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。

玩賽車游戲的AI們現(xiàn)在已經(jīng)不僅僅是圖快圖爽了。

他們開始考慮戰(zhàn)術(shù)規(guī)劃，甚至有了自己的行車風(fēng)格和“偏科”項目。

比如這位只擅長轉(zhuǎn)彎的“偏科”選手，面對急彎我重拳出擊，驚險漂移，面對直線我唯唯諾諾，搖晃不停：

還有具備長遠(yuǎn)目光，學(xué)會了戰(zhàn)術(shù)規(guī)劃的AI，也就是這兩位正在競速的中的綠色賽車，看似在轉(zhuǎn)彎處減緩了速度，卻得以順利通過急彎，免于直接GG的下場。

還有面對不管是多新的地圖，都能舉一反三，跑完全程的AI。

看起來就像是真的在賽車道上學(xué)會了思考一樣。

（甚至上面所說的那位偏科選手還在不懈努力后成功逆襲了）

這項訓(xùn)練結(jié)果一經(jīng)公布，便吸引了大批網(wǎng)友的圍觀：

強(qiáng)化學(xué)習(xí)讓AI學(xué)會“長遠(yuǎn)考慮”

訓(xùn)練賽道來自一款叫做《賽道狂飆》（Trackmania）的游戲，以可深度定制的賽道編輯器聞名于玩家群體。

為了更大程度上激發(fā)賽車AI的潛力，開發(fā)者自制了這樣一張九曲十八彎的魔鬼地圖：

這位開發(fā)者名叫yoshtm，之間就已經(jīng)用AI玩過這款游戲，一度引發(fā)熱議：

一開始，yoshtm采用的是一種監(jiān)督學(xué)習(xí)模型，擁有2個隱藏層。

模型包含了16個輸入，包括如汽車當(dāng)前速度、加速度、路段位置等等，再通過神經(jīng)網(wǎng)絡(luò)對輸入?yún)?shù)進(jìn)行分析，最終輸出6種動作中的一種：

基于這一模型架構(gòu)，開發(fā)者讓多只AI在同一張地圖上競爭。

通過多次迭代，不同AI的神經(jīng)網(wǎng)絡(luò)會出現(xiàn)細(xì)微的差別，結(jié)果最好的AI將最終脫穎而出。

這種方法確實能讓AI學(xué)會駕駛，不過也帶來了一個問題：

AI常常只能以速度或最終沖線的時間等單一指標(biāo)來評估自己，難以更進(jìn)一步。

這次，時隔兩年后的賽車AI，不僅學(xué)會了從長遠(yuǎn)出發(fā)制定策略（比如在急彎時對速度作出調(diào)整），還大幅提高了對新地圖的適應(yīng)性。

主要原因就來自于開發(fā)者這次引入的新方法，強(qiáng)化學(xué)習(xí)。

這種方法的核心概念是“獎勵”，即通過選擇帶來更多獎勵的行為，來不斷優(yōu)化最終效果。

在訓(xùn)練賽車游戲中的AI時，yoshtm定義的獎勵很常規(guī)：速度越快獎勵越多，走錯路或掉下賽道就會懲罰。

但問題是，一些行動，比如在臨近轉(zhuǎn)彎時的加速或許能導(dǎo)致短期的正面獎勵，但從長遠(yuǎn)來看卻可能會產(chǎn)生負(fù)面的后果。

于是，yoshtm采用了一種叫做Deep Q Learning的方法。

這是一種無模型的強(qiáng)化學(xué)習(xí)技術(shù)，對于給定狀態(tài)，它能夠比較可用操作的預(yù)期效用，同時還不需要環(huán)境模型。

Deep Q Learning會通過深度網(wǎng)絡(luò)參數(shù) 的學(xué)習(xí)不斷提高Q值預(yù)測的準(zhǔn)確性，也就是說，能夠使AI在賽車游戲中預(yù)測每個可能的行動的預(yù)期累積獎勵，從而“具備一種長遠(yuǎn)的策略目光”。

隨機(jī)出生點幫AI改正“偏科”

接下來開始進(jìn)行正式訓(xùn)練。

yoshtm的思路是，AI會先通過隨機(jī)探索來盡可能多地收集地圖數(shù)據(jù)，他將這一行為稱之為探索。

探索的比例越高，隨機(jī)性也就越強(qiáng)，而隨著比例降低，AI則會更加專注于贏取上述設(shè)置的獎勵，也即專注于跑圖。

不過，在訓(xùn)練了近3萬次，探索比例降低到5%時，AI“卡關(guān)”了：

核心問題是AI出現(xiàn)了“偏科”。

由于前期經(jīng)歷了多個彎道的跑圖，所以AI出現(xiàn)了過擬合現(xiàn)象，面對長直線跑道這種新的賽道類型，一度車身不穩(wěn)，搖搖晃晃，最終甚至選擇了“自殺”：

要如何解決這個問題呢？

yoshtm并沒有選擇重新制作地圖，而是選擇修改AI的出生點：

每次開始訓(xùn)練時，AI的出發(fā)點都將在地圖上的一個隨機(jī)位置生成，同時速度和方向也會隨機(jī)。

《賽車狂飆》本來就是一個需要大量訓(xùn)練的游戲，AI當(dāng)然也如此。

至少我現(xiàn)在很確定，這個AI可以打敗大量的初學(xué)者。

這一辦法立竿見影，AI終于開始能夠完整跑完一條賽道了。

接下來就是進(jìn)行不斷訓(xùn)練，最終，開發(fā)者yoshtm和AI比了一場，AI在這次跑到了最好成績：6分20秒。

雖然還是沒有真人操控的賽車跑得快，不過AI表現(xiàn)出了較強(qiáng)的場地適應(yīng)性，對草地還是泥地都能立馬舉一反三。

yoshtm最后這樣說道：

《賽車狂飆》本來就是一個需要大量訓(xùn)練的游戲，AI當(dāng)然也如此。

至少我現(xiàn)在很確定，這個AI可以打敗大量的初學(xué)者。