AI打游戲已經不是什么新鮮事了，“沉迷”Dota 2、星際爭霸、LOL的AI一個接一個的出現。

但是你也許不知道，相比這些“游戲玩家”AI，還有一位優秀的AI，直接當起了“游戲策劃”，做的還是膾炙人口的“超級馬里奧”。


超級馬里奧：無限關卡

這位“策劃大大”誕生在由一個六位研究者組成的團隊中，成員來自多特蒙德大學、美國西南大學、倫敦大學瑪麗皇后學院、加利福尼亞大學及哥本哈根IT大學，它能用生成對抗網絡（GAN）自動“設計”海量的超級馬里奧關卡。

并且，這個超級馬里奧關卡策劃AI還能充分保證新關卡的可玩性，讓每個關卡在開始的時候都相對簡單，而后逐漸增加難度，保證玩家“沉迷游戲，無法自拔”。

馬里奧策劃AI成長史

馬里奧GAN的工作流程大概長這樣：



△ 馬里奧GAN原理圖
首先，GAN學習現有的超級馬里奧關卡（圖上黃色部分），get到關卡策劃這一技能后，生成網絡開始生成關卡，然后將“作業”案例提交給判別網絡，由判別網絡進行把關，判斷“作業”是否為一個合格的馬里奧關卡。

不合格的“作業”將被打回去重做，直到這一關合格為止。

神經網絡如何識別游戲

GAN學習的并不是每一關的畫面，而是用專有符號系統表示的“游戲地圖”。地圖以“方塊”為單位——有金幣的方塊、可以頂碎的磚塊、當地基的磚塊、管道的磚塊等，游戲地圖中的每個方塊都有獨特的表示方式，比如怪物方塊編號為5，用大寫的E來代指。



△ 游戲地圖方塊對照表

這樣，所有的游戲地圖都可以用一個符號的矩陣來表示，比如，下面這個游戲地圖中：



我們按照方塊把每個元素劃分開，并且加以不同的表達方式：



地板是0，怪物是0，右側的“山上”可以被頂壞的“天梯”則是1。另外，由于管道占了不只一個方塊，所以管道口的左右半截分別用單引號代指，用6、7表示，而管道身體的左右半截用方括號代指，用8、9表示。如果某個格子是空氣，什么都沒有，則用2表示。

所有的學習和生成系統，都是基于這樣的矩陣進行的。這套系統又被稱作視頻游戲關卡語料庫（Video Game Level Corpus，VGLC），每一個方塊都像圖像處理中的像素一樣，能夠被神經網絡解析或生成。

難度升級大法——LVE

正常的關卡游戲都有一個特點——每一關都比前面那一關難一點。

超級馬里奧也不例外。人類游戲策劃可以控制每一關的大致難度，但AI怎么控制呢？這要倚仗**潛變量進化（latent variable evolution，LVE）的方法。

LVE由紐約大學的Philip Bontrager等人在2017年提出，具體可以跳轉arXiv：1705.07386。

在LVE的幫助下，機器可以生成越來越難的關卡，比如，像下面這張圖一樣（關卡略長，請把手機橫過來看）：



像這樣，從開頭的“一馬平川”到出現管道、山溝、山丘和怪物，直到怪物密布、溝壑縱橫，整個過程是越來越難的。

送進DCGAN訓練

訓練的過程使用的是深度卷積生成對抗網絡（Deep Convolutional GAN，DCGAN），使用WGAN算法進行訓練。



△ DCGAN生成網絡構架



△ DCGAN判別網絡構架

然而，生成結果并不100%完美

訓練后的GAN生成的結果究竟如何呢？

好壞參半。

有的部分歲月靜好，除了個別小困難之外，玩家可以輕松通過：





但是，也有下面這種奇葩地形，蜀道之難難于上青天啊！



甚至還會出現讓人退游的神秘管道：



請問管子君是異次元穿越來的嘛？



沒辦法，GAN一直都是這么皮。所以，研究者們還準備做進一步的優化，以期待在未來可以讓GAN生成永遠玩不完的超級馬里奧。

不完美，一樣拿獎

雖然馬里奧GAN的生成結果并不完美，但這并不妨礙它拿獎啊。

畢竟，在人類用計算機生成馬里奧游戲關卡的歷史上，這可是個巨大突破呢。

馬里奧AI錦標賽（http://www.marioai.org/）是一個在2009-2012年期間舉辦過幾屆的比賽，專門生成馬里奧關卡。在這項賽事中，雖然科學家們一直致力于創造出最好的自動生成馬里奧關卡的算法，但實際絕大多數時候，參賽者依然需要手動設置一些參數。

而GAN興起后，AI生成馬里奧關卡再也不需要進行任何手動了，程序員們可以和手動設置參數說bye-bye了。

因此，這篇論文也拿到了GECCO 2018的最佳論文。

傳送門全家桶

馬里奧GAN已經開源，量子位照例附上arXiv和github地址，歡迎自取~

論文：Evolving Mario Levels in the Latent Space of a Deep Convolutional Generative Adversarial Network
作者：Vanessa Volz, Jacob Schrum, Jialin Liu, Simon M. Lucas, Adam Smith, Sebastian Risi
GECCO 2018 Best Paper Award
arXiv:
https://arxiv.org/abs/1805.00728
data:
https://github.com/TheVGLC/TheVGLC
github:
https://github.com/TheHedgeify/DagstuhlGAN

原文發布時間為：2018-07-27
本文來自云棲社區合作伙伴“量子位”，了解相關信息可以關注“量子位”。