分享主题一：AI技术在游戏研发中的应用

  • 分享嘉宾：殷俊
  • 分享时间：19：00-20：00
  • 内容概要：结合腾讯实际案例为大家介绍在游戏研发过程中，腾讯AI技术在游戏的内容生成和智能体控制等技术方法的应用情况,解释目前游戏研发中的问题,未来人工智能在游戏发展方面应用的主流趋势和落地情况,为大家对游戏和AI的结合指明方向。

    笔记

    前言

    工业界更追求规则引擎来更快更好地做出更有趣的游戏，而机器学习本身的复杂和不确定性可能导致很难被应用在工业界游戏产品中。工业界以参考学界的新方法在工业界的落地为主，做一定的改良和调整以适应工业界。通过机器学习产生新玩法和加快开发速率（机器学习代替IF ELSE），前提是可控可理解。行为依赖于玩家产生的数据来训练理解，但是由于黑盒的原因，难以实现对每个操作控制，更多的是偏研究向，而难以替代规则模式。

    游戏类别

    数值类（状态类）游戏（QQ飞车）

    往往可以通过具体的状态数据来作为输入，训练机器学习模型，实现智能体控制。
    image.png

    棋牌类游戏

    棋牌类游戏的区别在于棋是全部可见的，而牌类是存在隐藏信息的，需要非完美信息博弈来解决这些存在隐藏信息的问题。
    image.png
    牌类游戏中的AI可充当机器人来补足人少时间时的玩家，并且在玩家退出托管时给提供一个水平相当的AI，而不是蠢蠢的挂机，以改善玩家游戏环境。
    image.png
    CNN为例，采用牌的序列作为输入，但是会存在由于牌少导致数据太少的时候
    出现数据不足而不够拟合的问题。斗地主通过将CNN+搜索做结合，来实现AI机器人。

视频游戏

image.png
相对比棋牌类游戏有一定的范围，视频类游戏的复杂度高得多。棋牌类游戏的数据记录可以通过序列来记录，而视频类游戏的记录方式更加复杂困难。
image.png
对于游戏厂家而言，可以从后台直接获取到动作的实时数据，而无需借助计算机视觉获得漂移痕迹等信息的内容。通过深度强化学习来自动的生成数据并不断的迭代加强，对用户数据的依赖度低。
image.png
在环境变化的视频游戏中，通过深度强化学习结合自定义来实现智能AI。PvP的复杂度要远大于PvE，其实用性存在缺陷。

内容生成

个性化关卡

image.png
通过机器学习方法来生成关卡，以实现随机化的个性关卡。例如通过将NLP的seq2seq的方式实现生成飞鸟游戏的关卡，但是生成的关卡往往与人设想的有一些不太相同，有所奇怪。

残局生成

image.png
对于斗地主这类游戏，相对比象棋围棋缺少一些残局数据。通过强化学习生成残局，并判断残局难度。
image.png
难度评估通过搜索玩家出牌的概率来学习。通关监督学习模型来学习搜索树中的概率，正确判断出这局解法的可行性高低。

美术生成

image.png
通过机器学习来生成大量的场景美术信息，来解决人工较为繁琐的问题。

人脸建模

image.png
可实现在游戏中将真实世界的信息进行风格迁移，以实现游戏中与现实中特征相似的面貌。

视频动作提取

image.png
image.png
通过提取明星的动作，提取人物的骨骼动作信息并重现在游戏中。实现在动作类游戏中与真实世界的动作相似的动作。

人物角色重建

image.png
通过设计多幅2D图片，来通过机器学习替代生成3D模型，颠覆美术设计的现状。

计算架构

见PPT。

分享主题二：基于AI的数字内容创作

  • 分享嘉宾：高林
  • 分享时间：20：00-21：00
  • 内容概要：数字内容制作是游戏制作的重要组成部分。游戏开发中常用的数字内容包括数字图像，卡通以及3D数字模型。本次报告中，我们将主要介绍智能卡通上色技术，智能人脸画板技术（DeepFaceDrawing），高质量3D数字模型智能生成方法（SDM-NET）以及全自动3D模型动画复用方法（VC-GAN）。另外还有基于主动学习的智能卡通线稿上色技术，及其在腾讯数据上的应用；还有一种基于草稿交互的高质量人脸图像合成方法，该项工作已提供在线服务，并被社会媒体如凤凰网、机器之心等广泛报道。

基于AI的数字内容创作.pdf