40年过去了，NVIDIA的研究人员用人工智能重新创造了吃豆人

自从吃豆人第一次在日本登陆拱廊，并继续咀嚼着一条通往全球明星的道路以来的40年里，这部复古经典在人工智能的帮助下获得了重生。

NVIDIA Research创建的一种强大的新AI模型，名为NVIDIA GameGAN，经过50,000集的训练，可以生成一个全功能版本的PAC-MAN-而不需要底层的游戏引擎。这意味着，即使不理解游戏的基本规则，人工智能也可以用令人信服的结果重新创造游戏。

GameGAN是第一个通过利用生成性对抗网络(GAN)来模拟计算机游戏引擎的神经网络模型。由两个相互竞争的神经网络，一个生成器和一个鉴别器组成，基于GaN的模型学习创建足够令人信服的新内容，以冒充原始内容。

NVIDIA研究员和该项目的主要作者Seung-wook Kim说：“这是第一次使用基于GaN的神经网络模拟游戏引擎的研究。”“我们想看看人工智能是否可以仅仅通过看一个特工在游戏中移动的剧本来学习一个环境的规则。它确实做到了。“。

当人工代理玩GAN生成的游戏时，GameGAN对代理的操作做出响应，实时生成游戏环境的新帧。如果根据多关卡或多版本游戏的剧本进行训练，GameGan甚至可以生成前所未见的游戏布局。

这一能力可以被游戏开发人员用来自动生成新游戏关卡的布局，也可以被人工智能研究人员用来更容易地开发用于训练自主机器的模拟器系统。

游戏发行商BANDAI NAMCO娱乐公司的研究开发公司BANDAI NAMCO Entertainment Inc.为培训GameGan提供了PAC-MAN数据，BANDAI NAMCO娱乐公司的研究开发公司BANDAI NAMCO Entertainment Inc.表示：“当我们看到结果时，我们都惊呆了，不敢相信人工智能可以在没有游戏引擎的情况下重现标志性的吃豆人体验。”这项研究提供了令人兴奋的可能性，帮助游戏开发商加快开发新的层次布局、人物甚至游戏的创造性进程。“。

我们将于今年晚些时候在AI游乐场上向这款游戏致敬，在那里任何人都可以第一手体验我们的研究演示。

曾经，吃豆人的爱好者不得不带着硬币去最近的游戏厅玩经典的迷宫追逐。在弹球机处左转，继续直行过空中曲棍球，遵循吃豆人狼吞虎咽的配乐，避开幽灵Inky、Pinky、Blinky和Clyde。

仅在1981年，美国人就投入了数十亿美元来玩75,000小时的硬币游戏，比如吃豆人(Pac-Man)。自那以后的几十年里，这款热门游戏已经出现了适用于个人电脑、游戏机和手机的版本。

GameGan版依靠神经网络而不是传统的游戏引擎来生成吃豆人的环境。人工智能跟踪虚拟世界，记住已经生成的内容，以保持帧到帧的视觉一致性。

无论玩什么游戏，GAN都可以简单地通过摄取过去游戏中的屏幕录音和代理按键来学习规则。游戏开发者可以使用这样的工具自动为现有游戏设计新的关卡布局，使用原始关卡的剧本作为训练数据。

利用来自BANDAI NAMCO Research的数据，Kim和他在多伦多NVIDIA AI研究实验室的合作者使用NVIDIA DGX系统，将PAC-Man剧集(总共数百万帧)与玩游戏的AI特工击键的数据配对，训练神经网络。

然后，经过训练的GameGan模型生成环境的静态元素，如一致的迷宫形状、圆点和能量弹丸，以及敌人鬼魂和吃豆人本身等移动元素。

它学习游戏的关键规则，既有简单的，也有复杂的。就像在最初的游戏中一样，吃豆人不能穿过迷宫墙。他四处走动时会吃掉一些圆点，当他吃下一粒能量弹丸时，鬼魂就会变成蓝色，然后逃之夭夭。当吃豆人从迷宫的一侧离开时，他就被传送到了另一端。如果他遇到鬼魂，屏幕就会闪烁，游戏就会结束。

由于该模型可以将背景从移动的角色中分离出来，因此可以将游戏重新塑造为在户外的树篱迷宫中进行，或者用你最喜欢的表情符号替换吃豆人。开发人员可以使用此功能来试验新的角色想法或游戏主题。

自主机器人通常在模拟器中接受训练，在模拟器中，人工智能可以在与现实世界中的对象交互之前学习环境规则。对于开发人员来说，创建模拟器是一个耗时的过程，他们必须编写有关对象如何相互作用以及光线在环境中如何工作的规则。

模拟器被用来开发各种自动机器，比如学习如何抓取和移动物体的仓库机器人，或者必须在人行道上导航才能运输食品或药品的送货机器人。

GameGan提出了这样一种可能性，即有一天，为这些任务编写模拟器的工作可能会被简单地训练神经网络所取代。

假设你在一辆汽车上安装了一个摄像头。它可以记录道路环境是什么样子，或者司机在做什么，比如转动方向盘或踩油门。这些数据可以用来训练深度学习模型，该模型可以预测如果人类司机或自动驾驶汽车采取像踩刹车这样的行动，现实世界会发生什么。

NVIDIA多伦多研究实验室主任桑贾·菲德勒(Sanja Fidler)表示：“我们最终可能会有一种人工智能，它只需观看视频，看到特工在环境中采取行动，就可以学习模仿驾驶规则和物理定律。”“GameGan是迈向这一目标的第一步。”

NVIDIA Research在全球拥有200多名科学家，专注于人工智能、计算机视觉、自动驾驶汽车、机器人和图形学等领域。

GameGan由Fidler，Kim，NVIDIA研究员Jonah Philion，多伦多大学学生周玉浩和麻省理工学院教授Antonio Torralba撰写。这篇论文将在6月份著名的计算机视觉和模式识别会议上发表。