自PAC-MAN在日本首次推出街机，并继续咀嚼通往全球明星之路以来的四十年前，复古经典已经重生，由AI提供。

由NVIDIA Research创建的强大的新AI模型（称为NVIDIA GameGAN）在游戏的50，000集上进行训练，可以生成功能齐全的PAC-MAN版本，而无需底层游戏引擎。这意味着，即使不了解游戏的基本规则，人工智能也可以以令人信服的结果重新创建游戏。

GameGAN是第一个通过利用生成对抗网络（GAN）来模仿计算机游戏引擎的神经网络模型。基于GAN的模型由两个相互竞争的神经网络，一个生成器和一个鉴别器组成，学习创建足够令人信服的新内容，以通过原始内容。

“这是第一项使用基于GAN的神经网络模拟游戏引擎的研究，”NVIDIA研究员兼该项目的主要作者Seung-Wook Kim说。“我们想看看人工智能是否能够通过观察一个在游戏中移动的智能体的剧本来学习环境的规则。它确实做到了。

当人工代理玩GAN生成的游戏时，GameGAN会响应代理的操作，实时生成游戏环境的新帧。GameGAN甚至可以生成以前从未见过的游戏布局，如果从具有多个级别或版本的游戏中训练。

游戏开发人员可以使用此功能为新的游戏关卡自动生成布局，人工智能研究人员也可以使用此功能更轻松地开发用于训练自主机器的模拟器系统。

“当我们看到结果时，我们被震撼了，难以置信AI可以在没有游戏引擎的情况下重现标志性的PAC-MAN体验，”来自BANDAI NAMCO Research Inc.的Koichiro Tsutsumi说，该公司是游戏发行商BANDAI NAMCO Entertainment Inc.的研究开发公司，该公司提供PAC-MAN数据来训练GameGAN。“这项研究提供了令人兴奋的可能性，可以帮助游戏开发人员加速开发新关卡布局，角色甚至游戏的创作过程。

我们将在今年晚些时候在AI Playground上推出对游戏的AI致敬，任何人都可以亲身体验我们的研究演示。

人工智能老派

PAC-MAN爱好者曾经不得不将他们的硬币带到最近的街机上玩经典的迷宫追逐。在弹球机上左转，继续直行穿过空气曲棍球，跟随PAC-MAN吞噬点的明确配乐，避开鬼魂Inky，Pinky，Blinky和Clyde。

仅在1981年，美国人就投入了数十亿个季度来玩75，000小时的投币游戏，如PAC-MAN。从那以后的几十年里，这款热门游戏已经出现了适用于PC，游戏机和手机的版本。

GameGAN版本依靠神经网络而不是传统的游戏引擎来生成PAC-MAN的环境。人工智能跟踪虚拟世界，记住已经生成的内容，以保持帧与帧之间的视觉一致性。

无论游戏如何，GAN都可以通过从过去的游戏玩法中摄取屏幕记录和代理击键来学习其规则。游戏开发人员可以使用这样的工具自动为现有游戏设计新的关卡布局，使用原始关卡的剧本作为训练数据。

根据BANDAI NAMCO Research的数据，Kim和他在多伦多NVIDIA AI Research Lab的合作者使用NVIDIA DGX系统在PAC-MAN剧集（总共几百万帧）上训练神经网络，并结合玩游戏的AI代理的击键数据。

然后，经过训练的GameGAN模型生成环境的静态元素，如一致的迷宫形状，点和Power Pellets，以及移动元素，如敌人的幽灵和PAC-MAN本身。

它学习游戏的关键规则，包括简单和复杂。就像在原版游戏中一样，PAC-MAN无法穿过迷宫般的墙壁。当他四处走动时，他会吃掉点，当他消耗一个能量颗粒时，幽灵会变成蓝色并逃跑。当PAC-MAN从一侧离开迷宫时，他被传送到另一端。如果他遇到鬼魂，屏幕会闪烁，游戏结束。

由于模型可以将背景与移动角色分开，因此可以将游戏重新塑造成在户外树篱迷宫中，或者将PAC-MAN换成您最喜欢的表情符号。开发人员可以使用此功能来试验新的角色创意或游戏主题。

这不仅仅是关于游戏

自主机器人通常在模拟器中训练，其中AI可以在与现实世界中的物体交互之前学习环境的规则。对于开发人员来说，创建模拟器是一个耗时的过程，他们必须编写有关对象如何相互交互以及光线如何在环境中工作的规则。

模拟器用于开发各种自主机器，例如仓库机器人学习如何抓取和移动物体，或者必须导航人行道以运输食物或药品的送货机器人。

GameGAN引入了这样一种可能性，即为此类任务编写模拟器的工作有朝一日可能会被简单地训练神经网络所取代。

假设您在汽车上安装了摄像头。它可以记录道路环境的样子或驾驶员正在做什么，比如转动方向盘或踩油门。这些数据可以用来训练一个深度学习模型，该模型可以预测如果人类驾驶员或自动驾驶汽车采取像踩刹车这样的动作，现实世界中会发生什么。

“我们最终可以拥有一个人工智能，它可以通过观看视频和看到智能体在环境中采取行动来学习模仿驾驶规则，物理定律，”NVIDIA多伦多研究实验室主任Sanja Fidler说。“GameGAN是迈向这一目标的第一步。

NVIDIA Research 在全球拥有 200 多名科学家，专注于 AI、计算机视觉、自动驾驶汽车、机器人和图形等领域。

GameGAN由Fidler，Kim，NVIDIA研究员Jonah Philion，多伦多大学学生Yuhao Zhou和麻省理工学院教授Antonio Torralba撰写。该论文将在6月举行的著名的计算机视觉和模式识别会议上发表。