过气小游戏，在人工智能领域“再就业”

不知道有多少人对《飞机大战》这款微信小游戏还有印象——

曾于2013年的微信5.0版本上线

简单复述一下玩法：玩家操作小飞机四处躲避，小飞机可以自动发射子弹，“biubiu”两下就能点杀对面一个小飞机。画面非常简陋，也没啥策略可言，只要足够专注、手眼协调，想打出高分不会特别难。

随着微信版本的更新，这个小游戏已经在微信中消失无踪。但是，有一些Python教程，会把这个作为一个比较基础的练习。毕竟能自己从头到尾编写一个“跑得动，0 error，0 warning，还能上手玩一玩”的程序，对于新手来说可比单纯的“hello world”刺激多了。

但“飞机大战”能教给用户的可不止这些。在人工智能深度学习领域，以“飞机大战”为代表的一系列小游戏，还在猛猛发光发热。B站上有非常多的相关视频，比如说ID为“vs小怪兽Monster”的这名用户，专门上传各种“小游戏VS人工智能”的内容，其中播放量最高的就是这个《惩罚人工智能，倒逼 AI 成长》(BV12h411X7yY)，有兴趣的读者可以去看看。在这个视频中，人工智能悟到了《飞机大战》的最终解法：偶尔击落一下小飞机，大部分时候蜷缩在角落——只要我不主动出击，当好苟命王，就绝对不会输。

当然也托了人工智能、算法推荐的福，我很快就找到了更多的人工智能摆烂现场。其中最好玩的莫过于这个：《关于我的强化学习模型不收敛这件事》(BV1e5411R7rF)。视频讲述了一个研究自然语言处理（NLP）的小姐姐，如何入坑强化学习的全过程。李Rumor小姐姐使用的游戏是雅达利平台上的《Tennis》，她原本以为能训出地表最强的网球王子——

但实际上，经过5万次模拟，得到的却是，一个死活不发球，绝不开始游戏的摆烂AI——

好吧，“……只要我从不下场，我就是无敌的！”

还有一个更为知名的摆烂现场：“人工智障狼”。规则是“狼吃羊”的基础规则，狼AI有20秒的行动时间，吃到越多羊越好，时间越长扣分越多。同时地面上会生成一些石头，试图模拟现实环境。但进行了20万次模拟之后，神奇的结果出现了：狼选择开局摆烂，尽一切可能，全速朝石头冲刺，一头撞死。多数情况下狼根本吃不到羊，在抓羊的过程中因为浪费时间还要被扣分，还不如一开始就一头撞死，这样扣的分还少一点。

逻辑颠扑不破简单明了，绝对理性的AI已经给出了他们自己的回答。

“等等，奇怪，”我作为一个游戏玩家的DNA动了起来：“飞机大战，狼吃羊，雅达利小游戏资源库——这些走在业界前沿的人工智能，怎么都在玩过气小游戏啊？”

《底特律：变人》：仿生人会梦见电子羊吗？

人工智能（以下简称AI）、算法分发，已经构成了如今日常生活的一部分，并且还在蓬勃发展中。但其实这并不是一个新鲜事物。从上古时代的神话开始，人们就希望藉由自己的双手和头脑，构建一个与自己智识类似的人工产物，也可以理解成一种“人造人”的幻想。但相关的技术和理论基础，直到上世纪90年代才出现。1950年左右，美国的一些计算机科学家们，编写出了国际象棋和国际跳棋程序，并且能挑战有一定水平的业余玩家。从那时开始，游戏AI就一直被认为是评价AI进展的一种标准。

在经历了反反复复的高潮和低谷之后，AI终于在最近10年间获得了飞速的发展和应用。而其中发展最为蓬勃的分支，就是“深度学习”这个大分类。深度学习已经是目前人工智能应用中，相对较为前沿的应用领域。根据一些新手入门教程的定义，深度学习指的是：“机器学习的一种学习路线，建立、模拟人脑进行分析的神经网络。”

而神经网络和强化学习则是深度学习的解决方式。他们主要模拟的是单智能体（agent）的探索和策略，优势在于可以同时模拟的次数较多，同时跑几千几万次模拟不费劲。或者说，在没有模型输入，一片空白的情况下，如何通过控制变量，来刺激人工智能的自主学习，最终得出问题的解决方案。

构建一个有效的神经网络，不光需要海量的信息进行输入输出，还需要不断地进行训练，调整规则以及它的权重。告诉它那些行为是被允许的，哪些行为会被惩罚，经过不断地调整和迭代，最终，才能获得一个——勉强参与游戏并且遵守规则的，弱人工智能，即“专注于解决特定领域问题”的人工智能。

这里只是一个粗略的概括和描述，让我们还是回到游戏的话题吧——为什么这些过气小游戏，能够在人工智能领域下岗再就业呢？

公开发布的Gym documentation调试工具箱，内置了大量雅达利小游戏

一方面，这些小游戏真的很小，占用存储空间非常小。刚刚我们提到神经网络会进行并发模拟，游戏越小，占用的存储和带宽也越小，程序跑起来也越发轻便，相应花的钱（租服务器什么的）也越少。另一方面呢，这些小游戏相对来说规则简单，方便程序员们根据数据结果进行参数调整。最后，这些小游戏并未用于商业项目盈利，仅用于研究用途，从版权角度看，也合情合理。再加上人工智能领域，有用游戏项目验证AI进展的惯例，最终，你小时候玩腻了的那些游戏，现在就成了人工智能的最好教材。

在“网球王子”视频的结尾，小姐姐的摆烂模型终于开始得分了，她表示学算法的乐趣正在于此，不断刷新自己的认识极限。评论区有个用户的评论，我觉得反映了一部分算法工程师的心态：“强化学习调参，就跟教自己傻儿子读书一样，教得心累还学不会。”

我小时候也学过一些算法基础，但很明显，为了竞赛而准备的过气知识，已经跟不上最新的版本环境了。人工智能领域的发展令人惊叹，接近于人类翻译水平的翻译工具DeepL，输入画风和指令就可以自动生成画面的Disco Diffusion，还有神经网络天花板GPT-3……他们生成的内容，可以说以假乱真。如果仅从表征来看，这些由程序产出的内容，和一些稍显相对平庸的人类作品，并无二致。

Disco Diffusion根据关键词自动生成的图像

在人工智能领域，“是否能通过图灵测试”，是检验人工智能发展水平的试金石。测试的规则如下：先假定有对象AB两个实体，其中一个是真人，一个是人工智能。他们都藏在不能被其他人看到的地方。这时候，有一个不知情的第三人，拿着同样的问题，分别去去征求对象AB的意见，反复多次问询后，他无法根据回答的内容，来区分AB的不同。那么我们可以认为，参与测试的人工智能，是可以通过测试的。

要达成这个目标，自然离不开多学科的共同努力，目前仍无法确定，在我有生之年，是否能见到这样厉害的人工智能。而从哲学角度看，当有人工智能真的通过图灵测试，不可避免会牵扯到“表征和实体到底那个更重要”“只要外表看起来一样，那么动机是什么，是不是都可以不考虑”的无尽论证中。

但好在，我们还没有进入到这个阶段，人工智能也没有这么聪明，还在各种算法模型中，四处“摆烂”。再强大的人工智能，也需要人类作为第一动力，去提出需求，发现疑难。而看了无数“智障”现场的我，这才认识到，对于人类来说，什么才是最宝贵的东西——提出问题的能力，不断尝试的勇气，注视着你的温柔目光，和一颗温暖的心。

*本文经授权转载自公众号“taptap发现好游戏”，作者@星咏