想开发出一款爆款游戏，是一件难度极高的事情，不仅要有精妙的内容设计，精致的光影效果，自然的动画建模，还要投入相当多的资金和时间。
现在，美国游戏公司艺电（EA）正在与加拿大不列颠哥伦比亚大学（UBC）合作，尝试在游戏开发中引入强化学习技术，用于制作角色模型和动作控制系统，希望可以让 AI 学会制作游戏角色，使其行为模式更加逼真，同时简化和加速游戏研发流程。
研究团队通过强化学习和深度生成模型 Motion VAE（变分自动编码器），在没有使用传统编程和动画制作的情况下，生成了可控的足球运动员角色，能够做到跑动、传球、射门和头球等动作，行动流畅自然，基本符合人类的运动模式。
EA 高级软件工程师法比奥 · 钦诺（Fabio Zinno）认为，这项研究成果非常令人鼓舞，体现了 AI 拥有的巨大潜力。该研究成果将于今年 7 月在 SIGGRAPH 2020 计算机图形大会上发布。
图 | AI 生成的折返跑和头球动作（来源：Character Controllers Using Motion VAEs/ACM）
通常来说，制作电子游戏中的角色及其动作需要花费大量时间。
以 FIFA 一类的体育游戏为例，为了呈现逼真的动作，需要用到动作捕捉技术来追踪真人的面部和肢体动作。不过这种方法局限了动作的可能性，游戏角色只能表现出已记录的动作，而且还需要大量的编程工作，为游戏角色制作动画。
基于这点，EA 和 UBC 的研究人员才看中了人工智能技术，希望可以自动化动画设计过程，让 AI 代劳去制作带有目的性的动作模式，比如射门和带球跑动，还要允许人类控制。
为了制作角色，研究人员训练了一套机器学习模型，用来识别和复刻运动捕捉数据中的统计学模式。例如跑步这种动作，对应着一系列有规律可循的数据点，那么反过来看，出现这些数据就说明人物在跑动。所以如果 AI 能够实现特定的数据排列，就可以控制人物跑动。
随后他们又使用强化学习技术训练了另一个模型，负责重现带有特定目标的真实动作，比如在游戏中向一个球跑过去。在这个过程中，模型会生成不拘泥于动作捕捉数据的动画模式。
图 | AI 可以进行多种目标不同的行动
换句话说，这套模型能够学习足球运动员是如何运动的，然后自发地制作角色的慢跑，冲刺，带球跑动和过人等动作的动画。全程无需人类介入，也不涉及传统的编程和动画制作流程。
纽约大学教授朱利安 · 图吉利斯（Julian Togelius）表示，“我认为将动画制作程序化将是一件大事。这项技术绝对有很多不同的用途。利用强化学习可以实现自动化和流程化，这将改变游戏内容的创造方式。”
EA 的研究人员强调，利用机器学习技术开发游戏或者加速游戏制作过程，广泛适用于动作和角色扮演类游戏，可以让游戏内容更具拓展性、随机性和创造性。同时这种方式还可以提高设计效率，对于构建日趋复杂的游戏世界以及建模和动画制作流程意义重大。
不过研究团队也清楚，对于游戏业界来说，距离广泛普及 AI 生产力工具还有很长的路要走，至少要数年的时间。
根本原因在于，一些机器学习算法难以理解和调试，独立游戏制作人和小型工作室可能缺乏足够的资源，心有余而力不足。而对于投资巨大的 3A 级游戏来说，贸然尝鲜一旦失败，后果十分严重，哪怕在中途转型传统技术，也会背负巨大的心理和资源压力，造成一种得不偿失的现象。
幸运的是，现在仍然有团队愿意尝试相关研究。
最近，在经典游戏《吃豆人》发行 40 周年之际，英伟达，多伦多大学和麻省理工学院的研究人员就推出了一个 AI 复刻制作版本。通过一个名为 GameGAN 的模型，AI 仅仅通过观看 5 万场吃豆人游戏，就学会了制作一个简易复刻版，虽然清晰度不高，但加入了 AI 生成的新场景。
图 | AI 制作的复刻版《吃豆人》
最重要的是，AI 没有获得任何游戏源代码，也没有使用底层游戏引擎，而且是在对规则一无所知的前提下，完成了对游戏模式的复制。
结合 EA 与 UBC 团队的研究成果不难发现，在游戏开发和动画制作领域，AI 技术的确具备进一步挖掘的潜力。
UBC 教授 Michiel van de Panne 表示，团队的下一步研究是利用强化学习在符合物理规律的虚拟环境中训练非人类游戏角色。这比基于动作捕捉数据训练 AI 更加困难，因为这种思路就像是让 AI 学会从零创造全新的动画，同时也很难量化玩家的喜好。
“我期待看到真正可以充分发挥 AI 创造动画能力的东西，” van de Panne 教授表示，“这一天终将到来。”