現在，無論你是不是相關從業人員，你一定已經聽過“ChatGPT”的大名了。作為美國人工智能研究實驗室 OpenAI 開發的人工智能模型，ChatGPT 能夠通過人類自然對話方式進行交互，“理解”用戶輸入的文字信息，并根據用戶的指令完成多種不同的任務，例如自動文本生成、自動問答、自動摘要等。
不僅如此，ChatGPT 還能寫出媲美真人作者的專業文章，用清晰詳細的答案解答用戶提出的問題，甚至還能編寫和調試計算機程序。《紐約時報》稱之為“有史以來向公眾發布的最強 AI 聊天機器人”。利用 OpenAI 最新放出的 ChatGPT API，程序設計師只需一行代碼，即可將 AI 嵌入網頁、應用程序中。
而這一切，都有賴于 ChatGPT 背后的大型語言模型——基于轉換器的生成式預訓練模型（Generative Pre-trained Transformer，GPT）。
按照《中國科技術語》副主編，計算語言學家馮志偉教授的說法，“ChatGPT 通過大規模的機器學習，把能獲取到的人類書籍、學術論文、新聞、高質量的各種信息作為學習內容……從語言大數據中獲取豐富的詞匯、語法和語義知識，是深度學習時代自然語言處理研究的最重要的神經網絡模型。”
01
GPT 終于進入游戲領域了
隨著 ChatGPT 被越來越多的開發者應用，現在它還能用于音樂、繪畫、乃至醫學研究等不同領域。當然，除了這些，游戲也是開發者們重點關注的一大領域。
近日，來自哥本哈根信息技術大學（IT University of Copenhagen）的研究者發表了一項新的研究成果，為 ChatGPT 模型在程序化內容生成（Procedural Content Generation，PCG）領域開辟了一個新的方向——利用大型語言模型，將自然語言的描述文字轉換成實際可玩的“超級馬力歐兄弟（Super Mario Bros.）”游戲關卡。
無獨有偶，幾乎在同一天，紐約大學坦登工程學院（NYU Tandon School of Engineering）的研究人員為了驗證此類語言模型在生成非語言類作品方面的潛力，也發布了一篇利用大型語言模型自動生成”推箱子“游戲關卡的論文。
02
GPT 是如何做游戲的？
哥本哈根信息技術大學的研究者以 GPT-2 模型為基礎，利用它預測、生成后續文本的能力，將原版”超級馬力歐兄弟“1 代、2 代中的 37 個關卡作為訓練數據“喂”給 AI，訓練出熟悉超級馬力歐游戲關卡組合特征的“MarioGPT”AI 模型。
在這個模型中，游戲關卡中的各類元素都被編碼為不同的字符，每個元素占據游戲中的一個方格，而關卡內容以一個方格寬的豎列為單位，從左往右組合成完整的關卡。

游戲關卡內各類元素的編碼及對應圖標，圖片來源：參考資料[1]
在生成關卡時，研究者先將一個包含頭 50 列內容的“種子”輸入 AI，由 AI 根據給定的“提示詞（Prompt ）”，按照現有內容，從左往右逐列生成各類地形。
提示詞就是普通英語單詞，描述關卡中敵人、管道、磚塊的數量，以及關卡地形的總體高度差變化水平大小等。
給定的提示詞將影響處理過程中各類元素的權重，進而影響最后出現在關卡中的地形特征、管道數量、敵人的分布，最終生成用戶所指定的關卡風格。
不同提示詞下生成的地圖，a. 許多管道、許多敵人、較少方塊，高度差小；b. 較少管道、較少敵人、許多方塊，高度差大；c. 許多管道、一些敵人；d. 沒有管道、沒有敵人、許多方塊。圖片來源：參考資料[1]
最后，為了評估 AI 生成的關卡質量，研究者對生成關卡的準確性和可玩性進行了定量分析。以往用其他深度學習方式生成的關卡，其準確率僅有約 46%，而 MarioGPT 生成內容與輸入的提示詞相符的比例超過 90%。利用第三方AI對關卡可玩性進行評估的結果顯示，88.33% 的關卡都是實際可過關的。

利用研究人員發布的開源 MarioGPT 代碼生成的部分關卡。圖片來源：羅澍
為了讓大家實際體驗 MarioGPT 設計關卡的效果，研究者還在網上發布了一個在線示例，任何人都可以在頁面上直接下命令實時生成關卡，甚至還能試著親手闖關。
研究者發布的示例頁面截圖
與之類似，紐約大學坦登工程學院的研究者也將 282 個人類設計的推箱子關卡（Microban）錄入AI的訓練數據，輔以 43.8 萬個利用深度學習制造的 10x10 關卡（Boxoban），讓 AI 生成與訓練數據完全不同，但確實有解的推箱子游戲關卡。
左邊是生成的新關卡，和右邊的訓練數據略有不同，但也有解。圖片來源：參考資料[2]
03
在 AI 介入前
游戲也有自動生成關卡
對于大部分游戲玩家來說，“自動生成游戲內容”“自動生成游戲關卡”并不是什么陌生的事情。比如 2016 年推出的一款太空探索游戲《無人深空》，就是自動生成游戲內容的最大案例。它使用程序生成算法，動態生成一個據稱可包括數以億計可探索行星的開放式宇宙。游戲中的星系、行星及其生態系統、動植物及其行為模式、人造結構，外星派系及其航天飛船等幾乎所有游戲元素都由程序生成。
但這個生成系統的模式是固定的，不同玩家在離線狀態訪問同一個坐標位置的行星時，系統生成的將是各種屬性都相同的行星。此外，許多批評者認為，游戲中生成的行星雖然外觀貼圖千變萬化，但游戲性同質化嚴重，內容簡陋，除了貼圖外基本千篇一律。
暴雪娛樂 2000 年發售的經典動作角色扮演游戲《暗黑破壞神 2》，在各個關卡的大部分地區內，地圖場景都是隨機生成的，每次讀檔進游戲都會生成一套新的迷宮地圖，在保證每個大章節內部野外區域無縫聯通的情況下，盡可能增加了支路和地下城內部場景的多樣性。之后的續作《暗黑破壞神 3》也很好地繼承了這一特性。
此外，各種沙盒建造類游戲，例如《泰拉瑞亞》《我的世界》等，每個新的“世界”存檔，都會根據隨機“種子”生成包含各類元素的完整游戲世界，等待玩家前去探索。
04
GPT 生成的游戲場景
有何創新之處？
雖然利用 GPT 模型生成隨機場景的人工智能模型目前還處于初級階段，但它已經在程序化內容生成方面展現出自己的無限潛力。
首先，以往的游戲中采用純隨機的方式生成游戲內容，往往不太合理。如早期的《無人深空》中，生成的生物千奇百怪，但零件拼湊的痕跡相當明顯。而使用 GPT 模型生成內容時，借助語言模型對上下文的理解和對關聯性的預測能力，可以生成相對合理、符合一定特征的內容。因此在使用 GPT 生成游戲內容時，可以更加穩定地輸出合理化的場景、生物。
其次，GPT 模型生成場景的豐富度遠超固定隨機算法。通過將新穎性搜索（Novelty Search）算法納入機器學習中，可以有效地讓人工智能在保證合理性的前提下，盡可能創造出更豐富的變化。
同時，比起只能簡單調整出現比例的隨機算法，GPT 能讓用戶以自然語言的方式描述所需的結果，直觀快速地讓最終輸出的內容符合用戶的要求。
最后，GPT 模型可以方便地進行微調，以適用于不同的任務。過去使用深度學習生成內容的生成式對抗網絡（Generative Adversarial Network，GAN）算法，在訓練時需要更大量的學習、迭代，同時需要調整神經網絡學習過程中的各類底層參數。而如今 GPT 模型僅需要相對少量的訓練數據，就能實現對模型的微調與定制，快速生成任務所需的人工智能模型。
05
ChatGPT
程序生成游戲的未來？
以 ChatGPT 為代表的大型語言模型，不但具有強大的處理人類語言數據的能力，還具有高度的通用性，只需經過微調，就能夠勝任許多不同領域的程序化內容生成工作。
不過，在游戲行業，GPT 是否能夠勝任除了程序生成以外的游戲，目前還需觀望。我們知道，游戲作為一種互動、內容的展現形式，其中還夾雜了游戲設計者的創新和巧思。僅靠 GPT 或許并無法實現一款大型的游戲設計，但 MarioGPT 的出現，或多或少還是為游戲行業帶來了新的思路。
我們可以想見，未來不僅在游戲行業，此類人工智能未來還有可能推廣到園林景觀設計、城市區域規劃等與每個人生活息息相關的領域，為我們的生活增光添彩。
參考資料：
[1] https://doi.org/10.48550/arXiv.2302.05981
[2] https://doi.org/10.48550/arXiv.2302.05817
[3] https://www.linkresearcher.com/theses/992e7524-7a45-4f87-8454-f809f307c011
[4] https://mp.weixin.qq.com/s/RCLuUThxw3_4Y_OL9L8Xdg
[5] https://zh.wikipedia.org/wiki/GPT-3
[6] https://zhuanlan.zhihu.com/p/350017443
[7] https://zhuanlan.zhihu.com/p/399295895
[8] https://github.com/shyamsn97/mario-gpt
[9] https://huggingface.co/spaces/multimodalart/mariogpt
[10] https://www.zhihu.com/question/35430956
作者：羅澍
審核：于旸 騰訊玄武實驗室負責人

來源: 科普中國

內容資源由項目單位提供