一個好的游戲背景故事是整個游戲成功的一半。在準(zhǔn)備好游戲故事之后，就需要考慮游戲采用何種游戲類型，并把游戲故事分割成幕(Act)，改編為游戲劇本(Gameplay)。

在總體設(shè)計階段，要考慮每個幕中的角色和規(guī)則，同時也要考慮相關(guān)的技術(shù)問題。比如，游戲?qū)⒉捎煤畏N技術(shù)、準(zhǔn)備運行在什么平臺上等。

在細(xì)節(jié)設(shè)計階段，要對每一幕中的焦點(Focus)進(jìn)行設(shè)計，對每一幕的效果產(chǎn)生效果圖，選擇合適的音樂匹配到各個場景，設(shè)計各個角色和場景的細(xì)節(jié)。

最后是建設(shè)階段。開發(fā)者要采用選定的技術(shù)對游戲進(jìn)行開發(fā)。游戲制作包括編程和觸發(fā)器的制作。最后要進(jìn)行游戲測試。2. 基于電腦游戲的圖靈實驗

人們在娛樂電腦游戲的時候，往往希望游戲中的其他角色能夠擁有某些程度上的智能。這些智能可以使得人們能夠在游戲的同時得到滿足。然而，這種智能必須得到控制。如果游戲中的機器角色的智能明顯高于玩家的能力，使得玩家對勝利喪失信心，那么玩家會放棄這樣的游戲。所以，人工愚蠢(Artificial Stupidity)技術(shù)也是必不可少的。在游戲中，太強或太弱的人工智能都是不合適的。

那何種程度的人工智能才是合適的呢？回答這個問題首先要考慮怎樣的機器可以算作智能機器。圖靈曾經(jīng)提出了“圖靈實驗”的概念。他認(rèn)為能夠通過圖靈實驗的機器是具有智能的。其實，在游戲中也是一樣的?！皥D靈實驗”在游戲中可以這樣描述：當(dāng)玩家和其他玩家同諸多機器在同時游戲時，如果這個玩家通過游戲規(guī)則中的任何方式都無法分辨游戲中的其他角色哪個是其他玩家，哪個是機器的線程，那么我們可以說這個游戲通過了“游戲中的圖靈測試”。[2]一般來說，通過了“游戲中的圖靈測試”的游戲是最適合玩家娛樂的。3. 游戲中的人工智能技術(shù)

人工智能在游戲中的目標(biāo)主要有五個：一是為玩家提供適合的挑戰(zhàn)；二是使玩家處于亢奮狀態(tài)；三是提供不可預(yù)知性結(jié)果；四是幫助完成游戲的故事情節(jié)；五是創(chuàng)造一個生動的世界。這個生動的世界可以是類似現(xiàn)實生活中的世界，也可以是與現(xiàn)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游戲規(guī)則。

在游戲制作過程中，實現(xiàn)人工智能的關(guān)鍵主要有：虛擬現(xiàn)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(xué)習(xí)和進(jìn)化、玩家與機器角色之間的平衡性、人工愚蠢技術(shù)、確定性人工智能技術(shù)與非確定性人工智能技術(shù)的互補。

游戲中的人工智能的主要技術(shù)主要有：有限狀態(tài)自動機(Finite State Machines)、模糊邏輯(Fuzzy Logic)、A*算法與有效尋徑(A* Algorithm for Efficient Pathfinding)、腳本設(shè)計(Scripting)、基于規(guī)則的人工智能和系統(tǒng)(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(wǎng)絡(luò)(Bayesian Networks for Uncertainty Decisions)、神經(jīng)網(wǎng)絡(luò)(Neural Networks)和遺傳算法(Genetic Algorithms)等。4. 目前的局限與前景展望

就目前來說，技術(shù)上的困難主要來源于兩個方面：一是游戲中的非確定狀態(tài)實在太多；二是現(xiàn)有的硬件和計算機網(wǎng)絡(luò)對于高級人工智能還說，速度還達(dá)不到要求。[4]

目前要解決這些困難，在技術(shù)上來說還是不成熟的。對于數(shù)量極多的非確定狀態(tài)來說，盡可能地提高硬件和計算機網(wǎng)絡(luò)的速度，可能是一個解決方法。但是要提高硬件和計算機網(wǎng)絡(luò)的速度也并非易事。這可能要等到全息光學(xué)計算機和光互聯(lián)網(wǎng)誕生之后才能徹底解決。但目前有效的辦法是提高的執(zhí)行速度。比如使用更有效的算法或神經(jīng)網(wǎng)絡(luò)等新技術(shù)。

人工智能自己學(xué)打游戲（人工智能自己學(xué)打游戲可以嗎）