使用开放AI和宇宙工具包创造自我解决游戏

Find AI Tools in second

Find AI Tools

No difficulty

No complicated process

Find ai tools

Home AI News CN 使用开放AI和宇宙工具包创造自我解决游戏

Updated on Mar 09,2024

使用开放AI和宇宙工具包创造自我解决游戏

在这个时代，人工智能（AI）的发展正在推动各个领域的创新。AI不仅可以在传统的任务中取得突破，还可以通过自我学习和进化来解决复杂的问题。本文将介绍一种使用AI来训练游戏进行自我解决的方法，展示了开放AI项目的潜力以及未来的发展方向。

🧩 游戏的自我解决能力

通过编写程序，我创建了一个自我解决的游戏。这个游戏让一个车辆在一维轨道上前进和后退，目标是驱车上山并到达旗杆。然而，游戏只能通过利用左边的山作为动力来解决。这个程序的理念是基于Sethbling创作的自我解决游戏"Mario"的概念。在开始观看本视频之前，我强烈建议您先观看一下他的视频，以便更好地理解。

🤖 使用开放AI进行训练

我最近发现了一个名为开放AI的开源项目，它提供了多个游戏环境，用于训练学习算法。通过在游戏中不断进步，算法可以获得奖励，这些奖励有助于算法学习应该做什么和不应该做什么。这个工具包的美妙之处在于它的接口非常一致，因此可以使用一个程序来解决多个不同的游戏。我的目标是编写一个程序，在除了初始观察和可以在游戏开始时采取的一组操作之外，几乎没有关于环境的先前知识的情况下，能够解决尽可能多的游戏。

🧠 程序的智能化进化

我的程序首先创建一个基本的神经网络，然后通过突变来找到最佳的一系列操作。当游戏刚开始时，汽车并不会做太多动作，它偶尔左右移动，但从不爬山。随着时间的推移，根据观察，汽车学会了串联动作，并最终到达旗杆。如果我让模拟运行足够长的时间，汽车就会非常擅长到达旗杆。我在这个游戏中的另一个例子是解决一个支撑杆子的平衡游戏。杆子会倾斜，除非小车向左或向右移动来平衡。杆子保持平衡的时间越长，适应性分数就越高。这个游戏相对容易解决，我的程序只用了大约五秒钟就解决了它。

⚖️ 游戏的复杂性和可扩展性

然而，这种算法的一个主要缺点是它与复杂性不成线性关系。它需要消耗大量的计算资源。在Pac-Man这样的复杂游戏中，算法会因为没有移动方案而停留在屏幕边缘。我运行了一个Pac-Man的模拟，经过100个代际和大约四个小时，它的表现有了一定的改善。然而，相对于较简单的游戏，这些游戏的解决时间要长得多。经过四个小时和总共200个代际后，它的表现略微提高。但遗憾的是，这种算法的一个主要局限性是它的可扩展性不强。

🌌 开放AI的宇宙工具包

开放AI最近推出了一个名为宇宙（Universe）的工具包，用于开发复杂游戏上的学习算法。与每个步骤只能采取单个操作不同，游戏中的角色可以同时执行多个操作，也可以使用动作向量，例如按右箭头键同时按下空格键来跳跃。我修改了我的代码，以适应宇宙工具包，使用神经网络的输出来创建可以传递给宇宙环境的操作。不同于Jim，宇宙使用了V和C来连接到运行模拟的Docker容器。然而，还存在一些与宇宙相关的问题，它经常断开与容器的VNC连接。在连接断开之前，我只能运行了几个代际的模拟。也许在未来，我能够运行更长时间的模拟，但目前来看，我认为宇宙工具包还不够成熟。