AI遊戲引擎生成《毀滅戰士》，為什麼震撼了歐美遊戲界_風聞

想象着類比一下，大概就是AI做出了《仙劍奇俠傳》的感覺吧。

上個月，谷歌的AI開發團隊DeepMind公佈了首個“AI遊戲引擎”GameNGen，正如其名字所暗示的，這個“遊戲引擎”依靠的是新潮的“神經網絡”也就是俗稱的AI來生成遊戲畫面。

而這個AI引擎的第一個成果，就是3D射擊遊戲的標杆作品:《毀滅戰士》（DOOM）。

這件事一時間在歐美遊戲圈成為了人人在討論的話題，不論是開發者還是普通玩家，都將這視為AI技術在遊戲領域發展的又一標誌性事件。

以旁人的視角來看，這種討論風潮其實更多是基於當地玩家對於《DOOM》的情懷。但事情也並非只是這麼簡單。

1

谷歌技術團隊選擇《DOOM》的原因不難猜測，DOOM作為現代3D射擊遊戲的老大哥，很多設計理念堪稱現代3D遊戲的教科書，如果能順利重現《DOOM》中的各種設計和機制，那麼意味着AI足以駕馭相對複雜的3D遊戲場景。

另一點則是《DOOM》作為老遊戲，對於硬件要求很低，以至於有一部分愛好者熱衷於用各種帶有屏幕的電子設備遊玩《DOOM》，對於AI“遊戲引擎”來説，運行《DOOM》的難度顯然也比動輒4K的現代3D遊戲要現實很多。

《DOOM》甚至能在計算器上玩

不過，這個“微波爐和計算器都能運行的遊戲”對於算力充足的AI來説依舊是個不小的挑戰，其主要原因是基於AI的GameNGen採取的是一條截然不同的道路。

於一般的遊戲製作來説，遊戲的開發人員會預先將關卡的地圖製作好，並通過遊戲的3D引擎進行渲染，最後將實際的遊戲畫面呈現在玩家面前。在這個過程中，遊戲的3D引擎並不需要做什麼“主觀創新”，只要老老實實將相對抽象化的關卡數據“翻譯”成直觀易懂的畫面即可。 

玩家眼裏複雜的地圖，在引擎眼裏只是各種參數和抽象線條

而GameNGen這個AI模型則正好相反，它要根據現有畫面和玩家的輸入，通過自己對於《DOOM》的理解，去“即興創造”出後續的遊戲畫。從邏輯上，更像是在玩桌面RPG時，DM靠自己的創造力和遊戲理解，向玩家們描述場景和接下來遇到的敵人，只不過GameNGen這個“DM”靠的不是用文字和語言敍述，而是通過快速畫圖，給玩家看一段可以實時交互的動畫。

從結果來説，GameNGen的表現着實超出預期。谷歌的團隊放出了內部測試時的實機試玩，能看到AI引擎的確理解了複雜的遊戲規則，正確地識別玩家做出的移動、開火和交互，射擊會消耗子彈，敵人會被正確擊殺，甚至在酸液池這種特殊地形上也會有持續扣血的效果。此外，開門和拾取道具等要素也基本都做了出來，很多時候乍一看就是DOOM。

更難能可貴的是，GameNGen能實現每秒20幀的刷新頻率，雖然20 FPS這個數字在大多數玩家眼裏是難以接受的低幀數，但如果考慮到一般的作畫AI往往需要數秒甚至半分鐘才能做出一張圖片，每秒20張圖且能根據玩家的實時交互而隨時做出改變，已經是非常傲人的成績了。

不僅如此，GameNGen的團隊表示他們還嘗試將團隊試玩AI版DOOM的部分畫面剪輯出來，混在DOOM原版的試玩片段中，讓10名人類測試者判斷哪一邊是AI版DOOM，哪一邊是原版DOOM，最終人類識別的正確率是60%左右。即，有40%左右的AI版DOOM畫面成功瞞天過海，混到了原版之中。

2

為了讓GameNGen做到這種效果，開發團隊也的確花了不少心思。

GameNGen的運行方式並不難理解，每一幀的新畫面，都是AI通過前4幀的畫面進行“預測”而來的，和很多視頻生成類AI有着相似的原理。不過為了防止AI天馬行空地瞎畫一氣，需要AI本身對於DOOM有着充分的理解，也就是經常在AI相關話題中提到的“AI訓練”，這個過程往往需要巨量的素材來幫助AI構建一個基本概念。

左側的四幅是遊戲中剛剛經過的四幀，中間是AI預測的下一幀畫面，右側則是實際的畫面

根據谷歌開發團隊的文檔，GameNGen用了超過9億幀的DOOM實機畫面進行訓練，如果換算成人類的話差不多相當於不眠不休看了近一年的DOOM，這也讓GameNGen成為了不折不扣的“DOOM雲領域大神”。

當然，這麼種數量級的數據絕非是真人玩家能慢慢打出來的，為了能讓GameNGen獲取足夠的素材，谷歌團隊還給它準備了8個專門玩DOOM的AI，高強度地在那裏打DOOM積攢素材。一些網友開玩笑説就像是GameNGen在追8個AI Vtuber的切片錄播。

而針對這幾個“打機”AI，團隊也設計了一套賞罰機制：受擊、死亡就會扣分，而擊中、擊殺敵人則會加分，團隊還希望幾個AI能像人類一樣“舔圖”，給了發現秘密地區和長距離移動探索等行為一定的加分。

谷歌團隊設置的賞罰標準

生成DOOM畫面的是很多人都熟悉的Stable Diffusion，這是個可以將文字轉化為圖片的AI繪圖模型，不管是以假亂真的照片還是漂亮的二次元小姐姐都不在話下。但正如前文提到的，這類繪圖AI的生成速度並不快，儘管DOOM的分辨率只有320x240，想要達到能玩的標準，還需要進行一些修改。

他們將Stable Diffusion生成圖片的步驟從原本的20步縮減成了4步，大幅加快了出圖的速度。由於DOOM的畫面相對簡單，在這種情況下，雖然很多畫面的細節被扭曲成了奇怪的色塊，卻依舊能大致分辨出畫面上的元素。

在這個基礎上，谷歌的團隊進一步精調了解碼器，讓生成的結果更接近實際的畫面。

左側為調整解碼前SD生成的圖片，中間為調整後，右側則是實機上的原始效果

從結果來説，GameNGen的確做到了捱打會扣血，開槍能殺怪，敵人也會在屏幕上做出相應的移動、攻擊，但從團隊放出的更多花絮視頻來看，距離AI取代遊戲設計師還差了很遠。

3

像很多AI模型一樣，GameNGen也有着各種各樣的抽象絕活。

首先一個問題就是，它的記性不怎麼好，從團隊給出的數據來看，GameNGen只能記住過去3秒的圖像信息，對於單個敵人的瞄準射擊來説的確綽綽有餘，但對於整個遊戲關卡來説就顯得力不從心了。

比如在一段錄像中，我們看到遊玩者打開了一扇門，擊殺了位於門後的兩個敵人。由於遊玩者並沒有選擇直接進入新房間，反而是轉身在原房間中又繞了兩圈，等到遊玩者再次打開剛才的大門時，門後的敵人“死而復生”，再次發起了攻擊。

像是剩餘備彈這種相對穩定的數據，AI有時候也會莫名“抽風”

實際上，在前文提到只有60%正確率的人類測試中，所有的遊戲影像都被控制在了3秒之內，避免了AI穿幫。

另一方面，基於前四幀進行預測生成的畫面，也有諸多不穩定之處。當敵人位於遠方時，AI一會認定那個小的褐色色塊應該是一個持槍的敵人，一會又認為那不過是後方牆體的貼圖，導致屏幕上出現的是一個不斷變換的褐色煙霧，直到遊玩者走近後才“定型”。

一些場合下，槍口火光、遠處背景和敵人本身的色塊混在一起，

讓陷入混亂的AI呈現出了不真切的夢幻感

而走到一些過於黑暗、辨識度不高的場景時，GameNGen疑似還出現了“鬼打牆”的現象，有可能是因為記錄的過往畫面過於相似，無法讓AI正確地判斷出玩家的位置和方向。

總體而言，比起“在AI引擎上玩DOOM”，GameNGen目前的表現更像是“做了一場在玩DOOM的夢”，雖然看上去煞有其事，但並沒有辦法像真正的電子遊戲一樣，有着一以貫之的客觀邏輯。

結語

在過去幾年，我們見證了人工智能技術的高速發展，就在幾年前，AI繪圖還是連手指都畫不明白的人工智障，如今，AI不僅能畫出精美的圖片，也可以生成數十秒的視頻，弄出繪聲繪色的配音。而現在甚至開始能當遊戲引擎了。

各行各業的從業者，對於AI的發展也是五味雜陳，一方面它們作為工具的確能提供不少的幫助，提高從業者的生產力。比如在前陣子德國舉辦的Devcom開發者論壇上，根據部分機構的調研披露，從業者中最常使用AI的崗位恰恰也正是目前反對聲最大的美術相關人員；

另一方面，每個人又確實在擔心自己的工作會不會有朝一日被AI靠着低成本和高迭代給搶走。在不久前，因擔心自己的形象被3D掃描和AI配音替代掉，不少遊戲演員們參與了罷工。

谷歌公佈的GameNGen，從目前來看還十分稚嫩和原始，不管是談助力或是威脅都為時尚早，但在技術高速發展的今天，誰又説得好幾年後又會是什麼樣子呢？