现在，美国游戏公司艺电（EA）正在与加拿大不列颠哥伦比亚大学（UBC）互助，考试测验在游戏开拓中引入强化学习技能，用于制作角色模型和动作掌握系统，希望可以让 AI 学会制作游戏角色，使其行为模式更加逼真，同时简化和加速游戏研发流程。
研究团队通过强化学习和深度天生模型 Motion VAE（变分自动编码器），在没有利用传统编程和动画制作的情形下，天生了可控的足球运动员角色，能够做到跑动、传球、射门和头球等动作，行动流畅自然，基本符合人类的运动模式。
EA 高等软件工程效法比奥 · 钦诺（Fabio Zinno）认为，这项研究成果非常令人鼓舞，表示了 AI 拥有的巨大潜力。该研究成果将于今年 7 月在 SIGGRAPH 2020 打算机图形大会上发布。
图 | AI 天生的折返跑和头球动作（来源：Character Controllers Using Motion VAEs/ACM）
常日来说，制作电子游戏中的角色及其动作须要花费大量韶光。
以 FIFA 一类的体育游戏为例，为了呈现逼真的动作，须要用到动作捕捉技能来追踪真人的面部和肢体动作。不过这种方法局限了动作的可能性，游戏角色只能表现出已记录的动作，而且还须要大量的编程事情，为游戏角色制作动画。
基于这点，EA 和 UBC 的研究职员才看中了人工智能技能，希望可以自动化动画设计过程，让 AI 代劳去制作带有目的性的动作模式，比如射门和带球跑动，还要许可儿类掌握。
为了制作角色，研究职员演习了一套机器学习模型，用来识别和复刻运动捕捉数据中的统计学模式。例如跑步这种动作，对应着一系列有规律可循的数据点，那么反过来看，涌现这些数据就解释人物在跑动。以是如果 AI 能够实现特定的数据排列，就可以掌握人物跑动。
随后他们又利用强化学习技能演习了另一个模型，卖力重现带有特定目标的真实动作，比如在游戏中向一个球跑过去。在这个过程中，模型会天生不拘泥于动作捕捉数据的动画模式。
图 | AI 可以进行多种目标不同的行动
换句话说，这套模型能够学习足球运动员是如何运动的，然后自发地制作角色的慢跑，冲刺，带球跑动和过人等动作的动画。全程无需人类参与，也不涉及传统的编程和动画制作流程。
纽约大学教授朱利安 · 图吉利斯（Julian Togelius）表示，“我认为将动画制作程序化将是一件大事。这项技能绝对有很多不同的用场。利用强化学习可以实现自动化和流程化，这将改变游戏内容的创造办法。”
EA 的研究职员强调，利用机器学习技能开拓游戏或者加速游戏制作过程，广泛适用于动作和角色扮演类游戏，可以让游戏内容更具拓展性、随机性和创造性。同时这种办法还可以提高设计效率，对付构建日趋繁芜的游戏天下以及建模和动画制作流程意义重大。
不过研究团队也清楚，对付游戏业界来说，间隔广泛遍及 AI 生产力工具还有很长的路要走，至少要数年的韶光。
根本缘故原由在于，一些机器学习算法难以理解和调试，独立游戏制作人和小型事情室可能缺少足够的资源，心有余而力不敷。而对付投资巨大的 3A 级游戏来说，贸然尝鲜一旦失落败，后果十分严重，哪怕在中途转型传统技能，也会背负巨大的生理和资源压力，造成一种得不偿失落的征象。
幸运的是，现在仍旧有团队乐意考试测验干系研究。
最近，在经典游戏《吃豆人》发行 40 周年之际，英伟达，多伦多大学和麻省理工学院的研究职员就推出了一个 AI 复刻制作版本。通过一个名为 GameGAN 的模型，AI 仅仅通过不雅观看 5 万场吃豆人游戏，就学会了制作一个大略单纯复刻版，虽然清晰度不高，但加入了 AI 天生的新场景。
图 | AI 制作的复刻版《吃豆人》
最主要的是，AI 没有得到任何游戏源代码，也没有利用底层游戏引擎，而且是在对规则一无所知的条件下，完成了对游戏模式的复制。
结合 EA 与 UBC 团队的研究成果不难创造，在游戏开拓和动画制作领域，AI 技能的确具备进一步挖掘的潜力。
UBC 教授 Michiel van de Panne 表示，团队的下一步研究是利用强化学习在符合物理规律的虚拟环境中演习非人类游戏角色。这比基于动作捕捉数据演习 AI 更加困难，由于这种思路就像是让 AI 学会从零创造全新的动画，同时也很难量化玩家的喜好。
“我期待看到真正可以充分发挥 AI 创造动画能力的东西，” van de Panne 教授表示，“这一天终将到来。”