-
让品牌有温度、有情感
专注品牌策划15年
人工智能自己学打游戏（人工智能自己学打游戏可以吗）
发布时间：2023-05-22 15:17:27
稿源：
创意岭 阅读：
147
大家好！今天让创意岭的小编来大家介绍下关于人工智能自己学打游戏的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。
开始之前先推荐一个非常厉害的Ai人工智能工具，一键生成原创文章、方案、文案、工作计划、工作报告、论文、代码、作文、做题和对话答疑等等
只需要输入关键词，就能返回你想要的内容，有小程序、在线网页版、PC客户端和批量生成器
本文目录:
人工智能玩游戏，能用它来玩卡丁车或者DNF的格兰迪吗
难，先不说会不会掉线制裁，物品散落、精英怪、暴击率、命中率、游戏开久卡顿等各种不稳定事件都会让你失败，开车游戏了解不深不做评价谷歌智能围棋也刚刚输给过人类，凭什么取得了最终胜利
因为程序改进过，选点，大局观的判断有了不小的进步。也修复了以前的bug从人工智能技术发展上看，DeepMind使用了“深度学习”技术，而非象俞斌估计的和职业高手合作。电脑通过海量学习人类高手的棋谱，用深度神经网络快速模拟出人的招法，下出来的棋就很象人了。樊麾二段说：“如果没人告诉我，我会想对手下得有一点怪，但肯定是个很强的棋手，一个真正的人”。
而DeepMind小组在搜索技术上取得了更大突破。跟Darkforest相似，AlphaGo用一个深度神经网络（policy network，“策略网络”）减少搜索的选点，象人类高手一样，只考虑少数几个可能的选点。此外，他们还建立了另一个深度神经网络（value network，“值网络”），象人类高手一样，思考到某个局面就有了结论，不必象之前的蒙特卡洛模拟那样下到终局，极大地减小了搜索的深度。
DeepMind引入的另一个逆天的高招是，让围棋人工智能自己和自己下，总结经验，自我不断提高！
这个人工智能自学习的要点是，不需要告诉电脑人类的经验，就让它自己玩这些电脑游戏，只是给出玩的分数。电脑看着分数不断纠正自己的策略，最后就发展出比人类还强的电游技术。这次的AlphaGo也用了这个技术，这又是比其它电脑围棋程序强的地方。从Nature的文章看，DeepMind的绝招是，用50台电脑让AlphaGo不断和自己对弈，下了3000万盘棋！然后每盘棋选取一个局面（不多选，以避免同一盘棋中不同局面之间的相关性），根据这盘棋的最终结果判断局势优劣。这样获得了3000万个训练数据，用于训练生成“值网络”。暴力生成这么多数据需要海量的计算资源和投入，确实只有谷歌这样的大公司敢想敢做。可以看出他们的战略是智能和蛮力两手抓，两手都要硬，哪个合适就用哪个，并且互相帮助。
通过这样三招，DeepMind小组确实在围棋人工智能上取得了巨大突破。而且研究方法的潜力很大，从这个方向上走，最终象“更深的蓝”一样战胜人类最高手是完全可以想象的。一个月前，DeepMind小组就报告说围棋人工智能取得了巨大突破，会战胜人类，但当时棋迷与职业棋手并未留意。现在有了棋谱，又有了技术细节，就显得可信多了。
怎么让人工智能学习玩游戏的方法
现代电脑游戏简介
电子游戏从1971年诞生以来，越来越受到人们的喜爱。随着现代计算机、网络、虚拟现实、人工智能等技术的发展，游戏的拟人化越来越逼真。高度的拟人化使得现代电脑游戏能够模仿人类社会中的各种情形，并把这些情形通过视觉、听觉、甚至触觉等多种感官反映到人的大脑，从而对人们的现实生活产生巨大冲击。基于游戏中的这些反映人类社会的情形不同和游戏表示的方式不同，可以把电子游戏分为几大类别：纵向卷轴和横向卷轴类、棋牌逻辑类、文字冒险类、图形冒险类、模拟类、战略类、第一或第三人称射击类和角色扮演类。
无论游戏属于何种类别，游戏玩家都希望在游戏中能够体验到现实中无法体验到的刺激，得到现实中无法得到的满足。这些刺激和满足主要表现在特定的挑战、社会化、吹嘘与幻想、情感等方面。实际上，大部分的玩家并不能预先知道他们想要什么样的游戏，但是他们往往在看到了一个精美的游戏后说，“嗯，我要的就是这个！”
要使得玩家喜欢游戏，游戏的开发过程必须得到重视。一般来说，游戏的开发过程主要分为四个阶段：构想阶段、总体设计阶段、细节设计阶段和建设阶段。[1]
万事开头难，构想阶段是游戏开发中最为重要的阶段。一个好的游戏背景故事是整个游戏成功的一半。在准备好游戏故事之后，就需要考虑游戏采用何种游戏类型，并把游戏故事分割成幕(Act)，改编为游戏剧本(Gameplay)。
在总体设计阶段，要考虑每个幕中的角色和规则，同时也要考虑相关的技术问题。比如，游戏将采用何种技术、准备运行在什么平台上等。
在细节设计阶段，要对每一幕中的焦点(Focus)进行设计，对每一幕的效果产生效果图，选择合适的音乐匹配到各个场景，设计各个角色和场景的细节。
最后是建设阶段。开发者要采用选定的技术对游戏进行开发。游戏制作包括编程和触发器的制作。最后要进行游戏测试。2. 基于电脑游戏的图灵实验
人们在娱乐电脑游戏的时候，往往希望游戏中的其他角色能够拥有某些程度上的智能。这些智能可以使得人们能够在游戏的同时得到满足。然而，这种智能必须得到控制。如果游戏中的机器角色的智能明显高于玩家的能力，使得玩家对胜利丧失信心，那么玩家会放弃这样的游戏。所以，人工愚蠢(Artificial Stupidity)技术也是必不可少的。在游戏中，太强或太弱的人工智能都是不合适的。
那何种程度的人工智能才是合适的呢？回答这个问题首先要考虑怎样的机器可以算作智能机器。图灵曾经提出了“图灵实验”的概念。他认为能够通过图灵实验的机器是具有智能的。其实，在游戏中也是一样的。“图灵实验”在游戏中可以这样描述：当玩家和其他玩家同诸多机器在同时游戏时，如果这个玩家通过游戏规则中的任何方式都无法分辨游戏中的其他角色哪个是其他玩家，哪个是机器的线程，那么我们可以说这个游戏通过了“游戏中的图灵测试”。[2]一般来说，通过了“游戏中的图灵测试”的游戏是最适合玩家娱乐的。3. 游戏中的人工智能技术
人工智能在游戏中的目标主要有五个：一是为玩家提供适合的挑战；二是使玩家处于亢奋状态；三是提供不可预知性结果；四是帮助完成游戏的故事情节；五是创造一个生动的世界。这个生动的世界可以是类似现实生活中的世界，也可以是与现实世界完全不同的世界。但不管何种世界都要求有一整套能够自圆其说的游戏规则。
在游戏制作过程中，实现人工智能的关键主要有：虚拟现实与拟人化、动画效果与机器角色场景感知[3]、机器角色的机器学习和进化、玩家与机器角色之间的平衡性、人工愚蠢技术、确定性人工智能技术与非确定性人工智能技术的互补。
游戏中的人工智能的主要技术主要有：有限状态自动机(Finite State Machines)、模糊逻辑(Fuzzy Logic)、A*算法与有效寻径(A* Algorithm for Efficient Pathfinding)、脚本设计(Scripting)、基于规则的人工智能和系统(Rules-based AI and Systems)、人工生命(Artificial life)、贝叶斯推论(Bayesian Inference)和非确定性贝叶斯网络(Bayesian Networks for Uncertainty Decisions)、神经网络(Neural Networks)和遗传算法(Genetic Algorithms)等。4. 目前的局限与前景展望
就目前来说，技术上的困难主要来源于两个方面：一是游戏中的非确定状态实在太多；二是现有的硬件和计算机网络对于高级人工智能还说，速度还达不到要求。[4]
目前要解决这些困难，在技术上来说还是不成熟的。对于数量极多的非确定状态来说，尽可能地提高硬件和计算机网络的速度，可能是一个解决方法。但是要提高硬件和计算机网络的速度也并非易事。这可能要等到全息光学计算机和光互联网诞生之后才能彻底解决。但目前有效的办法是提高的执行速度。比如使用更有效的算法或神经网络等新技术。
谷歌的人工智能自己学打游戏了，是不是意味着人工智能时代已来临
领学网为你解答：现在的人工智能还不是特别完善，智能说是一个开端，科技的发展总是需要实践与发展的。
希望帮到你
以上就是关于人工智能自己学打游戏相关问题的回答。希望能帮到你，如有更多相关问题，您也可以联系我们的客服进行咨询，客服也会为您讲解更多精彩的知识和内容。
推荐阅读：
赣公网安备 50019002502384号
