Оригинальная игра Pac-Man вышла 40 лет назад. С тех пор появилось множество клонов и доработок, но в итоге игровой процесс сводится к поеданию точек забавным кругляшом Pac-Man, но при этом необходимо уклоняться от призраков. Если съесть пилюлю, то Pac-Man сможет на протяжении небольшого периода времени кушать и призраков тоже.
NVIDIA построила сеть искусственного интеллекта GameGAN, которая получила для тренировки 50.000 игровых сеансов Pac-Man. После чего сеть смогла выдать полнофункциональную версию игры без какого-либо исходного кода или других источников. Название GameGAN было получено от GAN (Generative Adversarial Network, генеративно-состязательная сеть). Сеть GAN на самом деле состоит из двух состязательных нейросетей, генератора и дискриминатора. Первая сеть (генератор) учится создавать новые модели, которые выглядят настолько убедительно, что их можно принять за оригинал. А вторая сеть (дискриминатор) сравнивает результат с оригиналом.
Нейросеть GameGAN по 50.000 игровым сеансам разобралась в принципе игры, структуре уровней, статических и динамических элементах. Искусственный интеллект вникал в правила игры, после чего имитировал их шаг за шагом.
В итоге ИИ не только смог полностью заменить исходный код игры, представив полнофункциональную версию Pac-Man, но и придумал новые уровни. Конечно, компьютерному разуму прохождение каждого уровня дается очень легко, поскольку скорость реакции значительно превышает таковую у человека.
Но суть в том, что нейросеть может воссоздать любую игру по большому количеству сеансов, не имея доступа к исходному коду.
"This is the first research to emulate a game engine using GAN-based neural networks," сказал Шенгвук Ким (Seung-Wook Kim), разработчик NVIDIA и лидер проекта. "We wanted to see whether the AI could learn the rules of an environment just by looking at the screenplay of an agent moving through the game. And it did."
Конечно, цель подобных проектов заключается не в воссоздании ретро-игры новым способом. Полученные знания нейросеть может использовать иначе. Например, испытывать промышленных роботов в виртуальном окружении, прежде чем они будут встроены в производственный конвейер. С помощью GameGAN можно также ускорить создание систем симуляции для обучения автономного транспорта, где ИИ может изучать правила окружения перед взаимодействием с соответствующими объектами в реальном мире.
Дополнительные сведения можно прочитать в блоге NVIDIA.
Подписывайтесь на группы Hardwareluxx ВКонтакте и Facebook, а также на наш канал в Telegram (@hardwareluxxrussia).