文章来源：
https://www.yystv.cn/p/12114[240922]AI游戏引擎生成《毁灭战士》，为什么震撼了欧美游戏界
想象着类比一下，大概就是AI做出了《仙剑奇侠传》的感觉吧。
上个月，谷歌的AI开发团队DeepMind公布了首个“AI游戏引擎”GameNGen，正如其名字所暗示的，这个“游戏引擎”依靠的是新潮的“神经网络”也就是俗称的AI来生成游戏画面。
而这个AI引擎的第一个成果，就是3D射击游戏的标杆作品:《毁灭战士》（DOOM）。
这件事一时间在欧美游戏圈成为了人人在讨论的话题，不论是开发者还是普通玩家，都将这视为AI技术在游戏领域发展的又一标志性事件。
以旁人的视角来看，这种讨论风潮其实更多是基于当地玩家对于《DOOM》的情怀。但事情也并非只是这么简单。
1
谷歌技术团队选择《DOOM》的原因不难猜测，DOOM作为现代3D射击游戏的老大哥，很多设计理念堪称现代3D游戏的教科书，如果能顺利重现《DOOM》中的各种设计和机制，那么意味着AI足以驾驭相对复杂的3D游戏场景。
另一点则是《DOOM》作为老游戏，对于硬件要求很低，以至于有一部分爱好者热衷于用各种带有屏幕的电子设备游玩《DOOM》，对于AI“游戏引擎”来说，运行《DOOM》的难度显然也比动辄4K的现代3D游戏要现实很多。
《DOOM》甚至能在计算器上玩
不过，这个“微波炉和计算器都能运行的游戏”对于算力充足的AI来说依旧是个不小的挑战，其主要原因是基于AI的GameNGen采取的是一条截然不同的道路。
于一般的游戏制作来说，游戏的开发人员会预先将关卡的地图制作好，并通过游戏的3D引擎进行渲染，最后将实际的游戏画面呈现在玩家面前。在这个过程中，游戏的3D引擎并不需要做什么“主观创新”，只要老老实实将相对抽象化的关卡数据“翻译”成直观易懂的画面即可。
玩家眼里复杂的地图，在引擎眼里只是各种参数和抽象线条
而GameNGen这个AI模型则正好相反，它要根据现有画面和玩家的输入，通过自己对于《DOOM》的理解，去“即兴创造”出后续的游戏画。从逻辑上，更像是在玩桌面RPG时，DM靠自己的创造力和游戏理解，向玩家们描述场景和接下来遇到的敌人，只不过GameNGen这个“DM”靠的不是用文字和语言叙述，而是通过快速画图，给玩家看一段可以实时交互的动画。
从结果来说，GameNGen的表现着实超出预期。谷歌的团队放出了内部测试时的实机试玩，能看到AI引擎的确理解了复杂的游戏规则，正确地识别玩家做出的移动、开火和交互，射击会消耗子弹，敌人会被正确击杀，甚至在酸液池这种特殊地形上也会有持续扣血的效果。此外，开门和拾取道具等要素也基本都做了出来，很多时候乍一看就是DOOM。
更难能可贵的是，GameNGen能实现每秒20帧的刷新频率，虽然20 FPS这个数字在大多数玩家眼里是难以接受的低帧数，但如果考虑到一般的作画AI往往需要数秒甚至半分钟才能做出一张图片，每秒20张图且能根据玩家的实时交互而随时做出改变，已经是非常傲人的成绩了。
不仅如此，GameNGen的团队表示他们还尝试将团队试玩AI版DOOM的部分画面剪辑出来，混在DOOM原版的试玩片段中，让10名人类测试者判断哪一边是AI版DOOM，哪一边是原版DOOM，最终人类识别的正确率是60%左右。即，有40%左右的AI版DOOM画面成功瞒天过海，混到了原版之中。
2
为了让GameNGen做到这种效果，开发团队也的确花了不少心思。
GameNGen的运行方式并不难理解，每一帧的新画面，都是AI通过前4帧的画面进行“预测”而来的，和很多视频生成类AI有着相似的原理。不过为了防止AI天马行空地瞎画一气，需要AI本身对于DOOM有着充分的理解，也就是经常在AI相关话题中提到的“AI训练”，这个过程往往需要巨量的素材来帮助AI构建一个基本概念。
左侧的四幅是游戏中刚刚经过的四帧，中间是AI预测的下一帧画面，右侧则是实际的画面
根据谷歌开发团队的文档，GameNGen用了超过9亿帧的DOOM实机画面进行训练，如果换算成人类的话差不多相当于不眠不休看了近一年的DOOM，这也让GameNGen成为了不折不扣的“DOOM云领域大神”。
当然，这么种数量级的数据绝非是真人玩家能慢慢打出来的，为了能让GameNGen获取足够的素材，谷歌团队还给它准备了8个专门玩DOOM的AI，高强度地在那里打DOOM积攒素材。一些网友开玩笑说就像是GameNGen在追8个AI Vtuber的切片录播。
而针对这几个“打机”AI，团队也设计了一套赏罚机制：受击、死亡就会扣分，而击中、击杀敌人则会加分，团队还希望几个AI能像人类一样“舔图”，给了发现秘密地区和长距离移动探索等行为一定的加分。
谷歌团队设置的赏罚标准
生成DOOM画面的是很多人都熟悉的Stable Diffusion，这是个可以将文字转化为图片的AI绘图模型，不管是以假乱真的照片还是漂亮的二次元小姐姐都不在话下。但正如前文提到的，这类绘图AI的生成速度并不快，尽管DOOM的分辨率只有320x240，想要达到能玩的标准，还需要进行一些修改。
他们将Stable Diffusion生成图片的步骤从原本的20步缩减成了4步，大幅加快了出图的速度。由于DOOM的画面相对简单，在这种情况下，虽然很多画面的细节被扭曲成了奇怪的色块，却依旧能大致分辨出画面上的元素。
在这个基础上，谷歌的团队进一步精调了解码器，让生成的结果更接近实际的画面。
左侧为调整解码前SD生成的图片，中间为调整后，右侧则是实机上的原始效果
从结果来说，GameNGen的确做到了挨打会扣血，开枪能杀怪，敌人也会在屏幕上做出相应的移动、攻击，但从团队放出的更多花絮视频来看，距离AI取代游戏设计师还差了很远。
3
像很多AI模型一样，GameNGen也有着各种各样的抽象绝活。
首先一个问题就是，它的记性不怎么好，从团队给出的数据来看，GameNGen只能记住过去3秒的图像信息，对于单个敌人的瞄准射击来说的确绰绰有余，但对于整个游戏关卡来说就显得力不从心了。
比如在一段录像中，我们看到游玩者打开了一扇门，击杀了位于门后的两个敌人。由于游玩者并没有选择直接进入新房间，反而是转身在原房间中又绕了两圈，等到游玩者再次打开刚才的大门时，门后的敌人“死而复生”，再次发起了攻击。
像是剩余备弹这种相对稳定的数据，AI有时候也会莫名“抽风”
实际上，在前文提到只有60%正确率的人类测试中，所有的游戏影像都被控制在了3秒之内，避免了AI穿帮。
另一方面，基于前四帧进行预测生成的画面，也有诸多不稳定之处。当敌人位于远方时，AI一会认定那个小的褐色色块应该是一个持枪的敌人，一会又认为那不过是后方墙体的贴图，导致屏幕上出现的是一个不断变换的褐色烟雾，直到游玩者走近后才“定型”。
一些场合下，枪口火光、远处背景和敌人本身的色块混在一起，让陷入混乱的AI呈现出了不真切的梦幻感
而走到一些过于黑暗、辨识度不高的场景时，GameNGen疑似还出现了“鬼打墙”的现象，有可能是因为记录的过往画面过于相似，无法让AI正确地判断出玩家的位置和方向。
总体而言，比起“在AI引擎上玩DOOM”，GameNGen目前的表现更像是“做了一场在玩DOOM的梦”，虽然看上去煞有其事，但并没有办法像真正的电子游戏一样，有着一以贯之的客观逻辑。
结语
在过去几年，我们见证了人工智能技术的高速发展，就在几年前，AI绘图还是连手指都画不明白的人工智障，如今，AI不仅能画出精美的图片，也可以生成数十秒的视频，弄出绘声绘色的配音。而现在甚至开始能当游戏引擎了。
各行各业的从业者，对于AI的发展也是五味杂陈，一方面它们作为工具的确能提供不少的帮助，提高从业者的生产力。比如在前阵子德国举办的Devcom开发者论坛上，根据部分机构的调研披露，从业者中最常使用AI的岗位恰恰也正是目前反对声最大的美术相关人员；
另一方面，每个人又确实在担心自己的工作会不会有朝一日被AI靠着低成本和高迭代给抢走。在不久前，因担心自己的形象被3D扫描和AI配音替代掉，不少游戏演员们参与了罢工。
谷歌公布的GameNGen，从目前来看还十分稚嫩和原始，不管是谈助力或是威胁都为时尚早，但在技术高速发展的今天，谁又说得好几年后又会是什么样子呢？
