在李世石和柯洁战败后，人类在棋类竞技场已经难与AI争锋。很多人会说，作为非职业棋类选手，不在乎下不下的赢棋。想一想，要是以后打游戏也赢不了AI了……
这件事情已经发生了，且还在加速。雷锋网曾报道，2017年9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，雷锋网也来到了现场。
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，让游戏变得更加有吸引力，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，并作出反应一样。ML-Agents可以以相同的方式来训练这些系统。
Lange给大家演示了一个Demo，未来主义的赛车游戏，Demo中左边是人类，然后右边是机器学习的Agent。一开始的时候，Agent转弯不好，容易装车，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，这会让与人类的交互更为自然。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布前测试游戏。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模拟训练环境示例）
雷锋网了解到，从两年多前，Unity就开始酝酿转型，从一家纯引擎提供商转向互联网+云增值服务。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。
相关文章：
正在生成分享图...