四十年後的今天，NVIDIA 研究人員透過人工智慧重現經典電玩遊戲《小精靈》
前言：
經過五萬局《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
四十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《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 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，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)。
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。
圖_NVIDIA GameGAN 研究人員 Seung Wook Kim
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。
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。
相關連結
YouTube 預告影片：PAC-MAN 與 GameGAN
NVIDIA GameGAN 研究報告
NVIDIA GauGAN 部落格文章
YouTube 預告影片：PAC-MAN 與 GameGAN
NVIDIA GameGAN 研究報告
NVIDIA GauGAN 部落格文章
