机器之心报道

编辑：蛋酱、魔王

1750 亿参数的 GPT-3，也许要拿走游戏从业者的饭碗了？

现在，你身处一款密室逃脱类游戏，主题是银行抢劫。

你的名字叫做「刚子」，你的同伙叫做「大力」。游戏的目标是用手提包装上保险箱和柜台的钱，尽快离开密室，而保险箱的密码只有银行柜员茹茹知道。如果警铃被触发，你们将只剩下 1 分钟的时间。

「欢迎来到盗梦人，你将以完全开放和沉浸的自由度进入游戏世界。」

虚拟角色的行为会受到游戏场景中其他角色的潜在影响。比如，当你开始伤害其他 NPC 的时候，同伙大力感到恐惧，甚至自己提前逃离了银行大堂（也是个猪队友）。

GPT-3 生成对话。

GPT-3 是 OpenAI 发布的自动补全工具第三代，它的突出特点是运行规模和自动完成任务的惊人能力。自从 2018 年第一代 GPT 出世以来，这个项目经历了多年的发展，一直代表着 AI 文本生成方面的最新方向。

第一代 GPT 包含 1.17 亿个参数。2019 年发布的 GPT-2 包含 15 亿个参数，而 GPT-3 拥有 1750 亿个参数，它不仅能够答题、翻译、写文章，还带有一些数学计算的能力。

GPT-3 生成的新闻报道文本，与人类写的文章难以区分开来。与此同时，GPT-3 已经接受过大量数字书籍资料的训练，吸收了很多历史人物的观点与知识。人类可以像和哲学家聊天一样，与 GPT-3 进行对话。

除了对话生成以外，机器学习社区也正在挖掘 GPT-3 的巨大应用潜力，比如基于文本描述生成代码、基于问题的搜索引擎、图像补全等功能。

目前，「盗梦人」游戏已开放内测，申请地址：https://rct-studio.com/zh-hans/apply-for-a-trial

混沌球算法详解

根据数字娱乐行业基于场景的内容创建方法，交互式体验的整套流程可以切分为单个场景。每个场景需要输入和设置，同时还需提供输出结果。场景内的环境是封闭的，只对输入和输出开放、在整个过程中，它无法与外界交互。

下图展示了传统的叙事方法和基于混沌球的叙事方法：

目前，强化学习在数字娱乐领域的应用主要是在智能体的开发上，它使得我们不需要标记的样本就能让智能体自主地在虚拟世界中进行探索与学习。比如，DeepMind 用 DQN 玩 Atari 游戏，用 AlphaGo 打败围棋高手。

而在以剧情或以故事体验为主的数字娱乐场景下，目前还没有较为成熟和高效的强化学习框架和解决方案。

这类数字娱乐内容里的智能体往往更加的多样和独立，且最重要的是，每个智能体的目标不像竞技性场景下那样明确和易于定义，因此又被称之为 “多智能体多目标” 的环境。

当玩家在虚拟世界中做出行动或说话时，每个 NPC 都会拥有自己独立的 AI 模型，它们将根据自己的决策模型做出反应，在有限的场景中提供动态和近乎无限的选择。

同时，AI 驱动的角色将与玩家一起协同产生更加复杂的故事情节，玩家也将不再局限于 NPC 之间的固定对话和 “僵硬” 的互动，从而获取无限且独特的娱乐体验。

rct studio：让故事拥有无限可能

rct studio 由 RavenTech（YC 2015，于 2017 年被百度收购）的核心成员创立，汇聚了来自人工智能、设计和商业化等各领域的人才，至今已从 Y Combinator、星瀚资本和 Makers Fund 获得了总共千万美元的融资。

在 rct studio 的官方网站上，赫然写着这样一行字：「生活有无数种可能性。我们相信，我们谱写的故事也拥有无限可能。」

参考链接：

《西部世界》走进现实，1 小时生成无限剧情，下一个游戏核心玩法已悄然诞生

https://rct-studio.com/blog/the-key-technology-behind-morpheus-engine