早在 2019 年 3 月，我就建立了一个名为 AI Dungeon 的 hackathon 项目。这个项目是一个经典的文本冒险游戏。故事的内容和所呈现的潜在动作都是通过机器学习产生的：
图片来源：AI Dungeon Classic
这款游戏在 hackathon 很受欢迎，总会有一小群人在线，但总的来说，离我的预想还有差距。
首先，玩家只能从游戏提供的选项中进行选择。我想要一个真正开放的世界，玩家可以随心所欲地写作；另一方面，在长时间的游戏过程中，游戏很快就变得容易胡言乱语：
图片来源：AI Dungeon Classic
不幸的是，这两个问题都没有很明确的解决方法。我在当时最大的可用参数版本 GPT-2 上建立了 AI Dungeon。尽管 GPT-2 是可用的最强大的模型，但实际上还远远不够。经过几个月的修复和调整，我的游戏有了很大的改进，但还是遇到了同样的问题。
然而，在 11 月，OpenAI 发布了完整的 15 亿参数 GPT-2 模型，并为新版本的游戏打开了大门，这个版本更接近我最初的想法。一个月后，我发布了 AI Dungeon 2，一个基于 GPT-2 模式的真正开放的文本冒险游戏：
图片来源：AI Dungeon
在游戏中，你可以做任何事情。组建一个骷髅摇滚乐队？吃月亮？安装 Windows 10？一切皆有可能。
游戏反响非常好。我们登上了黑客新闻的榜首，一些受欢迎的玩家发布了相关视频，Twitter 上满是 ML 生成的冒险的截图。一周之内，我们有了超过 10 万名玩家，其中超过一半玩家从头到尾完成了游戏。
然而，由于突然引起关注，我们的成本也大大增加。
如何在 GCP 上花费 50000 美元
当我第一次发布 AI Dungeon 2 时，它并不是一个托管应用，而是一个用户可以复制并运行的 Google Colab notebook，用户可以下载 AI Dungeon 模型并安装游戏界面。
图片来源：Google Colab
这种方法之所以有意义，有几个原因。首先，Colab 是免费的，这使得它成为了一个很好的辅助项目平台。其次，Google 为每个 Colab notebook 提供了一个免费的 GPU 实例，这是运行 5GB 模型所必需的。
我们遇到的第一个问题是我们的模型几乎不适合 GPU 实例。如果由于某种原因，你的游戏需要一点额外的内存，整个游戏可能会崩溃。
第二个更严重的问题是资金问题。
我之所以选择 Colab 是基于成本的考虑，但我没有考虑数据下载的费用。由于每个 Colab notebook 都需要下载 5GB 的模型，而且用户分布在不同的地区，因此每次下载的成本在 0.30 到 0.40 美元之间。
当每天的账单达到 2000 美元时，比亚迪的感知控制认知实验室（PCCL）非常友好地处理了这些费用；当成本达到 7000 美元时，他们还可以接受；但是当成本达到 15000 美元时，他们开始紧张起来；在成本达到 20000 美元时，我们都同意我们需要做点什么；在成本达到 30000 美元时，他们都想拔掉插头了。
到一切都谈妥时，三天内总帐已达 50000 美元。
在不中断的情况下按比例部署 GPT-2
在 PCCL 关闭 AI Dungeon 2 的 12 小时内，我们的社区已经通过 torrent 分享模型的点对点解决方案，这意味着游戏是备份的，没有下载收费。
然而，这显然是一项临时措施。AI Dungeon 2 的愿景是，它是一个任何人都可以玩的游戏，而不仅仅是那些有技术头脑的人运行一个 Colab notebook。为了做到这一点，我们需要发布一个真正的应用程序游戏。
要构建一个完整的 AI Dungeon 2 应用程序，我们的模型需要部署为后端 web 服务器。你可以将它当成是一个“预测API”，我们的应用程序可以通过用户的输入进行查询，从而生成接下来的故事。以前使用过 microservices 的人都应该熟悉这种模式。
问题是，如何在 ML 模型的基础上构建微服务？
事实证明，有一个开源工具可以自动实现它，那就是 Cortex。在高层上，Cortex 将会：
将模型打包在 API 中并将其容器化
将模型部署到云中，将 API 公开为 HTTP 端点
自动缩放实例以处理流量波动
我们没有使用 Flask、Docker、Kubernetes 和一大堆 AWS 服务来构建自己的基础设施，我们可以整合和自动化我们的基础设施。
这种架构允许我们将我们的模型作为网络和移动应用程序的后端，向不能使用 Colab 的玩家开放游戏。然而，它也需要一些优化，以便我们能够负担得起其费用。
首先，我们需要配置积极的自动缩放。我们每运行一个实例就收取一分钟的费用，为了服务于许多并行用户，我们需要启动许多实例。为了最高效地利用我们的资源，我们需要在任何给定的时刻提高所需实例的最小数量，并快速地删除任何不必要的实例。
其次，我们需要选择最佳的实例类型。这意味着要准确计算出我们的实例需要多大才能有效地承载模型，并利用 spot 实例——云提供商以大幅折扣出售的未使用实例。
经过一些修复，我们能够使我们的 Cortex 部署比以前 Colab 的设置成本效益高出大约 90%。在两周内，我们的服务器数量达到了 715 台的峰值，我们支持了超过 10 万名玩家。六周后，我们已经支持了超过了 100 万名用户，创建了 600 万个独特的故事。
扩展 AI Dungeon 需要社区的共同努力
在每个发展阶段，社区都是开启我们下一阶段规模的关键。
最明显的例子是那些玩 AI Dungeon 2 的人。没有他们，游戏就没有任何规模可言。不过，除了我们的玩家，我们还得到了社区成员的帮助，比如：
BYU PCCL 支付我们的初始 GCP 账单
在关闭后的 12 小时内，通过 torrent 将 AI Dungeon 2 重新上线的用户
Braydon Batungbacal，他自愿构建 iOS 和 Android 应用程序
继续支持 AI Dungeon 发展的 Patreon 支持者
像 Cortex 这样的开源项目曾经支持 AI Dungeon
随着我们继续开发 AI Dungeon，并有可能为其他由 ML 驱动的游戏提供一个更大的平台，毫无疑问，我们的社区将继续成为我们做出决策和执行决策的驱动力。
感谢所有参与的人，请继续关注下一步。
雷锋网雷锋网雷锋网
正在生成分享图...
我在思考中