去年對外展示以生成式對抗網路 (GAN,Generative Adversarial Network)形式打造，並且能透過預先完成訓練的人工智慧系統，將簡單顏色塗鴉生成擬真圖像的GauGAN研究工具後，NVIDIA旗下研究室再次對外展示名為GameGAN研究工具，強調可在沒有任何遊戲引擎等基礎下，完全藉由深度學習自動產生一個全功能、可遊玩的遊戲內容。
與萬代南夢宮在內遊戲業者合作
為了達成此項研究，NVIDIA更與萬代南夢宮合作，藉由知名經典遊戲《Pac-Man》作為學習範本，讓電腦系統藉由裝載4張GPU的DGX超級電腦進行學習加速，約花費4天時間完成學習包含數百萬組畫面、總計5萬局的《Pac-Man》遊玩內容，並且從零到有建構一套完整、可遊玩的遊戲，其中包含遊戲中的迷宮結構、移動路徑中的點點與無敵藥丸，以及Pac-Man與鬼的移動模式。
而更重要的是讓人工智慧記住遊戲中的遊玩規則，例如玩家操作的Pac-Man與鬼都不能穿越迷宮牆壁，同時Pac-Man行進時會將點點吃掉，並且在吃下無敵藥丸時呈現無敵狀態，而鬼在此時則會變成藍色、呈現逃走狀態，但是如果在一般情況直接碰到鬼的話，Pac-Man就會死掉，遊戲也會跟著結束。
並非複製，而是理解後重新建構遊戲內容
依照NVIDIA說明，整個學習過程包含分析遊戲畫面構成元素、理解遊戲遊玩方式，進而在沒有任何遊戲引擎等基礎情況下，由系統透過深度學習結果自動生成一組可被人遊玩的遊戲。
其中整個過程完全是由人工智慧系統以認知理解結果，重新生成一套遊戲內容，而非透過複製等方式建構。
之所以會選擇用遊戲來訓練人工智慧，自然也是因為許多遊戲採用固定、有規律的玩法，同時可在短時間內結束遊玩，操作過程也涵蓋大量決策判斷，因此相當適合用於人工智慧系統密集訓練需求。
類似情況，先前Alphabet旗下Deep Mind團隊就利用《星海爭霸II》遊戲內容，訓練旗下AlphaStar人工智慧系統，藉此提昇人工智慧決策推論判斷能力。
除了《Pac-Man》，NVIDIA表示目前也與其他遊戲業者合作，讓人工智慧系統能學習更多遊戲內容細節，藉此訓練其分析、認知，進而藉由理解結果重新建構可遊玩的遊戲內容。
為了讓人工智慧學習效率加速，有利於簡化模擬訓練流程
在進一步的說明中，NVIDIA認為打造GameGAN研究工具的目的，是為了讓人工智慧能更進一步深入學習所分析內容、情境，同時也能藉由深入了解，重新組合成可遊玩的遊戲內容。而透過這樣的訓練，NVIDIA最終希望能加快人工智慧對於所分析、學習內容理解效率，進而能套用在使自駕車、工廠自動化生產系統學習識別等領域。
由於目前主要是針對影像內容進行學習，但NVIDIA表示未來也會考慮讓人工智慧系統能進一步識別聲音部分，藉此實現更全面的學習效果。
對遊戲等產業發展也有助益
不過，NVIDIA模擬技術副總裁Rev Lebaredian也強調GameGAN研究工具並非用於取代傳統遊戲開發人力，但確實有助於遊戲內容建置效率，例如讓人工智慧學習理解遊戲中的光影與遊戲場景素材對應關係，進而能節省開發者在遊戲內的場景建置，或是設置角色互動時所需時間。類似情況，其實也能套用在電影、動畫等內容創作，藉此讓創作效率可大幅提昇。
同時，Rev Lebaredian也說明人工智慧學習結果，並不會出現改變遊戲強度，或是協助開發者挖掘遊戲漏洞、錯誤情況，而是完整學習所有遊戲呈現內容，並且透過理解重新生成一組相同，或是細節略有不同的遊戲。
藉由GameGAN研究工具背後技術原理，NVIDIA預期未來針對人工智慧系統的模擬訓練，將可簡化至僅透過「觀看」影片內容即可完成分析學習，而不需要事先花費時間精力建置預期學習成果的訓練場景，以及可能面臨突發改變情況，進而可讓人工智慧系統訓練變得更簡單，同時也更具效率。
