人工智能

游戏开发中的人工智能(十):模糊逻辑

接上文 游戏开发中的人工智能(九):有限状态机

本文内容:开发人员经常把模糊逻辑和有限状态机结合起来使用,甚至取代有限状态机。本章将会学到模糊逻辑为什么优于传统的逻辑技术。

在生活中,我们经常会用“有一点”“差不多”“几乎没有”“接近于”这样的描述词,会模糊边界。

在传统逻辑中,非黑即白,就是0或者1,不是0,就是1,不存在其他的情况。而模糊逻辑,可以存在0到1之间的其他情况即灰色地带。比如高矮胖瘦,到底多高才叫高,多矮才叫矮,没有一个明显的界限,可以说有点高,很高,非常高,所以边界(或者说临界条件)是模糊的。0到1之间数值的大小,代表该事件属于0或者1的程度的大小即隶属度。我们可以编写隶属函数来判断隶属度,或者说概率来表示这个状态。隶属度表示程度,它的值越大,表明这个状态的概率越高,反之则表明这个状态的概率越低 。

1965 年,加州柏克莱大学教授 Lotfi Zadeh 写了第一篇论述模糊集合理论的论文。

模糊逻辑的两项基本原则是:

• 模糊逻辑的含义:让计算机以一种接近人类行为的方式解决问题
• 模糊逻辑的本质:一切都和程度有关

在游戏中使用模糊逻辑

游戏开发中的人工智能(九):有限状态机

接上文 游戏开发中的人工智能(八):描述式 AI 及描述引擎

本文内容:有限状态机是游戏软件 AI 的基本要素。本章探讨有限状态机的基础,以及如何予以实现。

有限状态机

有限状态机是一种抽象机制,是处在各种不同的预定状态下的其中一种状态。有限状态机也可以定义一组条件,以确认何时应该改变状态。实际的状态会决定状态机的行为。

本章我们要讨论有限状态机的基础,教你如何实现它。

状态机的基本模型

有限状态机模型,如图9-1 所示。

游戏开发中的人工智能(九):有限状态机

游戏开发中的人工智能(八):描述式 AI 及描述引擎

接上文 游戏开发中的人工智能(七):A* 路径寻找算法

本文内容:程序员通常只写描述引擎,而由设计者使用工具创建内容和定义 AI。本章探讨一些开发人员把描述系统应用在游戏中的技巧,以及他们所得到的益处。

描述式 AI 及描述引擎

本章讨论某些技巧,让你把描述系统应用到游戏软件 AI 的问题上,以及这样做以后所能获得的好处。

从最基本的层次上来看,你可以把描述机制想象成非常简单的程序语言,专门为与游戏问题相关的特定工作而量身打造。描述机制可以说是游戏开发过程中,不可缺少的一部分,因为这可以让游戏设计师,而不是游戏程序员,撰写出游戏,并予以精细化。玩家也可以利用描述语言,建立或修改其所处的游戏世界或登记。再进一步的话,你可以在超大型多人在线角色扮演游戏(MMORG)中使用描述系统,当人们实际在玩游戏时,就能改变游戏的行为。

游戏开发中的人工智能(七):A* 路径寻找算法

接上文游戏开发中的人工智能(六):基本路径寻找及航点应用

本文内容:介绍路径寻找算法的主力——A* 路径寻找方法。

A* 路径寻找算法

路径寻找是游戏软件AI 最基本的问题之一。A* 算法是当今游戏软件开中,相当常用的一种。A* 算法之所以会如此吸引人,是因为它可以保证在任何起点及任何终点间找到最佳的路径。

我们可以尽量使用 A* 算法,除了某些特殊情况的场景。例如,如果起点和终点之间没有障碍物,有明确的视线,那么视线移动算法即快速又有效,就没有必要使用 A* 算法了。如果CPU的功能不强,A* 算法会耗用不少CPU运算能力,尤其是,需要同时为许多游戏角色寻找路径的时候,A* 算法可能不是最佳的选择。

本章会循序渐进地讨论 A* 算法的内部运作过程,了解 A* 算法如何在起点和终点间建立路径。

定义搜寻区域

路径寻找的第一步是定义搜寻区域,我们需要以某种方式表示游戏世界,让搜寻算法能借此予以搜寻,并找出最佳路径。

深度学习颠覆了对话人工智能

作者:Yishay Carmiel
转自: oreilly.com

语音识别的梦想是一个能在不同的环境下、能应对多种口音和语言的、真正理解人类语言的系统。几十年来,对这个问题的尝试都没有成功。寻找一个能有效地创建这样的系统的策略看起来是不可能完成的任务。

然而,在过去的几年间,人工智能和深度学习领域的突破已经颠覆了对语音识别探索的一切。深度学习技术在语音识别领域的运用已经取得了显著的进步。现在我们已经在非常多样的产品(比如Amazon Echo、Apple Sir等)里面看到了展示出来的发展的跃升。在这篇博文里,我会回顾一下近期语音识别的发展,检视带来这些快速进步的因素,并会讨论一下未来的发展以及我们离完全解决这个问题还有多远。

一点背景知识

多年以来,人工智能的主要任务之一就是去理解人类。人们希望机器不仅能理解人说了什么,还能理解他们说的是什么意思,并基于这些理解的信息采取相应的动作。这个目标就是对话人工智能的精髓。

游戏开发中的人工智能(六):基本路径寻找及航点应用

接上文:游戏开发中的人工智能(五):以势函数实现移动

本文内容:游戏开发人员使用很多技术在游戏环境中寻找路径。本章要谈几种方法,包括航点应用。

基本路径寻找及航点应用

寻找路径的问题有很多不同类型。没有一种解决方法可以适用各种类型的路径寻找问题。

解决办法和每个游戏特定的路径寻找的需求细节有关。例如,目的地会移动还是静止不动?有没有障碍物?障碍物是否会移动?地形是什么样的?最短路径解决办法是不是一定是最佳解决办法?

路径寻找问题也可能不需要到达某个特定的目的地,也许你只是想让某个游戏角色在游戏环境中,看似聪明的四处移动或探索(类似前面讲过的移动模式)。

由于路径寻找问题有如此众多的类型,只选一种解决方法并不恰当。例如,A* 算法虽然是许多路径寻找问题的良方,但是不适用于每种情况。

本章会探索某些技巧,让你在A* 算法不适用时使用。A*算法将会在第七章讲解。

基本的路径寻找

对深度学习的逃逸攻击 — 探究人工智能系统中的安全盲区

作者: 肖奇学1, 许伟林2, 李康1 (1. 来自 360 Team Seri0us 团队, 2. 美国弗吉尼亚大学)

“逃逸攻击就是要把百分之零点零零一的误判率变成百分之百的攻击成功率”。

虽然深度学习系统经过训练可以对正常输入达到很低的误判率,但是当攻击者用系统化的方法能够生成误判样本的时候,攻击的效率就可以接近100%,从而实现稳定的逃逸攻击。

1、逃逸攻击简介

逃逸是指攻击者在不改变目标机器学习系统的情况下,通过构造特定输入样本以完成欺骗目标系统的攻击。例如,攻击者可以修改一个恶意软件样本的非关键特征,使得它被一个反病毒系统判定为良性样本,从而绕过检测。攻击者为实施逃逸攻击而特意构造的样本通常被称为“对抗样本”。只要一个机器学习模型没有完美地学到判别规则,攻击者就有可能构造对抗样本用以欺骗机器学习系统。例如,研究者一直试图在计算机上模仿人类视觉功能,但由于人类视觉机理过于复杂,两个系统在判别物体时依赖的规则存在一定差异。对抗图片恰好利用这些差异使得机器学习模型得出和人类视觉截然不同的结果,如图1所示[1]。

细看世界各国的人工智能布局

人工智能是引领未来的战略性技术,世界主要发达国家把发展人工智能都作为提升其国家竞争力、维护国家安全的重大战略,加紧出台规划和政策,围绕核心技术、顶尖人才、标准规范等强化部署,力图在新一轮国际科技竞争中掌握主导权,从而引领世界,引领潮流。

美国

美国在人工智能发展方面具有明显的优势,从政府到企业对人工智能带来的变革都极为重视,科研机构对人工智能重视程度也在不断加强,相关创新型产品迭代迅速。

战略层面高度重视,成立国家专家委员会机构

2015年以来,美国白宫科技政策办公室连续发布的《为人工智能的未来做好准备》、《国家人工智能研究和发展战略计划》和《人工智能、自动化与经济报告》3份重量级报告。2016年5月,美国白宫推动成立了机器学习与人工智能分委会(MLAI),专门负责跨部门协调人工智能的研究与发展工作,并就人工智能相关问题提出技术和政策建议,同时监督各行业、研究机构以及政府的人工智能技术研发。

资本与政策共同发力,挖掘最具潜力的创业企业

对大数据和人工智能的冷思考

大数据和人工智能是今年最热门的话题,在司法领域更是如火如荼,司法在大数据时代的范式革命已经到来。但利之所在弊亦随之,如果对大数据和人工智能的风险缺乏充分认识,不能在热情之余做一番冷思考,则可能会产生许多难以预料的后果。

首先,是大数据和人工智能的安全性问题。该问题虽属老生常谈,但在互联网犯罪模式从攻击计算机和网络本身转向彻底的虚拟犯罪的时代背景下,可能历久弥新。当前,在互联网犯罪中,已经大量出现了犯罪人接受他人委托,侵入政府部门与企事业单位的计算机系统修改数据以及拦截修改计算机信息数据的案例。因此,笔者认为没有理由认为司法大数据能独善其身。毕竟,在互联网犯罪海洋中,没有哪个地方是绝对的安全岛。

其次,是大数据和人工智能的可靠性问题。围绕美国威斯康辛州法院采用的COMPAS量刑程序的争议和诉讼就是一例。有研究者认为,COMPAS倾向于高估某些特定人群的再犯可能性,而这很可能反映了设计者所固有的偏见。如果数据分析本身就受偏见的左右,那么以此为基础的人工智能所作出的决定还能可靠吗?更令人担忧的是,有相当一部分人工智能系统依靠的是机器学习算法。这种算法几乎就是“黑盒子”,因为算法的开发者也难以解释算法的真正运行机制和可能造成的后果。法律乃善良公正之术。当司法拥抱科技时,如果人类将公平正义的决定权交给算法,那么就会面临正义与科技谁会笑到最后的难题。

大话人工智能:机器学习的优与劣

从 20 世纪 60 年代开始,人们就在期待像哈尔(HAL)这样的科幻级别的 AI,然而直到最近,PC 和机器人还是非常愚笨。现在,科技巨头和创业公司宣告了 AI 革命的到来:无人驾驶汽车、机器人医生、机器投资者等等。普华永道认为,到 2030 年,AI 将会向世界经济贡献 15.7 万亿美元。“AI”是 2017 年的热词,就像“.com”是 1999 年的时髦用语那样,每一个人都宣称自己对 AI 感兴趣。不要被有关 AI 的炒作所迷惑,它是泡沫还是真实?和旧有的 AI 潮流相比,它现在有什么新颖之处?

AI 并不会轻易或迅速地被应用。最令人兴奋的 AI 实例往往来自大学或者科技巨头。任何许诺用最新的 AI 技术让公司发生革命性变革的自封的 AI 专家,都只是在传递错误的 AI 信息,其中某些人只是重塑旧有技术的形象,把它们包装成 AI。每个人都已经通过使用 Google、微软、亚马逊的服务,来体验了最新的 AI 技术。但是,“深度学习”不会迅速地被大企业所掌握,用来定制内部项目。大多数人都缺乏足够的相关数字数据,不足以可靠地用来训练 AI。结果就是,AI 并不会杀死所有的工作机会,尤其因为它在训练和测试每个 AI 的时候还是需要人类。

同步内容
--电子创新网--
粤ICP备12070055号