本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

如果經(jīng)常玩大型游戲的話應(yīng)該會發(fā)現(xiàn)，游戲里的物理引擎效果越來越好了。

比如育碧公司的新游戲《極限國度》中自行車濺起的泥點、受到滑板沖擊改變的雪道和飛濺的雪花、隨著角色姿勢不斷變化的衣服褶皺等逼真細節(jié)，都讓玩家更能感到身臨其境。

[[428340]]

但這里面有一個問題越來越突顯：

玩家對游戲畫面的要求永遠在提高，物理解算器的發(fā)展卻遇到了瓶頸，從算法上可以優(yōu)化的余地已經(jīng)不多了，以后還有什么辦法能加速物理模擬？

育碧公司其實已經(jīng)找到辦法了，用AI。

育碧的AI研發(fā)部門La Forge早在2017年就已成立，在AI技術(shù)應(yīng)用于游戲開發(fā)中已經(jīng)做出不少成果。

他們用強化學(xué)習(xí)優(yōu)化游戲NPC的尋路行為，用GAN生成豐富的NPC臉型（知道《看門狗軍團》號稱有900萬個可招募NPC怎么來的了吧）。

對了，La Forge還開發(fā)了一個AI能快速尋找代碼中的Bug（但Bug還是很多?。?/p>

在物理模擬上，他們把要模擬的物體在前3幀的位置作為輸入，喂給神經(jīng)網(wǎng)絡(luò)來預(yù)測下一幀，還用主成分分析法（PCA）簡化計算，最終把不同類型物理模擬的速度提高了300-5000倍。

雖然還沒聽說有在哪款游戲里大規(guī)模實際應(yīng)用上，但光憑這個數(shù)據(jù)就足以讓人期待了。

尤其是那些經(jīng)歷過打開模擬頭發(fā)運動的“海飛絲特效”游戲就變卡的玩家。

畢竟小孩子才做選擇，大人畫質(zhì)和幀數(shù)全都要。

預(yù)測代替計算

游戲與電影最大的不同就是有玩家的參與。

電影可以在制作時使用大規(guī)模機群消耗大量時間渲染好固定的畫面。

但游戲要根據(jù)玩家的操作實時計算并反饋結(jié)果，還只能靠玩家自己的機器的計算能力。

育碧團隊的神經(jīng)網(wǎng)絡(luò)用預(yù)測代替了密集的計算，訓(xùn)練好后只需要很少的資源就能快速給出結(jié)果。

在布料模擬中，只消耗了不到10mb的內(nèi)存和顯存，每秒可以給出2000多幀。

但是神經(jīng)網(wǎng)絡(luò)的訓(xùn)練不是需要很長時間嗎？

沒錯，除了訓(xùn)練過程消耗時間，生成訓(xùn)練所需的大量數(shù)據(jù)要消耗更多時間。

不過這些都是一次性的工作，可以在游戲開發(fā)階段由游戲公司的計算資源完成。

也就是把計算的重擔從運行時(Runtime)玩家自己的機器轉(zhuǎn)移到了訓(xùn)練服務(wù)器上。

對于游戲角色的動作，用物理解算器給出精準數(shù)據(jù)的速度只能達到每秒3幀，而神經(jīng)網(wǎng)絡(luò)的預(yù)測卻可以做到每秒2000多幀。

看這拳擊動作，有點《刺客信條》那味了。

除了游戲公司育碧，DeepMind也對用神經(jīng)網(wǎng)絡(luò)做物理模擬感興趣。

他們用的是圖神經(jīng)網(wǎng)絡(luò)，而且預(yù)測的不是物體的位置而是加速度，再用歐拉積分計算出相應(yīng)的速度和位置。

通過這個模型，DeepMind成功模擬了水、沙子和黏稠物的運動。

不過可惜的是這項研究更注重展示深度學(xué)習(xí)方法能做什么，在預(yù)測速度上和傳統(tǒng)解算方法相比沒有太大優(yōu)勢。

獲諾獎的復(fù)雜系統(tǒng)也需要模擬

無論是計算還是預(yù)測的方法，既然都把物體的運動過程模擬出來了，除了做游戲和影視特效以外是不是還能有點別的用處？

沒錯，物理模擬算法同時也是科學(xué)研究的有力工具。

尤其是像今年的諾貝爾物理獎頒給了氣候和材料學(xué)領(lǐng)域的復(fù)雜系統(tǒng)，以及高能物理、天體物理學(xué)這些領(lǐng)域。

它們研究的對象要么特別宏觀要么特別微觀，還有的需要等很長時間才能觀察到一次，想拿實物去做實驗會遇到很多困難。

為此，牛津大學(xué)開發(fā)了一套Deep Emulator Network Search(DENSE)系統(tǒng)，在10個科學(xué)研究場景中把物理模擬速度最高提高到20億倍。

你沒看錯，是20億倍。

原來在此之前，科研模擬中主流的做法還是用隨機森林和高斯過程等傳統(tǒng)機器學(xué)習(xí)方法來構(gòu)建模型。

這些方法首先需要的數(shù)據(jù)量就非常龐大，還要人工去提取特征。

在很多科學(xué)領(lǐng)域數(shù)據(jù)并不像圖像識別或NLP里那么好獲得，所以用機器學(xué)習(xí)來做科研模擬這事進展一直緩慢。

牛津大學(xué)為了在數(shù)據(jù)有限的情況下搞模擬，首先想到的就是用卷積來自動提取數(shù)據(jù)特征。

不過從微觀粒子到氣候變化再到天體運行，數(shù)據(jù)類型不同適合的網(wǎng)絡(luò)結(jié)構(gòu)也大不相同。

他們最終設(shè)計出了一套神經(jīng)網(wǎng)絡(luò)超架構(gòu)，相當于一個模版，在訓(xùn)練時同時進行更新網(wǎng)絡(luò)的權(quán)重和搜索出適合特定問題的結(jié)構(gòu)。

在實驗中選取了10個科學(xué)模擬領(lǐng)域，其中就包括這次獲得諾貝爾物理獎的氣候模擬：

1、高能物理學(xué)中的彈性X射線湯姆遜散射（XRTS）
2、實驗室天體物理學(xué)中的光學(xué)湯姆遜散射（OTS）
3、聚變能科學(xué)中的托卡馬克邊緣局域模診斷（ELMs）
4、等離子體中的3倍射線發(fā)射光譜（XES）
5、天體物理學(xué)中的星系暈中心分布建模
6、沙茨基上升海洋高原地震層析成像（SeisTomo）
7、氣候科學(xué)中使用大氣環(huán)流模型（GCM）的全球氣溶膠氣候建模
8、生物地球化學(xué)中的海洋中上層化學(xué)計量建模（MOPS）
9、中子成像（ICF JAG）
10、慣性約束聚變實驗中的標量測量（ICF JAG Scalars）

最終的結(jié)果，比傳統(tǒng)物理解算的方法速度提高了10萬-20億倍不等。

與手工設(shè)計的神經(jīng)網(wǎng)絡(luò)相比，搜索出來的網(wǎng)絡(luò)結(jié)構(gòu)收斂速度也都有所提高。

這么厲害的方法，也不是沒有缺點。

牛津大學(xué)認為DENSE目前最大的兩個局限是不適用于多維數(shù)據(jù)輸入，以及在輸出可變性高的區(qū)域?qū)W習(xí)效果不好，不過也算是為很多需要快速計算的研究領(lǐng)域提供了新的解決方案。

這次獲諾貝爾物理獎的三位科學(xué)家的主要研究發(fā)表于上世紀60至80年代，那時候的計算機速度要比現(xiàn)在慢上太多，算法也都是直接解算為主。

即便如此他們也都在各自領(lǐng)域做出了突破性的成果。

現(xiàn)在有了AI物理模擬的幫助，希望更多的研究成果能不斷涌現(xiàn)出來。

育碧論文：https://dl.acm.org/doi/10.1145/3309486.3340245
視頻演示：https://www.youtube.com/watch?v=yjEvV86byxg

DeepMind論文：https://arxiv.org/abs/2002.09405
視頻演示：https://www.youtube.com/watch?v=h7h9zF8OO7E

牛津論文：
https://arxiv.org/abs/2001.08055