視頻欣賞：
生成對抗網絡由兩個相對抗神經元網絡組成，一個負責生成，另一個負責判別。在這個例子中 ，AI 被丟到《俠盜獵車》世界中的一條高速公路上進行學習，瞭解當使用者按下加速、煞車、左轉、右轉時，畫面應該如何變化。生成網絡會產生出一個它猜測應該正確的畫面，而判別網絡則會與實際的遊戲畫面進行比較，來指導生成網絡產生怎樣的畫面才是對的。
其結果就是生成瞭一個看起來有些模糊，但大致能辨別的世界。裡面所有的元素都是 AI 神經元網絡依照經驗生成的，完全沒有用到任何 3D 繪圖或物理運算。即便如此 ，AI 依然不可思議地學到瞭車輛影子的角度該隨著轉動變化，車體上的反光也是正確的。如果車子撞到障礙物時 ，AI 會懂得讓畫面停住，隨後視撞擊的角度向左或右滑，後來加入瞭其他車輛 ，AI 也能正確進行反應，甚至連遠方山群都會隨著遠近的距離產生大小變化。
訓練這樣的 GAN 需要耗費大量的 GPU 運算力，英偉達借給 Kinsley 一臺包含 64 核 AMD CPU， 四張 A100 顯卡的 DGX Station A100， 可以同時執行 12 個 AI 訓練模型 。Kinsley 除瞭讓這些模型反復在公路上奔跑之外，還用 AI 來平滑畫面，讓其看起來不太像素化，最終得到瞭好像在夢境中開車的場景。
由於時間不足 ，Kinsley 和 Kukiela 無法擴大實驗范圍，他們不確定能將這個世界擴展到多大 ，AI 才會開始輸出奇怪結果；又或是對於與其他車輛的互動，能進行到什麼程度。就目前而言，與其他車輛的互動大多以對方被撞後就消失告終，但也發生過撞上時對方一分為二的事情、在少數情況下 ，AI 可以產生出正確的互動，例如有車輛擋在左方時，會讓左轉失效。但若想更精確表現與其他車輛的互動，恐怕還需要很長時間的訓練才行。
這或許也是對未來遊戲的一瞥。不難想象由 GAN 生成整個遊戲，或是生成一部分遊戲內容，讓人覺得很有意思，很有新鮮感。
留言列表
