日前藉著全球最大的遊戲開發大會GDC17的機會，英偉達宣布推出最新款遊戲用顯示卡GeForce GTX 1080 Ti。新顯示卡採用16納米製程Pascal架構，具備3,584個CUDA核心以及高達11GB的顯存，從紙面參數上新核彈比上一代遊戲/通用運算多用途顯示卡Titan X性能稍強一些，比自己的前輩產品GTX 1080也強了35%。
但在新核彈的喧囂之餘，PingWest關注到了英偉達在遊戲開發方面的更多主張和嘗試。 這家稱自己「All about AI」的運算技術公司，正在快速改變遊戲和AI的關係。
此AI非彼AI。在過去，遊戲AI可以指所有非玩家角色 （NPC），比如劇情中的配角、Boss和商人等，也可以再進一步，泛指所有遊戲的非玩家內容，比如作戰機制和商業系統等等。它是由人設計的。
但英偉達覺得，遊戲產業即將進入一個新的AI時代——用AI來輔助設計和開發遊戲，而且品質並不遜於人工製作。
「簡單來說，過去的AI就是規則和腳本，讓AI照著你的設計行動，再到後來有了決策樹，更先進一些。」英偉達應用深度學習研究部（Applied Deep Learning Research） 副總裁布萊恩·卡坦薩羅稱。但他認為，隨著深度學習技術突飛猛進式發展，AI可以幫助開發者生成音畫素材，甚至劇情、任務等機制性的內容。
過去兩年，英偉達已經帶來了多項基於機器學習和神經網絡的工具，以解決遊戲開發者面臨的棘手難題。舉個例子，大型遊戲的一大特點是畫面精美，但這需要美工畫師和視覺設計師巨大的精力去創作材質。受制於人員和財力，中小開發者往往在視覺質量上打了折扣，更多人選擇了矢量化，甚至更粗糙的視覺風格。
英偉達高級開發技術經理安德魯·艾德斯登展示了一項名叫2Shot的技術，讓開發者更輕鬆地從真實世界中提取材質，應用到遊戲中：只需分別打開和關閉閃光燈，用手機拍攝兩張對象材質的照片，運算機將對它們進行自動處理，幾分鐘後即可生成素材文件。
2Shot極大降低了開發者優化材質的技術門檻，但它仍有很大的提升空間。英偉達在去年又提出了1Shot技術，採用更強大的神經網絡進行運算，只需一張照片就能生成素材，時間也降低到了數秒的時間。2Shot的生成素材質量已經達到了工業級，而1Shot的質量還有待提高，但它們已經證明了機器學習和神經網絡在遊戲開發方面的應用前景。
布萊恩·卡坦薩羅
英偉達還展示了另外兩種技術，分別名為Texture Multiplier和Super-Resolution。
Texture Multiplier（材質複製器）類似於視覺特效人員常用的「材質增生」(texture mutation) 技術，最大的不同是採用了經過了大量訓練的捲積神經網絡(Convolutional Neural Network) 作為生成器，生成的效果高度接近真實，達到了肉眼難以分辨的水平。Texture Multiplier將使得美工人員可以快速製作美觀的大片面積材質，不再給人一種「你這材質複製黏貼的吧！」的感覺……
而Super-Resolution（超分辨率）則聽起來更為科幻。記不記得《神鬼認證5》裡的情節：CIA特工在雅典憲法廣場上尋找伯恩，用模糊的定格畫面，「放大、增強！」(Zoom, enhance)，然後就獲得了一張特別清晰的照片，確定了目標？
其實過去根本沒有這種高科技……至少在《神鬼認證5》拍攝期間還沒有，直到最近才有類似的出來。前不久Google的大腦團隊實現了將8×8像素分辨率的，極度粗糙和顆粒化頭像，還原成比較清晰的，達到了32×32分辨率的頭像，而英偉達也在做類似的事情。
該公司研究者採用的具體訓練方法（注意：和其他機構方法類似，可作參考），是先把大量的高清晰度照片「縮小」（downscale）到非常低的清晰度，僅保留非常有限的特徵，同時另外把這個降級過程中損失的特徵保存下來。
採用這種方式處理了大量的高清圖片之後，研究者獲得了海量損失掉的特徵。他們將這些特徵整理合成一個「特徵規律庫」，就像辭典一樣，意圖在於告訴神經網絡：再去「放大」 (upscale) 圖片的時候，按照這個辭典去操作。當然，具體操作起來比這個口頭敘述的流程複雜得多，這個卷積神經網絡模型需要數天的時間才能完成訓練。
在此前的測試中，Google大腦團隊的同類技術能夠成功還原90%被打馬賽克的人臉，算是一個十分驚人的成績。而英偉達則不滿足於低清晰度，希望追求更「感人」的分辨率。艾德斯登告訴 PingWest，該公司已經在實驗室中實現僅花「很快」（數秒）的時間將1K分辨率重組為4K分辨率的高清照片。
這種技術能為遊戲帶來什麼改觀？英偉達期待它能夠在未來，讓遊戲在更小容量的基礎上，顯著提高材質的清晰度和視覺效果。舉個例子：在射擊遊戲中，當玩家舉起狙擊槍，瞄準鏡裡能顯示出更清晰的遠處畫面和材質。
不光是英偉達，Google旗下的英國人工智慧技術公司DeepMind，也在考慮用神經網絡在遊戲上搞點事情——當然如果你有印象的話，過去曾經傳出人工智慧在《打磚塊》、《星際爭霸》、《毀滅戰士》乃至於圍棋上碾壓人類的消息，大多都是DeepMind搞出來的……
該公司在去年訓練了一個名叫WaveNet的人工智慧，讓運算機生成的語音和人類原聲越來越難以區分。WaveNet和過去的串聯式語音合成、參數式語音合成不同，將語音的原始數據（波性文件）細分到了以1毫秒為單位的區間，在每一個區間之間都採用遞歸神經網絡(Recurrent Neural Network) 和卷積神經網絡進行預測學習。
WaveNet的結構演示
最後， DeepMind用Google自家的TTS語音轉文字（目前世界上得分最高的該類技術）數據集進行測試，比Google TTS的得分高了10個百分點——但將Google TTS與人類原聲之間的距離縮短了一半還多。
雖然玩遊戲的時候，基本沒人會特別仔細地聽每一句對白，但不意味著開發者應該在這方便節省。WaveNet將會成為遊戲開發者的福音，「想像一下，當你需要調整劇情的時候，可以用運算機生成配音，不必再花錢請配音演員回來重錄，甚至完全不用配音演員。」卡坦薩羅稱。
你可以到WaveNet的網站上試聽一下效果，跟真人聲音差距真的很小。
好吧，現在AI有了生成聲音、視覺材質等元素的能力，接下來呢？
就在上週，遊戲開發公司Nival宣布了一個振奮人心的消息：他們給2015年發售的在線即時戰略遊戲《閃電戰 3》開發了一個神經網絡決策AI：Boris。
在一則演示影片中，Boris顯示出了「風箏」敵方單位的能力（指吸引敵對目標，帶其到處亂跑以打亂策略的行為）；還可以在明顯具有劣勢時消極應戰而非拼死頑抗，以起到保存火力的目的；當戰場中有新的敵人加入，Boris會自動分配部隊火力到不同的目標上，也會根據敵方火力級別，自動指揮士兵坐上砲台，而不是傻站在地上，用步槍拼坦克。
更有趣的是，當雙方對抗佔點時，Boris會選擇性忽視那些擋路的殘血敵軍，優先搶點再等待機會擊殺—— 這一特徵顯示出了Boris AI對不同獎勵（reward）級別的理解，能夠優先追求與全局獲勝關係更大的獎勵。
Nival明確表示Boris沒有使用遊戲內核的任何地方數據，只使用對玩家可見的戰場情況，每幾秒鐘進行一次決策。Boris的更多技術細節暫未公開。
在遊戲開發中應用AI技術，還有很大的想像空間。
去年，OpenAI用《俠盜獵車手5》開發出了一個名叫DeepDrive 的「自動駕駛模擬器」。由於遊戲內部的車輛行駛數據應有盡有，OpenAI發現其實可以用遊戲數據來訓練自動駕駛系統。雖然後來研究者刪除了與該模擬器有關的內容（這裡有一個Twitter上的映片演示，這項技術所屬的專案官網還在），該事件還是令人印象深刻，它賦予了人們審視AI和遊戲之間關係的新視角。
像《俠盜獵車手》這樣的開放世界遊戲，開發公司花費多年時間設計了大量的任務關卡，但最快的玩家不出幾十個小時就能玩完全部的內容，繼而希望獲得更多的內容。然而開發公司要花更多精力在下一款遊戲上，無暇顧及上一代（實際上開發公司R星的做法是用一個相對較小規模的團隊維護遊戲，繼續添加新的在線遊戲模式）——未來，AI會不會獲得生成任務、關卡、劇情的能力，以至於可以獨立完成一個完整的遊戲？
卡坦薩羅認為那樣的未來會很棒，但應該只存在於設想階段，「 **我覺得設計關卡和任務最難的地方在於，你怎樣能讓新關卡和任務足夠有趣，這是目前AI還不能取代設計師的地方。**你可以讓AI生成對白，生成材質，但將對白、視覺、機制和劇情進行有序、有趣的拼接，它還做不到。我想可能有些幽默只有人懂。但我可以想像AI 未來能夠輔助設計師更快推出新的關卡和任務，那很將令人期待。」
聊到這裡，我倒是有點擔心了。
你說，AI設計的遊戲，會不會把玩家虐成狗？沒準AI早就想在模擬環境裡先感受一下，取代和虐殺人類是一種什麼樣的感覺吧……？
本文授權轉載自：PingWest
