數位3C

慶祝《小精靈》40週年,NVIDIA研究人員發表GameGAN之人工智慧應用,重現經典電玩遊戲

文.圖/Johan 2020-05-22 21:00:00
NVIDIA與Bandai Namco合作,利用其AI訓練能力,將5萬局人類手動玩《小精靈》遊戲的玩樂過程與鍵盤輸入資料,餵給AI進行訓練,結果會發生什麼事情?

這就是GameGAN (遊戲版生成對抗網路)的成果,以下讓我們來看看。

NVIDIA與Bandai Namco合作,除慶祝小精靈遊戲40週年外,也透過GameGAN來重現該遊戲的風貌,並開闢出新的玩法


▲ 慶祝《小精靈》推出40週年,NVIDIA讓該遊戲進入AI世代

相信老玩家都知道《小精靈》這套大街小巷的經典級遊戲,該遊戲不僅可說是動作類遊戲的始祖,受到後來不少遊戲的仿效,甚至被改成電影上映。簡單的遊戲內容與玩法,可以玩出千萬種變化,如今也被重製成各種平台的版本,讓人可以回味!

由於電腦本身並不會了解遊戲的規則,但在經由AI訓練之後,AI就可以慢慢推論出該遊戲的玩法。在經過深度訓練之後,再讓AI自己去玩小精靈遊戲,結果發生了奇妙的結果,也就是遊戲裡面的小精靈(Pac-Man),會知道有點點(Dot)要吃、遇到鬼時要趕快吃大力丸(Power Pellets),當鬼變成藍色狀時,也會自己跑開,以免被吃掉等等。等於是在沒有遊戲引擎支援的情況下,重現小精靈的經典遊戲體驗。更厲害的是,能夠自動描繪出該遊戲的迷宮是長什麼樣子,就跟原版的迷宮一模一樣!這就是GameGAN的訓練成果。

以下就是透過簡報,來看看這次NVIDIA GameGAN在Pac-Man遊戲的訓練結果。

NVIDIA隆重介紹:GameGAN


NVIDIA研究室領頭羊們一覽表 (右下角的Sanja Fidler就是本次研究的主導者之一)


這次的目標,就是將使用者行為與遊戲過程等資料,全部餵給AI去做學習,看看會有什麼成果


由於餵入的這些基本幾何圖形,可以讓AI結合不同的元素,創造出更多不同新的角色與新的元素出來


GameGAN等於是幫Pac-Man進行逆向工程。透過學習圖左的官方Pac-Man圖像,來建立自己的迷宮(圖右)


GameGAN的基本架構與原理,包含記憶模組、動態引擎與算圖引擎。可自動生成自己的迷宮/地圖


有點像是盲人走路,透過記憶來回復接下來的路要怎麼走(圖下),而其腦中也生成了一幅影像(圖上)。


當然GameGAN功能也不只這樣,它還可以產生出連它自己也沒見過的遊戲關卡(Level),也就是說,它可以幫助遊戲關卡開發師來自己建立合於邏輯的遊戲關卡,加速遊戲開發進度,甚至是遊戲的創意發想過程。為讓遊戲內容更豐富,GameGAN的遊戲場景甚至可以從單純的2D迷宮,變成3D立體迷宮(類似Doom遊戲那樣的場景),就連裡面的背景也可以更換,甚至遊戲角色也都可以換成別人,例如換成Mario (馬力歐)等等。GameGAN可讓傳統復古遊戲,在加入AI之後,變得更加有趣。

右邊是Pac-Man的2D迷宮,透過GameGAN之後,可將靜態物品與動態角色結合,並繪製成3D圖像,NVIDIA稱之為VizDoom (可視化Doom類第一人視角遊戲)


當然也可以將背景或角色換調,換成房間、馬力歐,或換成3D版本的室外場景,人物主角也能換成別人。GameGAN賦予經典遊戲有新的玩法


GameGAN賦予經典遊戲有新的玩法,可說是AI領域的有趣應用,未來也可應用在自動場域,包含自動化工廠的機器人、無人載送機等等。GameGAN初步的研究成果可說是非常令人讚嘆。有關於GameGAN更多研究報告與成果,可參考這裡

GameGAN其實也可以應用在先前在GTC 2020提到的複雜物理與機器人模擬等領域,有關於GTC 2020,可以參考這裡


NVIDIA會在今年下半年於自家AI Playground網頁中,正式推出這款加入AI的遊戲,讓大家都能親自體驗其研究內容。以下是NVIDIA原始新聞稿。

經過5萬局《小精靈》遊戲訓練出的生成對抗網路 GameGAN,可以在沒有底層遊戲引擎的支援下,產生出功能完整的經典吃點點遊戲

40年前首次出現在日本的街機台上,隨之在全球各地大受歡迎的Pac-Man《小精靈》遊戲,在人工智慧 (AI) 的協助下,這款經典復古遊戲如今得以重新誕生在世人面前。

NVIDIA Research透過五萬局《小精靈》遊戲所訓練出的全新強大 AI 模型 NVIDIA GameGAN,可以在沒有底層遊戲引擎的支援下,產生出一個功能完整的《小精靈》遊戲。這意味著即使不明白遊戲的基本規則,AI 也能重現令人信服的遊戲效果。

GameGAN 是第一個利用生成對抗網路(GAN)模仿電腦遊戲引擎的神經網路模型,由一個生成器和一個鑑別器組成,這兩個神經網路相互競爭,學習如何建立出讓原生信服的全新內容。

NVIDIA與Bandai Namco合作,慶祝小精靈遊戲40週年


NVIDIA 研究員、同時也是本項研究的主要作者 Seung-Wook Kim 表示:「這是第一項使用生成對抗神經網路來模擬遊戲引擎的研究項目。我們原先想看看人工智慧是不是能只靠著看代理程式在遊戲中移動的劇本,就能掌握其環境規則,而它確實做到了。」

當人工代理程式遊玩由生成對抗網路產生的遊戲時,GameGAN 會對代理程式的動作做出反應,即時生成新的遊戲環境框架。如果使用有著多個關卡或版本的遊戲劇本來訓練神經網路,GameGAN 甚至能產生出它自己也沒見過的遊戲佈局。

遊戲開發人員可以透過這項功能自動生成新的遊戲關卡,AI 研究人員也能藉此更方便地開發用於訓練自主機器的模擬器系統。

提供《小精靈》的遊戲資料來訓練 GameGAN 的遊戲開發商萬代南夢宮娛樂,其旗下研發公司 BANDAI NAMCO Research Inc. 的 Koichiro Tsutsumi 表示:「我們對這個結果感到驚訝不已,不敢相信人工智慧可以在沒有遊戲引擎支援的情況下重現《小精靈》的經典遊戲體驗。這個研究成果開創出讓人期待的可能性,有助於遊戲開發人員加快開發新的關卡、角色,甚至是遊戲的創意發想過程。」

我們會在今年下半年於AI Playground推出這款加入 AI 的遊戲,大家都能在此親自體驗我們的研究內容。

人工智慧走向復古風

從前《小精靈》的遊戲迷們必須拿著零錢,走到最近的街機台來玩這個經典的迷宮追逐遊戲。在彈珠台左轉,繼續直走經過空氣曲棍球桌,跟著《小精靈》再清楚不過的背景音樂,狼吞虎嚥吃著點點、閃躲著 Inky (藍色幽靈)、Pinky (粉紅色幽靈)、Blinky (紅色幽靈) 及 Clyde (橙色幽靈)。

美國人光是在 1981 年,就投入了數十億個 25 分錢硬幣、花了 7.5 萬個小時在玩與《小精靈》一樣的投幣式遊戲。而在此之後的幾十年裡,這款熱門遊戲已經出現了可以在 PC、遊戲機和手機上遊玩的版本。

GameGAN 版本的《小精靈》靠著神經網路,而非過去的遊戲引擎來生成遊戲環境。AI 會不斷追蹤虛擬世界、記住已產生的內容,以保持每個畫面在視覺上的一致性。

無論是哪一款遊戲,GAN 可以透過過去遊戲中的畫面紀錄和代理程式按鍵的資料,來學習其規則。遊戲開發人員可以利用這樣的工具,以原始關卡的劇本當成訓練資料,自動為現有遊戲設計新的關卡。

Kim 和他在NVIDIA 多倫多人工智慧研究實驗室的合作對象,利用 BANDAI NAMCO Research 提供的五萬局《小精靈》遊戲資料 (共有數百萬個畫面),並結合 AI 代理程式玩遊戲的按鍵資料,在NVIDIA DGX 系統上訓練神經網路。

接著,經過訓練的 GameGAN 模型產生出環境中的靜態元素,像是一致的迷宮形狀、點點和無敵藥丸 (Power Pellets),再加上敵隊的幽靈和小精靈本身等會移動的元素。

它學習了遊戲裡無論是簡單還是複雜的重要規則。GameGAN 版本的《小精靈》跟原版遊戲裡的規則一樣,小精靈不能穿越迷宮的牆壁、走動時會吃掉點點,還有在吃到一個無敵藥丸時,幽靈會變成藍色並逃走。當小精靈從一邊走出迷宮時,會被傳送到另一邊,要是遇到幽靈,畫面會閃爍,而遊戲便結束了。

既然 GameGAN 模型可以將背景與移動中的角色區分開來,就有可能將遊戲重新設定為在室外的籬笆迷宮中進行,或者把小精靈換成你喜歡的表情符號。因此,開發人員便可以利用這項功能來嘗試新的角色創意或遊戲主題。

不只是遊戲

通常我們使用模擬器來訓練機器人,AI 可以先在模擬器中學習環境規則,再與現實世界中的物體進行互動。然而對於開發人員而言,創建模擬器相當耗時,開發人員必須編寫關於物體之間如何相互交流,以及光線如何在環境中運行的規則。

我們使用模擬器來開發各種自主機器,像是學習如何抓取和移動物件的倉庫機器人,或者是必須在人行道上運送食物或藥品的送貨機器人。

GameGAN 提出了一種可能性,也就是有一天能藉由簡單的訓練神經網路,取代費時的編寫模擬器工作。

假設你在汽車上裝了一台攝影機,它可以記錄下道路環境的樣子,或是駕駛轉動方向盤或踩油門等行為。這些資料可以用來訓練一個深度學習模型,預測萬一人類駕駛員或是自動駕駛車出現猛踩煞車等動作時,在現實環境中可能會發生的情況。

NVIDIA多倫多研究實驗室主任 Sanja Fidler 表示:「我們可能最終會出現一個人工智慧,只要透過觀看影片和觀察代理程式在環境中採取的動作,就能模仿駕駛規則和學習物理定律。而 GameGAN 是實現此目標所跨出的第一步。」

NVIDIA Research 在全球各地擁有 200 多名科學家,專注於 AI、電腦視覺、自動駕駛車、機器人及繪圖等領域。

GameGAN 由 Fidler、Kim、NVIDIA 研究員 Jonah Philion、多倫多大學學生 Yuhao Zhou 及麻省理工學院教授 Antonio Torralba 共同編寫完成。該論文將在六月舉行的著名 CVPR (Conference on Computer Vision and Pattern Recognition) 大會上發表。


發表您的看法

請勿張貼任何涉及冒名、人身攻擊、情緒謾罵、或內容涉及非法的言論。

請勿張貼任何帶有商業或宣傳、廣告用途的垃圾內容及連結。

請勿侵犯個人隱私權,將他人資料公開張貼在留言版內。

請勿重複留言(包括跨版重複留言)或發表與各文章主題無關的文章。

請勿張貼涉及未經證實或明顯傷害個人名譽或企業形象聲譽的文章。

您在留言版發表的內容需自負言論之法律責任,所有言論不代表PCDIY!雜誌立場,違反上述規定之留言,PCDIY!雜誌有權逕行刪除您的留言。