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。