前不久的《半條命VR》雖然看似驚艷，但也讓很多粉絲失望地發現，Valve公司創始人Gabe Newell（以下簡稱G胖）還是沒有學會數3。不過，在通過《CSGO》、《Dota 2》和《Artifact》等多年的網絡遊戲研發之後，Valve再次通過《半條命VR》回到了研發單機遊戲的時代。
儘管並未透露銷量，但G胖對於該遊戲十分看好，並預言「未來」AI將幫助單機遊戲戰勝網遊，他個人認為9年左右就可以實現。而就在最近，Google旗下英國AI技術公司DeepMind研發了一個可以學會玩57款遊戲的AI系統，並且據本周發布的一份調研論文顯示，其遊戲水準超過了普通玩家。
遊戲行業格局的顛覆者，G胖預言9年後單機超網遊
這個AI叫做「代號57」，論文表示，這是首個可以超過標準人類遊戲水準的AI。DeepMind開發者在博客里談到，「遊戲是打造靈活算法的最佳測試場所：它們提供大量的任務，玩家們必須做出複雜的行為策略才能掌握，但他們還提供了簡單的進度標準，即遊戲分數來優化。終極目標不是做一個精通遊戲的系統，而是使用遊戲作為研發更多挑戰系統的奠基石」。
2016年AlphaGo以4：1擊敗韓國圍棋冠軍李世石
代號57基於Google DeepMind此前的AI技術打造，在2016年的時候，該公司的AlphaGo機器人AI打敗了圍棋世界冠軍李世石。
此外，Steam平台持有者Valve公司的創始人G胖對於單機遊戲的未來感到很興奮，實際上，他認為AI的進步、甚至可以扭轉如今網絡遊戲主導的行業格局，GameLook翻譯他接受外媒採訪時的原話如下：
「如果你想到大量的人們在網際網路上獲得娛樂體驗，總有一天，AI將比網絡遊戲更容易連接玩家們。
通過AI的推動，我們正在走向一個可能實現翻轉的時期，目前OpenAI的機器人水準超過了《Dota 2》當中90%以上的玩家，這對於AI來說是一個非常狹隘的高難度挑戰。打敗人類比給人們帶來娛樂更簡單，但在接下來的幾年裡，如果你問我確切時間，我覺得9年左右，就會出現能夠與一個聰明人一樣可以做任何事的AI。打造一個這樣的「矽晶體人類」可能需要數十億美元的代價，但隨後它們的價格就會越來越便宜，而且會很快降價，最終達到讓每個人都可以在電腦里擁有10個或者100個AI，這意味著到時候單機遊戲會更有趣。
如果你可以打造一款永不結束的單機遊戲，可以讓我每周投入20個小時，而且不斷保持增長、變得越來越豐富，那麼接下來的400個小時可能會和前20個小時一樣有趣。我認為這種場景更可能在五年之後發生，而非五年之前。這將會給行業帶來巨變，AI會變的更有用，它也會改變多人遊戲與單機遊戲之間的價值對比」。
即便是在3A單機遊戲里，AI或許也是最弱的元素之一，但願G胖的判斷是對的，就像往常那樣，AI將在接下來的幾年帶來重大發展。
理想與現實之間的差距：2020年最出色的AI也只能同時學一件事
如果說V社創始人此前的侃侃而談屬於「豪言壯語」，那麼DeepMind發布的論文則可以說是其預言成真的伏筆。但是，AI真能幫助單機遊戲「翻盤」嗎？
如DeepMind在論文隨後的博客里所說，遊戲是測試AI非常出色的方式，它們可以提供大量的挑戰迫使AI找到大量策略，但與此同時又有非常清晰的成功方法，即得分，但該論文還提到，有4款雅達利遊戲被證明是很難被打敗的。在《Montezuma’s Revenge》和《Pitfall》兩款遊戲中，AI必須在贏得遊戲之前大量嘗試不同策略。而在《Solaris》與《Skiing》中，動作與獎勵之間會有很長的等待，使得AI很難知道哪一個動作讓帶來的獎勵最多。
為滿足這些挑戰，代號57帶來了DeepMind為其Deep-Q網絡的多項改進技術，後者在2012年曾首次打敗多個雅達利遊戲，包括包括一種存儲形式，讓它可以根據以前在遊戲中看到的操作做出決定，並通過策略的方式鼓勵AI探索了更多可能。這些技術隨後會被核心玩法控制器管理，這會讓玩家出去刷資源與探索使用的彈藥量差很多。
為什麼這一點很值得注意？因為，儘管很成功，但我們今天見到的最優秀的深度學習模型也不夠「多才多藝」，大多數的AI都更擅長某一件事，而且只會一件事。在深度學習領域，培訓AI擅長一個以上的任務是巨大的開放式挑戰。學習57種不同人物使得「代號57」比之前的AI更有才華，但它仍然難以做到同時玩一款以上的遊戲。
除了單機遊戲里的AI大多數都比較簡單之外，網遊當中的AI往往也只能陪新手玩家「練級」，比如在《絕地求生》這樣的百人競技當中，機器人往往只能勝任低段位的「陪玩」。
代號57學會了57款遊戲，但它卻學不會同時掌握57款遊戲。儘管可以通過同樣的算法做到，但它每一個新遊戲都要重新學一次。從這種角度來看，代號57與之前的阿法狗類似，但真正做到像人類本能式的多才多藝，目前的AI是遠遠做不到的。
AlphaStar在2019年10：0戰勝兩位《星際爭霸2》職業選手
2019年1月，谷歌DeepMind 的《星際爭霸 2》人工智慧 AlphaStar 曾與人類職業玩家展開了現場對決，人類遺憾以0：10落敗。然而一年之後，與圍棋人工智慧 AlphaGo 走過的軌跡完全不同，在暴雪在戰網天梯對決中引入AlphaStar 後，人工智慧AlphaStar 似乎完全沒有長進，反而是各路人類玩家獲得了對抗AI的經驗：他們找到了各種各樣「戲耍」AI 的方法，這說明AI還有長久的路要走。
不過，對於開發者們來說，短期內AI卻可以在遊戲研發方面帶來很大的幫助，Stadia研發創意總監Erin Hoffman-John此前接受採訪時說，機器學習可以簡化小項目的研發，未來甚至可以讓一個20人的開發團隊打造一個像《魔獸世界》一樣龐大而複雜的遊戲。她表示，機器學習還可以幫助發現競技遊戲里的平衡問題，因為它可以使用多種策略對一個遊戲進行數百萬次的測試，並找出那些可能比設計者想要的更強大的策略。