在李世乭和柯洁战败后，人类在棋类竞技场已经难与 AI 争锋。很多人会说，身为非职业棋类选手，不在乎下不下的赢棋。想一想，以后会不会连玩游戏也赢不了 AI……
这件事情已经发生了，且还在加速。之前曾有报导，2017 年 8 月，Open AI 的 DotA 2 游戏人工智能在 1V1 中击败了人类玩家。
同年 9 月，全球最大的 3D 游戏引擎 Unity 宣布发布 Unity Machine Learning Agents（ML-Agents），一款提供给游戏开发者的开源 AI 工具包。Unity 这一开源工具包是 Unity 将机器学习应用在游戏的成果，AI 已经附能各行各业，那么在游戏行业，会带来哪些有趣的成果？
5 月 11-13 日，Unite Beijing 2018 在中国国家会议中心召开。Unity AI 与机器学习副总裁 Danny Lange 分享了 ML-Agents 的新进展。
ML-Agents 助力游戏开发
Lange 介绍到，机器学习对于游戏开发来说很重要，能够让游戏开发过程更加简单，让游戏变得更有吸引力，开发者可以不用每一个方案都编程，游戏与玩家的互动变化可以让系统自己学习。就像人从环境当中感知，并做出反应一样。ML-Agents 可以以相同的方式来训练这些系统。
Lange 展示了一个 Demo，未来主义的赛车游戏，Demo 中左边是人类，右边是机器学习的 Agent。一开始的时候，Agent 转弯不好，容易撞车，但是它慢慢学习人类的操作，大概 25 分钟的训练之后，你可以看到可能还是有点不稳，但是不会再撞车了。经过不断的训练，Agent 能编程非常好的选手。
那么，具体游戏场景中，可以有以下应用：机器学习可以应用在几个方面。第一个是创建 NPC，有多种行为的 NPC，NPC 已经学习了很多人类行为，这会让与人类的互动更为自然。第二个是游戏本身。AI 能够为优化玩家的乐趣进行学习，而不是为开发者的乐趣而进行优化。对于玩家来说，会有更多个性化和定制化的东西。第三个是一个完全不同的领域，就是我们用机器学习在游戏发表前测试游戏。确保使用 Agent 代替人类玩家进行游戏时，你能够了解游戏是否能顺利进行。
此外，在游戏中如果人类玩家数量很少，就可以用 Agent 代替人类玩家。最后一个方面是 match making。使用机器学习可以将合适的玩家找出来，匹配在一起玩游戏。可以让机器学习系统了解如何优化游戏时间、为玩家配对以及如何最大化利用游戏时间。
▲ 由 Unity 创建的一个网球游戏 RL / ML 模拟训练环境范例。
ML-Agents 训练自动驾驶、机器人
从两年多前，Unity 就开始酝酿转型，从一家纯引擎提供商转向网络 + 云端增值服务。Danny Lange 是 Unity 发力 AI 领域的背后推手，在加入 Unity 之前，Lange 曾担任 Uber 机器学习负责人，在更早之前，Lange 还负责过亚马逊和微软的机器学习产品研发。
除了游戏以外，ML-Agents 在自动驾驶和机器人领域还有很多应用场景。Lange 介绍到，自动驾驶是 ML-Agents 很大的应用领域，因为这样就不需要像 Uber 那样在真实的路上驾驶，用机器学习模拟就可以避免在真实道路测试带来的事故。另外一个领域是机器人，用增强型学习，你可以在虚拟环境去训练机器人，可以很快地完成几十万或者几百万次训练。训练好的模型可以放到真实的机器人上面应用。
此外，ML-Agents 也可以应用在建筑设计中，比如要如何合理设计通道、人流，用机器学习的方式去模拟建筑内的路线图。
（本文由 雷锋网 授权转载；首图来源：Unity）
