这个赛车AI不再只图一时爽，学会了考虑长远策略

玩赛车游戏的AI们现在已经不仅仅是图快图爽了。

他们开始考虑战术规划，甚至有了自己的行车风格和“偏科”项目。

比如这位只擅长转弯的“偏科”选手，面对急弯我重拳出击，惊险漂移，面对直线我唯唯诺诺，摇晃不停：

还有具备长远目光，学会了战术规划的AI，也就是这两位正在竞速的中的绿色赛车，看似在转弯处减缓了速度，却得以顺利通过急弯，免于直接GG的下场。

还有面对不管是多新的地图，都能举一反三，跑完全程的AI。

看起来就像是真的在赛车道上学会了思考一样。

（甚至上面所说的那位偏科选手还在不懈努力后成功逆袭了）

这项训练结果一经公布，便吸引了大批网友的围观：

强化学习让AI学会“长远考虑”

训练赛道来自一款叫做《赛道狂飙》 （Trackmania） 的游戏，以可深度定制的赛道编辑器闻名于玩家群体。

为了更大程度上激发赛车AI的潜力，开发者自制了这样一张九曲十八弯的魔鬼地图：

这位开发者名叫 yoshtm ，之间就已经用AI玩过这款游戏，一度引发热议：

一开始，yoshtm采用的是一种监督学习模型，拥有2个隐藏层。

模型包含了16个输入，包括如汽车当前速度、加速度、路段位置等等，再通过神经网络对输入参数进行分析，最终输出6种动作中的一种：

基于这一模型架构，开发者让多只AI在同一张地图上竞争。

通过多次迭代，不同AI的神经网络会出现细微的差别，结果最好的AI将最终脱颖而出。

这种方法确实能让AI学会驾驶，不过也带来了一个问题：

AI常常只能以速度或最终冲线的时间等 单一指标 来评估自己，难以更进一步。

这次，时隔两年后的赛车AI，不仅学会了从长远出发制定策略（比如在急弯时对速度作出调整），还大幅提高了 对新地图的适应性 。

主要原因就来自于开发者这次引入的新方法， 强化学习 。

这种方法的核心概念是“奖励”，即通过选择带来更多奖励的行为，来不断优化最终效果。

在训练赛车游戏中的AI时，yoshtm定义的奖励很常规：速度越快奖励越多，走错路或掉下赛道就会惩罚。

但问题是，一些行动，比如在临近转弯时的加速或许能导致短期的正面奖励，但从长远来看却可能会产生负面的后果。

于是，yoshtm采用了一种叫做 Deep Q Learning 的方法。

这是一种无模型的强化学习技术，对于给定状态，它能够比较可用操作的预期效用，同时还不需要环境模型。

Deep Q Learning会通过深度网络参数 的学习不断提高Q值预测的准确性，也就是说，能够使AI在赛车游戏中预测每个可能的行动的 预期累积奖励 ，从而“具备一种长远的策略目光”。

随机出生点帮AI改正“偏科”

接下来开始进行正式训练。

yoshtm的思路是，AI会先通过随机探索来尽可能多地收集地图数据，他将这一行为称之为 探索 。

探索的比例越高，随机性也就越强，而随着比例降低，AI则会更加专注于赢取上述设置的奖励，也即专注于跑图。

不过，在训练了近3万次，探索比例降低到5%时，AI“卡关”了：

核心问题是AI出现了“偏科”。

由于前期经历了多个弯道的跑图，所以AI出现了 过拟合 现象，面对长直线跑道这种新的赛道类型，一度车身不稳，摇摇晃晃，最终甚至选择了“自杀”：

要如何解决这个问题呢？

yoshtm并没有选择重新制作地图，而是选择修改AI的出生点：

每次开始训练时，AI的出发点都将在地图上的一个随机位置生成，同时速度和方向也会随机。

这一办法立竿见影，AI终于开始能够完整跑完一条赛道了。

接下来就是进行不断训练，最终，开发者yoshtm和AI比了一场，AI在这次跑到了最好成绩： 6分20秒 。

虽然还是没有真人操控的赛车跑得快，不过AI表现出了较强的场地适应性，对草地还是泥地都能立马举一反三。

yoshtm最后这样说道：

《赛车狂飙》本来就是一个需要大量训练的游戏，AI当然也如此。

至少我现在很确定，这个AI可以打败大量的初学者。

关键词： 强化学习 神经网络