機器之心原創
機器之心編輯部
NPC 如何像人一樣聰明一直以來都是遊戲發展的主要訴求之一。但早期的 NPC 經常被玩家調侃為「人工智障」，因為它們的行為範式很容易被摸索到。
算法和資源投入與 AI 實際帶來的産出比，在遊戲未投入市場之前是難以估計的。是以，「AI」尚未在遊戲中真正普及。
小團隊難以承受其開發成本，甚至有些大團隊還會擔心效果不佳，适得其反。
已有遊戲 AI 能「擊敗」 人類玩家
但并不普及
遊戲是催生很多 AI 技術的土壤。強化學習（Reinforcement Learning，RL）與遊戲的完美契合在于其可以利用虛拟環境，訓練 AI 智能體（agent）主動不斷嘗試去發現哪些動作會産生最豐厚的收益。
機器學習曆史上誕生過很多基于遊戲環境的知名 AI 模式，如打星際争霸 2 的 AlphaStar，打 Dota 2 的 OpenAI Five，玩王者榮耀的絕悟等等。以遊戲為橋梁，AI 領域新的技術突破也一次次被我們所熟知。
遊戲 AI OpenAI Five 曾經擊敗過人類世界冠軍隊伍。
但這些都隻是實驗，AI 在遊戲中對于畫面提升如超分辨率算法「DLSS」已有較為廣泛的應用，對于更能打動玩家的互動方面卻很少有貢獻。作為機器學習三大分支之一的強化學習，目前的應用方向大多在自動駕駛、工業自動化、金融貿易甚至 NLP 上，遊戲雖然也是主要應用方向，但是尚未真正普及。
在遊戲領域中，人們對于強化學習等技術的需求其實非常多：在對戰類遊戲中，通過 AI 定制的解決方案，可以根據使用者水準比對相應的難度，讓使用者體驗更好。在角色扮演、賽車類遊戲中，AI 可以用于測試和設計關卡。水準足夠高的 AI 甚至可以用于平衡性測試。
玩家們經常會說的一句話是：一款遊戲的畫面決定你會不會關注它，而遊戲性能決定你是否喜歡它。
而且具有人類專業級玩家能力的高智商 AI 角色，不僅對于玩家來說很有吸引力，對于遊戲開發者來說，如果能招募海量 AI「玩家」來測試遊戲 bug，甚至幫助制作遊戲關卡也是極好的。
GTC 2021 大會上，遊戲公司 EA 的開發者們展示了強化學習改進關卡設計的研究。
對于遊戲開發者而言，想要訓練可應用于實踐的 AI 模型，需要足夠的專業知識，但并不是每家遊戲工作室都既懂遊戲引擎，又能玩轉深度學習架構。而在構模組化型時，大規模并行化算力的需求也是一個障礙。
能不能把高智能的 AI 通用化、實用化呢？最近一段時間裡，越來越多的遊戲正在獲得 AI 加持。
解決技術核心需求
縮短開發者與 AI 的距離
今年 10 月，華為雲釋出 ModelArts for Games，縮短了遊戲開發者與 AI 技術的距離。
在這個平台上，開發者們可以定制化地獲得強化學習等能力。它基于國内市場占有率第一的人工智能平台 ModelArts，從 AI 開發、生産部署、團隊賦能、模型變現四個角度，滿足了遊戲團隊對于 AI 的核心需求。
華為雲與遊戲公司進行合作，預制了多種類型的遊戲 AI 競技算法，覆寫了 MOBA、SPG、FPS、棋牌等主流遊戲類型。平台中，面向不同類型遊戲的 AI 機器人都擁有高超的能力，同時還風格多樣，能夠展現不同政策，可以為玩家們帶來更加真實的遊戲體驗。
因為背靠華為 AI 平台，ModelArts for Games 可以實作工作流程的端到端全覆寫：從資料處理、擷取先進算法、模型大規模訓練，到模型按需部署處理和管理，AI 應用的全周期工作都可以在一個平台上實作。
通過 ModelArts，AI 訓練的算力不再是問題，ModelArts 提供異構計算叢集。訓練支援海量 CPU，GPU 自由組合，提供大規模強化學習訓練能力，支援彈性擴縮容及容錯機制，友善使用者使用 IMPALA、Seed 等主流或客制化分布式架構進行高效的強化學習訓練。兼顧多種應用場景，大幅度提高算法開發與訓練效率。來自華為諾亞方舟實驗室的分布式強化學習架構「刑天」叢集節點間通信進行了優化。這些特性可以将訓練速度提升 10 倍，降低了訓練成本，使用者可以随時按需啟動和停止訓練作業。
而在對于玩家來說直接關系到遊戲體驗的 AI 推理速度上，ModelArts 可以将時延壓縮至 20ms 以内，實作實時響應。
對于遊戲開發者來說，如果不知道哪種算法可以滿足自己的需求，ModelArts for Games 也給出了一些用例，其中內建了最成熟的，按遊戲類型劃分的算法，這些方案很多都曾在資料競賽中獲得過好成績。針對 AI 新手，華為雲還開放了超過 10 個全代碼 AI 教程，滿足客戶培養團隊、快速提升 AI 團隊能力的需求。
諾亞方舟實驗室的研究人員認為，ModelArts 在遊戲 AI 的多樣化生成、NPC 訓練、自動化測試等方向上都展現出了廣闊的應用前景。
為遊戲開發者賦能
帶來更好的使用者體驗
在強化學習技術真正落地的時候，AI 的目的不是打敗玩家，而是要陪更多的玩家，帶來更好的體驗。ModelArts for Games 擁有較強的能力，面向所有遊戲開發者，不論是大廠還是小工作室推出的遊戲，都能在其上獲得适合的技術。
華為雲 AI 團隊目前已經協同衆多遊戲開發者實作了遊戲 AI 技術的落地。目前，網易伏羲、西山居、數字天空都在與華為雲 ModelArts for Games 進行項目合作，并且取得了階段性成果。
首先，華為雲 ModelArts for Games 可以幫助開發者們選擇最适合自身遊戲場景的算法，降低開發人員應用 AI 的門檻。
在西山居正在研發的一款遊戲中，開發者們與華為雲的研發團隊共同打造了基于強化學習算法的 AI 機器人，在對戰的水準、政策選擇方面都比傳統遊戲中的 AI 機器人更加強大。經實際遊戲測試，通過華為技術訓練的 AI 與内置 Bot 對抗 4664 局，勝率達到 95%。而與專業玩家對戰時，勝率可以五五開。
如果遊戲開發團隊擁有自行研發 AI 技術的能力，華為雲也可以提供強大的 AI 算力，并幫助他們将算法模型商業變現。
網易伏羲擁有自己的人工智能實驗室，其在計算平台和強化學習方面和華為雲進行了深入的合作。
在谷歌與英超曼城俱樂部在 Kaggle 平台舉辦的首屆 AI 足球世界杯上，網易伏羲強化學習團隊的 AI 在上千隻團隊中斬獲亞軍，其接近專業教練的 AI 戰術布局能力，讓人們看到了「AI + 足球」的巨大潛力。
在比賽時，根據賽場實時狀況，AI 機器人通過訓練可實作目前高水準足球聯賽中流行的高位逼搶戰術，攻守轉換也非常快。在針對不同玩家時，AI 可展現進攻、防守等不同風格，帶來相比以往更加真實的體驗。
網易伏羲 AI 的定位球打法也讓主辦方印象深刻。曼城俱樂部母公司、城市足球集團資料洞察和決策技術總監 Brian Prestidge 表示，網易伏羲 AI 所采用的定位球政策，與現實比賽中專業教練的定位球戰術非常相似。
現在在 ModelArts 平台上，人們已經可以利用華為雲大規模異構叢集訓練和線上實時推理打造不同遊戲場景所需要的智能 NPC，節省了正常遊戲開發過程所需的大量時間。
除了生成高智能的 NPC，諸如内容生成虛拟人、智能美術等等也是 AI 應用的方向，已經出現了越來越多的需求。
作為雲服務「基礎設施」的提供者，華為雲的 ModelArts for Games 能在 AI 能力領域帶給遊戲公司更大助力，讓他們能專注于遊戲研發，而不會被應用 AI 技術的門檻所困擾。
連結數字創意産業上下遊夥伴
激發行業新未來
華為雲遊戲 AI 解決方案，讓數字創意開發者不必在基礎設施上耗費時間，可以專注于内容制作等核心環節。而在 12 月 29 日舉行的華為雲 & 華為終端雲服務創新峰會 2022 上，在現場分享遊戲創新的迷你創想，依據華為雲 3D Modeling Kit AR Engine 則實作了低代碼創作、AI 智能創作，基于華為雲重構現實場景的實體應用，實作了場景多元創作。
這是一個協同共創的時代，産業數字化的顆粒度、複雜度與長周期決定了沒有任何一家企業可以獨自成功。共建生态、融入生态是必由之路。縱觀未來，整個數字創意産業，更加需要産業鍊上下遊協同進步。
雲、AI、5G 将加速應用從端側向雲端彙聚，加速流化，加速實時互動；影視與遊戲制作逐漸融合，雲渲染加速國産遊戲向高品質發展；數字人技術發展迅速，通過雲 + AI 自動建構遊戲世界；雲遊戲與直播深度結合，使得直播互動帶來巨大變革；
技術與生态的融合發展，将牽引中國國産遊戲快速向高品質發展，更多優秀内容脫穎而出，加速自我淨化、産業革新。在這過程中，華為雲正在成為衆多數字創意開發者、服務者的最佳夥伴。