ashkeling报道/育碧蒙特利尔（Ubisoft Montreal）工作室内的研究部门育碧拉福尔克（Ubisoft La Forge）的执行官（executive director）Yves Jacquier在GDC 2019上分享了本部门机械学习的研究成果以及游戏开发中人工智能的应用实例。

据Jacquier所说，育碧拉福尔克是大约3年前成立的新部门，他们并不直接进行新作的游戏引擎与工具的开发，而是负责为了对前者的研发进行补足而进行的更先进的研究。

他们的研究领域并非仅仅限于人工智能（AI）和机械学习（ML），他们还常常与当地大学的研究者进行交流活动，以此促进数码科技的发展。

虽然不能为企业产生直接的利益，但能够掌握不断变化的最尖端技术，这可以说是育碧的头脑了。

机械学习是游戏业界关心的热点话题之一，GDC 2019也专门设置了“Machine Learning Tutorial”这一板块，而其中育碧团队的讲义有着特别的分量。Jacquier的这篇演讲名为《ob电竞》，意在促进游戏企业导入机械学习，演讲非常专业，其中有很多并不是面向我等一般OB欧宝体育电竞官网的内容。

虽然近些年来AI技术已经取得了长足的进步，机械学习这个词语也常常在IT、汽车、健康领域被常常提起，但Jacquier表示：“包括游戏业界在内的许多人还认为AI是破坏社会的因素”。

Jacquier强调，AI对于社会发展的作用就有如电力进入人类社会一样，它将会成为今后人类生活中不可或缺的东西。当然，对于游戏业界也是如此，而且“马上就会达到这种程度了”，Jacquier补充道。

育碧拉福尔克的创立也是为了成为研究成果难以投入使用的大学研究者们与育碧之间的一道桥梁。他们的研究中不仅仅包括机械学习与AI，还有很多会改变游戏开发的研究

用机械学习来对口型

Jacquier所在的育碧拉福尔克关于机械学习有着三个主要的研究课题：“对口型”、“动画”、和“调试”。

育碧拉福尔克所研究的AI名为“SoundMatching AI System（声音匹配AI系统）”，该系统已经在《ob电竞》的角色中使用了，正在逐步向实用化推进。

像《ob电竞》这样的3A大作的开发中，在进行动作捕捉或者制作表情动画时，要从各个角色的演员身上收集大量的数据。但是这些演员大部分来自游戏的主要市场英语国家，要将游戏翻译成其他游戏，就必须要重新将角色的声音与口型进行匹配，随着游戏支持语言数量的增加，工作也越加繁重。

4Gamer的读者想必也有过在过场动画中，角色已经说完话闭上嘴巴了，但翻译过来的日语还在播放或者相反的情况。虽然将语言与口型重合起来非常困难，但减轻这种工作负担的研究也在进行中，这就是“SoundMatching AI System”。

像育碧这样的大企业，大多已经保存了能够和各种语言的发音相匹配的“嘴唇动画”的数据库。

“SoundMatching AI System”正是以这些数据为基础，将说各种语言时的嘴唇动作自然地输出出去的算法，至少在现阶段，它还不会抢走演员、声优、动画制作者们的工作。

此外，从育碧拉福尔克公布的这个片子中可以看到，那些包含了感情的表情和台词，并不是仅仅靠嘴唇的动作就能够表现出来的。

育碧拉福尔克的算法给Agent设定了报酬，不仅使用了过去的数据库，同时也采用了在神经网络中进行自我反馈的强化学习方法

角色动画

机械学习在角色动画上的实用性研究也在稳步推进着。视觉性的动作捕捉因其再现度和灵活性以及已经具备了丰富的人才和工具的特点，对于游戏和电影制作厂来说已经成为了不可缺少的技术。

动作捕捉工作室，到现在本应该已经积累了庞大的记号数据，但这些数据大部分都被手动“清理”了，因此实际投入使用的只有一部分。

在动作捕捉中，各个角色身上的记号都会经历一次被称作“Solving”的过程，在这一过程中被Kinematic Base目标化，育碧拉福尔克在“Solving”的过程中进行了导入机械学习的研究。还进行了故意将发生bug的记号数据送往神经网中，直到成功再现了正确的Joint之后就进行输出的实验。

这种能够从错误的数据层面解决问题的工具大大减轻了动画制作者改正错误的负担。

这里利用到的技术是让特定环境中的Agent观测被给予的状态，利用现存的数据来解决问题，这种技术在机械学习中被称作“强化学习（Reinforcement Learning）”，这项技术被用在了神经科学的模拟模型等等在最近十年才开始进行研究的最新领域。

调试中也能用到强化学习

编程以外，调试也是一项非常需要人手的工作，育碧拉福尔克专门开发了调试用算法“SmartBot”。育碧利用已经发售的《ob电竞》、《ob电竞》、《ob电竞》等作品进行了强化学习，在本来要交给很多测试人员的bug检察工作中发挥出了很大作用。

育碧拉福尔克为机器人在“互相之间不起冲突”和“打倒对手”这两件事上设置了报酬，经过了一系列的成功或失败，验证了各种模式的自动学习方法。

在《ob电竞》中，研究人员将攻击到对手设置为得分，受到对方攻击设置为减分，“SmartBot”在大约8个小时里进行了一万场对战，最终达到了不给对面一分的完美战绩。

2015发售的《ob电竞》中，相关人员超过了600人，其中光负责编程的程序员就有100人，测试人员更是达到了200人。引入“SmartBot”这一机械学习算法之后，就能够减少在调试中投入的人力和时间，将这些资源投入到这之后的更有意义的测试中。特别是在现今要求在3A大作中导入Live内容的游戏市场环境下，这项技术也能够缩短高完成度内容能够正式发售的时间。

Jacquier认为虽然将AI实际运用到游戏开发现场还为时尚早，但数据库的丰富，机械学系相关知识的积累，以及利用频度的提高是现今游戏业界应该着手的内容。

事实上，在2015年击败了职业围棋选手的“AlphaGo”，在2016年还被认为大约还有20年左右才能实用化，但2017年就已经出现了不靠大数据，仅仅依靠机械学习就能够与自己对战并不断提高的泛用的“Alpha Zero”。

AI正在以令人震惊的速度不断进化，现在已经能够制作出难辨真假的人物画像了。Jacquier也预测2020年AI或许就能够做出2A级别的3D角色，2021年AI做出的3A级别的3D角色或许就能在游戏中做出和人类一致无二的动作了。

而根据大学的研究机构在2010年突然发表了精度很高的AIAgent和翻译软件来看，游戏业界也存在着某天新研究结果发表之后瞬间发生天翻地覆的变化的可能。Jacquier表示，“今后的几年可能令人目不暇接”，旁听了这次演讲的笔者，也有了今后可能能够体验到游戏颠覆性变化的感受。

英伟达也发表了相关研究成果，“Style-based Generator Architecture for Generative Adversarial Networks”。上图中并不是真实存在的人物，而是通过机械学习让AI画出的人类的脸。仅仅经过了4年的实践，就发展到和真实的照片无法区分的程度了