DeepMind AI 修練成精了，已經學會「發脾氣」？
作者 雷鋒網 | 發布日期 2021 年 08 月 12 日 8:00 |
DeepMind 又在「捏小人」了！這群小人是英國人工智慧實驗室 DeepMind 生產的 AI，不過只能在遊戲裡看到。但你可能不知道的是，DeepMind 還訓練過 AI 下象棋、玩足球、比電競，甚至提出人工生命言論。
最近這群AI，竟然能直接跳過數據訓練，在開放式任務環境自我進化。
之前Alpha Go和Alpha Star能力再強，也只能在各自擅長遊戲放大招，超出範圍立刻停擺。現在這批小人卻能在不同遊戲游刃有餘完成任務，展現超強的泛用能力。難道人工智慧治好泛用「頑疾」了？
在搶奪高地金字塔的任務，兩個不同顏色的小人能力值相當，都沒有跳躍能力，開始發脾氣亂扔東西，混亂中竟把其中一塊板子「扔」成樓梯，長驅直入，任務完成！
多次實驗發現，小人可複製方法，難道這群AI有記憶了？不僅如此，小人還學會「相對運動」──我上不去，你下來──借助板子直接把目標拉下來！甚至為了贏得比賽，多個小人學會配合，團體合作能力一直上升。
這種用虛擬遊戲自我進化的AI，僅需人為搭建任務環境，設計大量任務目標，利用加強深度學習，一步步打通關，最終成為十八般武藝精通的AI。
沒有樣本，沒有經驗，這些AI究竟如何進化，零樣本學習是否意味這些AI具備基本的「自學意識」？
社會達爾文主義訓練場
比起之前的足球場，這批AI的訓練場更像遊戲「社會」，有無數個遊戲房，每房間遊戲照競爭性、平衡性、可選性、探索難度分類。不管哪種任務，這批AI都只能從最簡單開始，一步步解鎖更複雜的遊戲，整個遊戲更像虛擬社會。
無需大數據集訓的AI，每玩一次遊戲就成長一次，與各種環境互動和「獎勵」下成長為更通用的AI，更像人工「生命」。
能讓AI自我進化的關鍵在於正確設計初始智慧和進化規則。一開始都非常簡單，所有複雜結構都是進化而來。就像嬰兒不會做大人的事，任務核心是不要超出AI自身的改進能力。
據DeepMind說法，每個AI會在4千間遊戲房玩約70萬個遊戲，並在340萬個任務經歷2千億次訓練步驟。1億次步驟約耗時30分鐘。照這訓練法，41天就能訓練出一群「成年」AI。
但AI還是不會思考
DeepMind表示「單AI可開發智慧成多目標，不僅一個目標」。AI公司Pathmind 的CEO Chris Nicholson也說「它學到的技能可舉一反三。例AI學習抓取和操縱物體，就能完成敲鎚子或鋪床任務。DeepMind正用程式設計為AI在這世界設定目標，這些AI正在學習如何掌握。」
但南加州大學計算機科學副教授Sathyanaraya Raghavachary表示，這些AI並不能定義為「生命」，尤其關於AI擁有身體感覺、時間意識及理解目標幾個結論。「即使人類也沒有完全意識到身體這件事，更不用說人工智慧了。」
他表示，活躍的身體對大腦不可或缺，大腦要放在合適的身體意識和空間位置內進化。如果AI能理解任務，何必需要2千億次模擬訓練達到最佳結果？總體而言，虛擬環境訓練的AI只是和以往AI「大同小異」。
從理論到現實的路還很長
狹義人工智慧是「複製人類行為的元素」，在計算機內執行某種任務，如分類圖像、定位照片物件、定義對象邊界等。這些系統旨在執行特定任務，而不具解決問題的一般能力。
相比之下，Deepmind使用的「通用人工智慧」有時也稱為人類等級人工智慧，因可理解上下文、潛台詞和社會線索，甚至認為可能完全超過人類。
但正如行為主義和認知主義的對抗，AI是否有解決問題的能力，並不能只考慮統計結果。善於「事後解釋」任何行為，實驗室之外還是無法「預測」哪些行動即將發生。
資料來源：https://technews.tw/2021/08/12/is-deepminds-new-reinforcement-learning-system-a-step-toward-general-ai/?fbclid=IwAR0xofCay9Ydy83BfQ_7lyEtfGvJroFfCznxiTxYIHP6HUFWpELClQPFs28
遊戲開發自學 在 [請益] 大學期間自學遊戲程式的方向與一些問題 的推薦與評價
第一次發這種問題，圖有點多，希望排版不會太差。
大家好，這個問題在開始了解寫遊戲的技術後就一直在想，想得越來越負面，所以想請教
版上，我先自我介紹一下。
讀高職的時候參加高職的全國程式比賽有得名，但沒有前3，加上當時不喜歡為考試讀書
，在校成績很差，也沒去考大學聯考統測，完全只靠推甄需要的比賽成績+在校成績來推
學校，現在是後段國立科大資工大一。
在準備比賽的時候開始接觸到一些基本演算法，就在那時候開始了解寫遊戲需要的知識，
如基本向量跟繪圖，嘗試從0開始用C#跟JS寫了一些小遊戲
最一開始寫的C#小遊戲
JS寫的彈幕遊戲
寫一寫開始想要有更逼真的碰撞跟3D，所以開始下關鍵字找Physical simulation、3D，
但那些文章對我來講都太困難了，只找到分離軸碰撞檢測(Separating Axis Theorem)、
基本的3D視角轉換、基本圖學的畫線畫圓算是當時應付得來，也為了寫這些回頭好好學
向量跟三角函數，開始自建簡易的向量函示庫完成一點成果。
基本旋轉變換
QuadTree的碰撞優化
那個時候就開始在想，自己寫這些到底是希望設計遊戲，還是實作遊戲，然後就發現的
CJCAT、一個在日本SQEX跟CAPCOM的文章，越來越覺得自己希望走實作遊戲的部分。
也越來越清楚要學甚麼，也知道這些東西學了有什麼用，像是微積分、線代、統計機率、
圖學、物理模擬、軟體架構、演算法等等。
感覺遊戲特效模擬的東西反而偏向科學綜合，需要有扎實的數學物理，還要有扎實的電腦
科學知識，像是作業系統、GPU架構、演算法等等，才能配合理論完成實作，所以也很好
奇走遊戲領域要不要念研究所，因為真的是很多領域都有。
也因為寫過那些小遊戲後，感覺到自己底完全不夠，很清楚大學應該是要好好打底的階段
，然後我的很煩惱的問題就在，學校沒有圖學相關的課程，都教網頁開發居多，課程深度
個人覺得不夠，每天去學校上課都覺得自己離cjcat的經歷越來越遠，雖然知道學校只是
引路人，最後還是要靠自己學，但按照我之前教朋友寫程式的經驗，有人在前面帶的學習
成效真的快非常多。
也不曉得是不是PTT看太多，像是沒四大就進不了Ic design house，後面想想也清楚IC開
發需要多深的技術底，所以只收四大也不是很意外，然後開始覺得自己只是後段學店，是
不是大學四年就算自學遊戲開發的這些東西，也比不上台清交有教授指導的同學程度，然
後因為學校太差推不上前段圖學相關研究所，最後只能去順勢走機會最多的前後端網頁開
發，變成吃不飽餓不死，開始感嘆自己之前沒努力考大學的人。
就像這篇文下面一些朋友一樣，最後都轉去別的領域:
https://www.ptt.cc/bbs/Soft_Job/M.1519789119.A.1C4.html
最後想問的問題是:
1. 走遊戲特效模擬之類的，需要需要往上讀研究所嗎
像是之前的這個大大就事先讀研究所再去日本專門學校，
https://www.ptt.cc/bbs/GameDesign/M.1460214009.A.A8C.html
CJCAT則是台大畢業後去DigiPen
2. 如果想要走遊戲開發是不是一定要出國到美國或日本
3. 如果我繼續自學的話會建議怎麼規劃學習路徑
像是目前規劃是先學好微積分、線性代數跟物理，然後分兩個領域學，一邊是圖學跟2D物
理模擬，另一邊是學演算法解UVA題目、作業系統、計算機架構之類的...，期間都好好學
英文跟日文，這些大方向我目前算是知道，但細部都不是很清楚。
4. 目前寫過的東西幾乎每個都從0開始造輪子，現在也在嘗試模仿2D的簡易遊戲引擎框架
，像是動畫、攝影機視角、碰撞體、物體繼承架構規劃、場景管理，每個功能自己想都花
很多時間，有時不太會下關鍵字，導致有些功能還只是用很爛的解法頂著用，但很多科技版、
軟體版都說沒事不要造輪子，我這樣是不是在浪費時間
5. 如果走遊戲開發，是不是賭注很大，感覺台灣工作機會不多
6. 因為自已平常只是用JS的Canvas元件繪圖，會比較推薦學C++或C#寫OpenGL/DirectX，
接Unreal/Unity，還是繼續用JS寫WebGL
非常感謝各位願意看完我的問題。
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 118.170.9.28
※ 文章網址: https://www.ptt.cc/bbs/GameDesign/M.1556336129.A.EF5.html
※ 編輯: md9830415 (118.170.9.28), 04/27/2019 11:39:50
※ 編輯: md9830415 (118.170.9.28), 04/27/2019 11:44:10
※ 編輯: md9830415 (118.170.9.28), 04/27/2019 12:06:12
※ 編輯: md9830415 (118.170.9.28), 04/27/2019 12:07:45
※ 編輯: md9830415 (118.170.9.28), 04/27/2019 12:18:35
... <看更多>