作为游戏中的对手，学习AI有意义吗？

Question

我想为一个简单的四人游戏构建一个AI对手。然而，我并不是简单地想要创造一个完美的球员，这对人类来说是相当无聊的。相反，我希望有一个几乎从零开始的人工智能，并随着时间的推移学习游戏。

据我所知，解决这个问题的唯一方法是人工神经元网络。然而，似乎这些通常需要监督学习。此外，例如，this document指出，人工智能只有在大约20k游戏之后才接近成为一个完美的玩家-对于一个人类来说有点太多了。

因此，我想知道:在一个简单的游戏中合理使用学习AI是可能的吗？有没有合适的替代或扩展神经网络来完成这项工作？

Answer 1

我不知道有什么算法或技术能让计算机在与人类相同的时间尺度上学习游戏。但当我们谈到时间尺度时，我们必须小心。

例如，有一种由Fogel和Chellapilla开发的技术，它让一系列随机生成的神经网络相互竞争，然后使用遗传算法根据结果创建新的更好的神经网络。这最初是用跳棋完成的，但将适用于许多游戏。这项技术至少消除了人类训练的负担--网络之间相互竞争。

但是这种学习速度有多快呢？Fogel和Chellapilla仅用了大约250代就在跳棋上获得了良好的质量结果(A级性能，略低于专家)……但每代人的锦标赛包括大约150场不同的比赛，总共约37k场比赛。如果你一天玩一场游戏，你需要100年才能玩那么多。也许在这个水平上玩游戏的人十年来每天都玩十场游戏，但这似乎...不太可能。所以从这个意义上说，它比人类还慢。另一方面，一台好的笔记本电脑可能可以在一周内玩那么多游戏，这是任何人都做不到的。

因此，如果你正在寻找一种训练程序，在这种训练程序中，人类将能够在合理的范围内训练和感知性能的提高。今天，我不知道有什么能做到这一点的。(这是有道理的--我们最好的超级计算机仍然没有人脑的原始处理能力，而且我们还没有设计出能够利用那么多能力的算法。)

但是，如果你只是在寻找一个不完美的人工智能，你可以尝试像Fogel和Chellapilla这样的技术，而不是获得最终的，接近专家评级的结果，只是从中途获得一些东西，或者上一代的东西，但不是最好的结果。

Answer 2

您可能需要查看名为"General Game Playing“的字段。那里的重点是学习玩计算机以前从未见过的游戏。算法以明确定义的格式掌握游戏规则，它必须学会从头开始玩游戏。

最先进的技术几乎总是包含某种类型的蒙特卡洛模拟，系统在模拟中与自己玩数千场游戏，同时与人类或其他被测量的程序进行“真正”的游戏。