本文來自AI新媒體量子位（QbitAI）
歡迎來到遊戲世界。
沒聽過Unity沒關系，你肯定對王者榮耀、紀念碑谷、神廟逃亡2、Pokémon GO等遊戲了如指掌。沒錯，Unity就是它們的遊戲引擎。
今天，Unity宣布推出Unity Machine Learning Agent（ML-Agent），将遊戲引擎連接配接到谷歌TensorFlow等機器學習架構中。通過深度強化學習算法，讓非玩家角色（NPC）通過不斷嘗試和犯錯，變得更有創造性和政策性。
在遊戲開發的過程中，既不能讓玩家因過于簡單而無聊，也不能因難度太高喪失玩家興趣。Unity開發者Arthur Juliani表示，Unity的ML-Agent将幫助增加遊戲的可玩性。
△ Unity工程師自述ML-Agent在遊戲開發中的意義
過去，開發人員需要手工編寫代碼，讓訓練環境中的互相作用逐漸訓練Agent，典型場景是一個單一環境+緊密耦合的Agent。Agent的動作改變環境狀态，環境回報給Agent各種獎勵。
△ 典型的強化學習訓練循環
Unity希望設計一個系統，讓遊戲引擎更靈活易用。是以，Unity推出了ML-Agents，并且釋出了開放測試版SDK。ML-Agents SDK讓開發者可用Python API将Unity Editor中建立的遊戲和模拟場景轉換成可被深度強化學習、進化政策或其他機器學習方法訓練的環境。
△ 在ML-Agents中配置學習環境的可視化描述
對任何學習環境來說，Agent、Brain和Academy是必不可少的三大對象。
每個Agent都可以有獨特的狀态和觀察值，可在環境中單獨采取動作并擷取獎勵。Agent的行動由與之相關的Brain決定的，每個Brain定義一個特定的狀态和動作空間，并負責決定關聯的Agent将采取哪些動作。之後，Brain将資訊彙總到Academy中，定義了環境的範圍，比如引擎配置、跳幀控制、場景長度等。
Agent、Brain和獎勵不同的連接配接方式能創造不同場景，是以，Unity的ML-Agents夠解鎖各種訓練場景。對于訓練Agent的新手來說，Unity提供了典型的環境配置示例，并解釋了如何用ML-Agents SDK建立它。
Unity在官方部落格中展示了一些不同場景的訓練執行個體，經過一段時間的訓練，Agent的表現都很驚人：
△ 30秒内訓練Agent玩3D平衡球
Unity遊戲引擎能高精度模拟現實場景，比如物體的紋理、光效、材質等。Unity AI和機器學習技術部的副總裁Danny Lange在接受采訪時表示，Unity的ML-Agents的作用并不局限于虛拟遊戲，還将加速現實生活中機器人等技術的進步。比如對自動駕駛行業來說，可以在計算機生成的但逼真的虛拟環境中較為真實地訓練它們。
最後，附Unity官方部落格介紹：
https://blogs.unity3d.com/cn/2017/09/19/introducing-unity-machine-learning-agents/
及ML-Agents GitHub代碼：
https://github.com/Unity-Technologies/ml-Agents
祝你玩得愉快~
— 完 —
本文作者：安妮
原文釋出時間：2017-09-20