以色列开发人员能够教导AI在真人快打中击败人类

3D环境仍然很难通过弱形式的AI来感知，这在玩此类游戏时会带来计算机问题

，现代人工智能专家将通过视频游戏教授AI方法来克服障碍并解决旅途中的问题。例如，DeepMind员工与暴雪一起，将《星际争霸2》变成了一种训练弱形式AI的环境。去年，Google的AI系统独自掌握了 49款旧的Atari游戏。

但这与游戏中集成的系统（例如格斗游戏中的AI对手，足球模拟器或赛车模拟器）无关，该系统知道条款和条件。如今，人工智能已经由计算机游戏开发商开发，并与人类处于平等地位。系统监视屏幕上的图片，学习反复试验的方法。这样的程序不仅能够在游戏中找到解决方案，而且还适合于在各种任务中寻找解决方案，而不管规则或条件如何。


以色列技术大学的一群学生最近宣布了其开发，即逆向学习环境（RLE）系统。这是一个软件平台，可让您以90年代许多游戏为例来训练AI，包括为Nintendo和Sega主机发行的游戏。例如，许多著名的F-Zero，Wolfenstein和Mortal Kombat。根据开发人员的说法，对于AI来说，许多游戏都很困难，有些系统没有学会理解和传递。但是RLE学会了很好地玩《真人快打》。专家在有关arXiv的文章中介绍了他们的工作结果。 AI一再能够完全击败人类对手。这个对手绝不是一个初学者。文章指出，计算机受到经验丰富的真人快打玩家的反对。

在具有音量级的德军总部，再加上您需要在迷宫中导航并确定许多对象，系统显示的效果不是很好。在Gradius III中，RLE能够研究游戏的技术方面，包括需要用后续动作消灭相遇的敌人。但是该系统无法显示比人类玩家更好的结果。在这里有必要通过遇到的伪像来提高角色的能力。玩家遗失的文物越多，完成游戏的难度就越大。计算机实际上不注意加电对象，这大大简化了传递过程。

该程序能够很好地学习如何玩计算机游戏，以至于开始打败一个人，这是开发人员不可否认的优点。计算机通过反复试验来学习如何玩游戏并不是那么容易；这是一项艰巨的任务，几乎没有软件平台可以克服。该研究的作者之一Shai Rosenberg说：“如果算法可以玩复杂的游戏，那么我们就可以开始在现实世界中实现此类系统以解决实际问题。”正如儿童学习游戏一样，计算机在屏幕上也只能看到信息。他们（儿童和计算机）学会避免障碍并解决问题，以获得最大的回报，”他继续说道。


人工智能学会了在“ Atari拳击”和“真人快打”中的出色表现，只需“看着屏幕”并评估其在游戏环境中的行为后果；

在现实世界中，计算机系统能够从错误中学习并预测某些“行为”的后果就可以派上用场。许多地区。机器人可以在具有大量障碍物的复杂空间（例如房间的走廊）中移动，而不会与它们碰撞。在执行相同或相似的任务时，下次将考虑计算机犯的任何小错误。

根据罗森伯格的说法，RLE可以学习通过更复杂的游戏系统，而不仅仅是玩SNES游戏。该项目的下一阶段将是在PlayStation平台上开发游戏。诚然，到目前为止，以色列开发人员都致力于将他们的系统传授给大多数精通游戏。计算机学会玩《真人快打》的事实是好的，但还不够。尽管如此，游戏的很大一部分“都落水了”，RLE无法掌握它们。


RLE系统使用各种传球算法传出不同游戏的结果

开发商说：“在随后的阶段，我们认为有可能甚至相对容易地将我们的培训系统适应更复杂的游戏，包括侠盗猎车手”。现在，不幸的是，像侠盗猎车手V AI这样的游戏不可用-它们太复杂了。

开发人员打开了系统的源代码，并将其发布在Github上。您可以在此处获取源代码。

Source: https://habr.com/ru/post/zh-CN399067/