APP下载

Google发布游戏测试AI的训练工具,借由多代理快速找出游戏错误

消息来源:baojiabao.com 作者: 发布时间:2026-02-14

报价宝综合消息Google发布游戏测试AI的训练工具,借由多代理快速找出游戏错误

Google发表一项新的机器学习方法,来让游戏开发人员有效训练游戏测试代理,以快速找到游戏中严重的错误,使得人类测试员能够将心力放在更复杂的问题上。这个解决方案并不需要专业的机器学习专业知识,而且适用各种流行游戏类型,Google开源了Falken函式库来展示这项技术,游戏开发者能够快速地训练足以游玩自家游戏的人工智能代理。

由于过去20年运算和网络技术的进展,使得游戏作品越来越复杂,从过去简单的线性关卡,已经演变到无穷尽的开放世界,游戏具有丰富的多样性,且随着互联网的扩展,也促使了线上游戏发展,Google提到,游戏复杂度的成长速度,已经超过目前测试团队和传统自动化测试的能力范围,这些限制使得游戏品质出现挑战。

而机器学习技术的进步,展现了能够解决测试问题的潜力,目前机器学习技术已经能够协助游戏设计师平衡游戏,还能让美术人员在短时间产出高品质的作品,另外,运用机器学习技术,也能训练出可与人类抗衡的人工智能对手。

游戏开发人员的营运环境刚好有益于机器学习技术应用,因为能够直接存取游戏程式,还能简单取得许多高手的示范资料等。Google考量这些特性,发展出了一个机器学习系统,来协助游戏开发人员有效地测试游戏。

Google提到,测试游戏的最基本的形式就是游玩游戏,其中许多严重的错误,包括程式崩溃或是掉出世界地图,是很容易侦测和修复,困难的是要在广泛的游戏状态空间中触发这些错误,而能够大规模游玩游戏的机器学习系统,便能帮上忙。

测试游戏最有效率的方法,并非训练单个能将游戏从头玩到尾的超级代理,而是要训练一组游戏测试代理,每个代理能够有效地游玩数分钟的任务,这数分钟的任务被称为游戏循环,Google提到,在商业游戏实务中,通常透过重复和混合核心游戏玩法,来创建更长的游戏循环,因此开发人员也可以将机器学习策略,结合简单的脚本,来测试大量的游戏玩法。

但要将机器学习应用到游戏测试的一大挑战,是要克服以模拟为中心的电动游戏,与以资料为中心的机器学习技术间的障碍,而Google开发出来的这个系统,不需要开发人员将游戏状态直接转换为低阶的机器学习功能,或是从原始画素中学习,而是提供开发人员简易的API,根据玩家能观察到的基本状态,以及可以执行的语义操作来描述游戏,所有的这些资讯都是游戏开发人员熟悉的概念,像是3D位置和旋转、实体以及射线等。

开发人员可以使用高阶语义API描述观察和操作,系统也能灵活地适应各种游戏,游戏开发人员所选用的API建构模块,会影响测试系统选用的神经网络架构,像是依据使用数字按键或是摇杆控制,以不同方式处理动作输出,或是使用影像处理技术来处理使用射线探测环境的结果。

由于API足够通用,因此可以对应常见的控制方法,像是第一人称、第三人称、赛车游戏甚至是双摇杆射击游戏等,而且因为3D移动和瞄准通常是游戏重要的一部分,因此Google创建了能够执行瞄准、接近和回避等简单行为的神经网络,Google提到,系统会透过分析游戏控制方法,来创建神经网络层,以实现基本的行为,像是物体的位置和旋转,会自动转换成玩家视角的方向和距离,来加速学习,并且提高学习网络的泛化。

在生成神经网络架构后,还需要有训练算法来训练神经网络游玩游戏,Google选用模仿学习(Imitation Learning,IL)技术,透过观察专家玩游戏来训练机器学习策略。不同于增强学习技术需要自己创造出好策略,模仿学习只需要重建人类专家的行为就足够。系统让游戏开发人员可以扮演游戏专家,展示玩法给神经网络学习,并且随时切换为观看模式,观察机器学习系统游玩。

Google发布Falken开源函式库,供游戏开发者启用服务,来训练人工智能代理游玩他们所开发的游戏,由于代理透过观察人类即时的行为来学习,因此开发者不需要有机器学习专业,可以简单上手。

2021-06-30 20:02:00

相关文章