你玩的第一款游戏是什么？魂斗罗、拳皇，还是 1980 年推出的吃豆人？
不过，即便你没玩过游戏，你也一定见过像素风格的张着嘴巴的小黄豆和四个被困在蓝色迷宫里的不同颜色的精灵。
当时，吃豆人作为游戏史上第一个以自己的名字命名的游戏角色，以淳朴可爱的形象俘获了包括妇女和儿童在内的各个年龄段玩家的芳心，销量一次次创下新高，直至现在，周边产品仍层出不穷。
今年是吃豆人发布 40 周年，整个互联网都在举办各种庆祝活动！作为一家“大胆”的 GPU 制造商，NVIDIA 也以独特的方式参与了这次致敬活动！
5月22日，也就是1980年吃豆人发布的同一天，NVIDIA发布了使用AI模型GameGAN的吃豆人游戏完整版，并宣布这一AI复制品将于下半年开放给玩家试玩。
那么这项复制任务的核心——GameGAN 究竟有何来历呢？官方的解释是：GameGAN 是一种利用生成对抗网络（GAN）模仿计算机游戏引擎的神经网络模型，也就是一种可以通过“打败自己”来提升自己的 AI。
要理解GameGAN，首先要理解GAN。传统的深度学习模型大致可以分为两类：生成模型和判别模型。
2014年，Goodfellow将生成模型与判别模型紧密结合，形成了GAN（生成对抗网络）
为了便于理解，我们可以把生成模型比作推销员小G，把判别模型比作拦截垃圾推销信息的拦截软件小D游戏软件开发，小G的目的就是诱骗拦截软件小D给我们发推销信息。
小D的目标是帮助我们过滤、识别和拦截垃圾短信发件人小G。当小G发现自己的营销短信被拦截时，他就会吸取经验教训，然后以不同的音调或数字再次发送。
小D也会通过学习不断提升自己识别垃圾短信的能力，双方会不断重复这样的竞争学习过程，直到达到一定的平衡。
完成这一非凡再现的AI模型：NVIDIA GameGAN，是一款应用于游戏领域的GAN。
GameGAN 在进行初始学习时，会记录我们在游戏中的行为并做出反应，生成新的游戏框架。同时经过不同游戏版本、游戏视频的训练后，依靠 GAN 的动态学习能力，GameGAN 可以不断探索游戏内容和游戏规则，甚至生成从未见过的游戏关卡。
总结来说，GameGAN 是第一个用 GAN 模拟计算机游戏引擎的神经网络模型，通过小 G 和小 D 两个神经网络的竞赛，在不了解游戏底层编程逻辑和开发规则的情况下，仅通过观看 5 万轮游戏视频就自行“抄袭”了吃豆人。
整个自主学习过程主要由动态引擎、记忆模块和渲染引擎三部分组成。
我们可以将GameGAN的三个部分想象成购买一块蛋糕的过程！
动态引擎用于将眼睛看到的蛋糕的颜色、形状等信息传送到大脑。
渲染引擎会分析眼睛看到的基本信息，比如红色是樱桃，黑色是巧克力，当然红色也可能是葡萄。
记忆模块负责记忆和存储我们整个购买过程，以便后续的学习和改进。
整个自主学习的过程是我们通过和店员的沟通不断更新对蛋糕的认识，从一开始只对颜色、形状提出意见，到最后能对材料、工艺提出要求。
事实上，AI自诞生以来就已经介入各类体育比赛、电子游戏，当然也不断刷新着人们对AI的认识。
例如2017年游戏软件开发，DeepMind研发的AlphaGo与当时世界排名第一的围棋选手柯洁对决，最终AlphaGo以3比0的绝对优势获胜，此后围棋界公认AlphaGo的棋艺已经超越了人类职业围棋选手的顶尖水平。
在游戏领域，2018年Dota2 5V5比赛中，Open AI几乎碾压了平均分数4000的Dota2选手，而在随后的公开5V5模式中，人类在577场比赛中只赢了两场。
在重制版的 Pac-Man 中，GameGAN 依靠自学习能力，不仅能确保 AI 模型生成与原版游戏相同的静态环境元素，如迷宫形状、豆子和强化道具，还能生成敌人鬼魂和 Pac-Man 本人等动态元素。它还能够学习和复制游戏规则，如 Pac-Man 不能穿墙、吃强化道具会导致鬼魂逃跑、被鬼魂抓住则游戏结束。
而且AI渲染模块还可以轻松替换或者改变游戏中的各种元素，比如更换游戏背景或者把吃豆人换成我们熟悉的马里奥！
其次，GameGAN不仅开发了Pac-Man，NVIDIA还基于原有的学习模型开发了另一款游戏Doom。
《毁灭战士》是id Software公司开发的第一人称射击游戏，近两年来，《毁灭战士》一直是人工智能研究领域的宠儿，卡内基梅隆大学、清华大学等高校的人工智能团队纷纷研发自己的AI机器人参加《毁灭战士》比赛，最终排名以各自AI的击杀数和自杀数总和为准。
Nvidia 完成对 Doom 的复刻，也意味着 GameGAN 可以从录制的游戏视频、玩游戏时的物理按钮轨迹中，学习任何游戏的内容和规则，并进行复刻，而不仅仅是参与游戏。
不过，虽然是一款简单的像素级吃豆人游戏，但NVIDIA投入的开发成本却非常高昂。游戏开发商万代南梦宫不仅向NVIDIA团队提供了5万集（共计数百万帧）的吃豆人脚本，NVIDIA AI研究团队还使用了4台搭载Quadro GV100 GPU的DGX计算机进行学习和训练。
同时由于GameGAN的动态引擎对图像的捕捉能力还不够成熟，现有的模型存在保真度的问题，导致GameGAN复刻出的游戏画面比较模糊，复刻的吃豆人游戏最高分辨率也只有128x128，帧率也只有50帧/秒。
不过NVIDIA实验室也表示，GAN的最终目标是仅仅通过观看视频并观察目标在环境中采取的动作来模仿驾驶规则或物理定律。
比如对于游戏开发者来说，他们不再需要费力思考新的游戏关卡或模式，完全可以让成熟的GAN通过自主学习来生成新的游戏内容，而《吃豆人》的GameGAN复刻版正是实现这一目标的第一步。
