Vissa skulle tycka att denna AI-genererade smärta var utsökt. Andra skulle vilja skrika åt sina undulater. AI -forskare, som diskuteras i två artiklar, undersöker hur generativa kontradiktoriska nätverk (GAN) kan skapa nya nivåer till två populära spel.

I två separata papper om arXiv, teamen utforskade GAN för att leverera nya videospelnivåer.

Super Mario och Doom är fokuspunkterna för forskare som försöker lägga till nya nivåer av seghet - som "föreställ dig frustrationen över att spela ett spel där svårigheten ständigt kan förändras, "sa Registret.

För de (en handfull) läsare som inte vet vem Super Mario är, detta är "ett populärt plattformsspel som styr en mustaschad man i röda overall för att samla mynt och undvika fiender för att nå en prinsessa, "sa Katyanna Quach. Och Doom? Hon sa, detta var den "klassiska förstapersonsskytten från början av 1990 -talet."

"DOOM Level Generation using Generative Adversarial Networks" är av tre författare som har anknytning till Politecnico di Milano.

"Evolving Mario Levels in the Latent Space of a Deep Convolutional Generative Adversarial Network" är av sex författare med anslutningar som inkluderar Queen Mary University of London, Southwestern University (Texas), TU Dortmund University, University of California i Santa Cruz och IT University of Copenhagen.

De sa att även om det specifika spelet i detta dokument var Super Mario Bros, "tekniken bör generaliseras till alla spel för vilka en befintlig mängd nivåer är tillgänglig."

Faktiskt, om du fortfarande inte är helt övertygad om att du förstår vad som händer här, sedan MIT Technology Review överblick om DOOM om "Emerging Technology from the arXiv" den 7 maj går långt.

"Spelet är en förstapersonsskjutare där en rymdfartyg kämpar för att överleva mot olika demoner och zombies. Spelet är anmärkningsvärt eftersom det var banbrytande för 3D-grafik för datorer som kör MS-DOS, introducerade nätverksmultiplay, och till och med tillåtet spelare att skapa sina egna spelnivåer. "

Så, ja, det finns redan nivåer av DOOM. Men nu, det finns denna twist. "Är det möjligt att använda dessa data för att träna en djupinlärande algoritm för att skapa sina egna nivåer av undergång som en människa skulle tycka är övertygande?"

Tony Palanco, Geek.com :"GANs är ett system med två nätverk som kallas en generator och en diskriminator. Generatorn bygger falska träningsdataprover medan diskriminatorn avgör om proverna är riktiga eller falska. Dessa två konkurrerar med varandra. När processen fortsätter, generatorn skapar allt mer realistiska prover i ett försök att lura diskriminatorn. "

Det här skulle inte vara första gången som ett generativt kontradiktoriskt nätverk (GAN) har gjort nyheter. Förra året, det rapporterades hur två konkurrerande neurala nätverk kan resultera i ett fotorealistiskt ansikte, med uppmärksamhet på ett NVIDIA -papper. I det papperet, forskare diskuterade ett sätt att generera ansikten via ett GAN. Tom McKay in Gizmodo hade beskrivit GAN som "en klass av algoritm där forskare kopplar ihop två konkurrerande neurala nätverk mot varandra."

En av de två hade en funktion som att återge bilder eller försöka lösa ett problem, medan den andra betedde sig i motsatt läge, utmanar den första resultat.

Nuvarande Mario -pappers författare nämnde fotobilder. De skrev, "Även om GAN är kända för sin framgång med att skapa fotorealistiska bilder (bestående av pixlar med blandbara färgvärden), deras tillämpning på diskreta kaklade bilder är mindre undersökt. "

De sa att resultaten i tidningen visade att "GAN:er i allmänhet kan fånga den grundläggande strukturen för en Mario -nivå, dvs en korsbar mark med några hinder. "

Vad kommer härnäst?

När det gäller Super Mario GAN, uppe på GitHub hittar du något som heter MarioGAN. Den utbildade modellen kan generera nya nivåsegment, sa beskrivningen, "med inmatning av en latent vektor, och dessa segment kan sys ihop för att skapa fullständiga nivåer. "

I en större bild av allt detta i MIT Technology Review :

"Speltillverkare förlitar sig på mänsklig expertis och omfattande tester för att skapa bra nivåer. Och eftersom det är så dyrt, många av dem letar efter effektiva sätt att automatisera processen eller hjälpa speldesignern.

Kanske detta. Hitta ett sätt att automatisera nivåskapande, åtminstone delvis, är en betydande prestation. Det bör frigöra mänskliga formgivare att fokusera på större bildfrågor, till exempel vilken typ av nivå de vill generera. "

© 2018 Tech Xplore