想開發出一款爆款遊戲，是一件難度極高的事情，不僅要有精妙的內容設計，精緻的光影效果，自然的動畫建模，還要投入相當多的資金和時間。現在，美國遊戲公司藝電（EA）正在與加拿大不列顛哥倫比亞大學（UBC）合作，嘗試在遊戲開發中引入強化學習技術，用於製作角色模型和動作控制系統，希望可以讓 AI 學會製作遊戲角色，使其行爲模式更加逼真，同時簡化和加速遊戲研發流程。研究團隊通過強化學習和深度生成模型 Motion VAE（變分自動編碼器），在沒有使用傳統編程和動畫製作的情況下，生成了可控的足球運動員角色，能夠做到跑動、傳球、射門和頭球等動作，行動流暢自然，基本符合人類的運動模式。EA 高級軟件工程師法比奧 · 欽諾（Fabio Zinno）認爲，這項研究成果非常令人鼓舞，體現了 AI 擁有的巨大潛力。該研究成果將於今年 7 月在 SIGGRAPH 2020 計算機圖形大會上發佈。
圖 | AI 生成的折返跑和頭球動作（來源：Character Controllers Using Motion VAEs/ACM）通常來說，製作電子遊戲中的角色及其動作需要花費大量時間。以 FIFA 一類的體育遊戲爲例，爲了呈現逼真的動作，需要用到動作捕捉技術來追蹤真人的面部和肢體動作。不過這種方法侷限了動作的可能性，遊戲角色只能表現出已記錄的動作，而且還需要大量的編程工作，爲遊戲角色製作動畫。基於這點，EA 和 UBC 的研究人員纔看中了人工智能技術，希望可以自動化動畫設計過程，讓 AI 代勞去製作帶有目的性的動作模式，比如射門和帶球跑動，還要允許人類控制。爲了製作角色，研究人員訓練了一套機器學習模型，用來識別和復刻運動捕捉數據中的統計學模式。例如跑步這種動作，對應着一系列有規律可循的數據點，那麼反過來看，出現這些數據就說明人物在跑動。所以如果 AI 能夠實現特定的數據排列，就可以控制人物跑動。隨後他們又使用強化學習技術訓練了另一個模型，負責重現帶有特定目標的真實動作，比如在遊戲中向一個球跑過去。在這個過程中，模型會生成不拘泥於動作捕捉數據的動畫模式。圖 | AI 可以進行多種目標不同的行動換句話說，這套模型能夠學習足球運動員是如何運動的，然後自發地製作角色的慢跑，衝刺，帶球跑動和過人等動作的動畫。全程無需人類介入，也不涉及傳統的編程和動畫製作流程。紐約大學教授朱利安 · 圖吉利斯（Julian Togelius）表示，“我認爲將動畫製作程序化將是一件大事。這項技術絕對有很多不同的用途。利用強化學習可以實現自動化和流程化，這將改變遊戲內容的創造方式。”EA 的研究人員強調，利用機器學習技術開發遊戲或者加速遊戲製作過程，廣泛適用於動作和角色扮演類遊戲，可以讓遊戲內容更具拓展性、隨機性和創造性。同時這種方式還可以提高設計效率，對於構建日趨複雜的遊戲世界以及建模和動畫製作流程意義重大。不過研究團隊也清楚，對於遊戲業界來說，距離廣泛普及 AI 生產力工具還有很長的路要走，至少要數年的時間。根本原因在於，一些機器學習算法難以理解和調試，獨立遊戲製作人和小型工作室可能缺乏足夠的資源，心有餘而力不足。而對於投資巨大的 3A 級遊戲來說，貿然嚐鮮一旦失敗，後果十分嚴重，哪怕在中途轉型傳統技術，也會揹負巨大的心理和資源壓力，造成一種得不償失的現象。幸運的是，現在仍然有團隊願意嘗試相關研究。最近，在經典遊戲《喫豆人》發行 40 週年之際，英偉達，多倫多大學和麻省理工學院的研究人員就推出了一個 AI 復刻製作版本。通過一個名爲 GameGAN 的模型，AI 僅僅通過觀看 5 萬場喫豆人遊戲，就學會了製作一個簡易復刻版，雖然清晰度不高，但加入了 AI 生成的新場景。圖 | AI 製作的復刻版《喫豆人》最重要的是，AI 沒有獲得任何遊戲源代碼，也沒有使用底層遊戲引擎，而且是在對規則一無所知的前提下，完成了對遊戲模式的複製。結合 EA 與 UBC 團隊的研究成果不難發現，在遊戲開發和動畫製作領域，AI 技術的確具備進一步挖掘的潛力。UBC 教授 Michiel van de Panne 表示，團隊的下一步研究是利用強化學習在符合物理規律的虛擬環境中訓練非人類遊戲角色。這比基於動作捕捉數據訓練 AI 更加困難，因爲這種思路就像是讓 AI 學會從零創造全新的動畫，同時也很難量化玩家的喜好。“我期待看到真正可以充分發揮 AI 創造動畫能力的東西，” van de Panne 教授表示，“這一天終將到來。”-End-參考:https://www.wired.com/story/game-makers-inject-ai-develop-more-lifelike-characters/https://www.cs.ubc.ca/~hyuling/projects/mvae/
