从英伟达借来一台DGX A100，油管百万博主开发出GAN版GTA5

你见过这样的GTA5吗？

看着是不是非常糊。

但如果我告诉你这里面每一个像素都是用GAN生成的呢！

当然，车的控制是由强化学习完成。

没有预写规则，也没有GTA5引擎。

神经网络负责处理画面中的一切信息，包括远处的风景，你每按下一次键控制车左转或右转、车撞到边栏等操作。

再仔细看一眼：

车有影子，

车窗上有阳光反射，

当然了，车辆互动也是有的！

这个GAN版GTA5来自一位民间高手，训练用的GPU还是从英伟达借来的！

只需GPU加速，无论什么操作系统的机器，都可以正常跑起这个Python程序。

而它还冲上了GitHub热榜：

它又是如何实现的？

从英伟达借来一台DGX A100

民间高手就是油管上一位百万博主，他此前是一位赛车手，现在是程序员，同时在油管上教机器学习的编程。

该模型基于英伟达的GameGAN，此前有人用这个框架做出过吃豆人的游戏。

但开发GTA5可比吃豆人复杂多了，光是做开放环境这一项就让难度直接跨上好几个等级。

既没有相关模型也没有训练数据，作者开始自己摸索。

首先从能控制汽车保持平衡开始，作者借用OpenAI Gym工具包的CartPole环境，用NEAT算法来完成对它的训练，然后收集数据。

NEAT，遗传拓扑神经网络，有人用它训练了个超级马里奥。

接着，他利用朋友正在开发的一个叫做Vroom的游戏。

该游戏基于OpenAI Gym工具包的Car Race环境，但是完全基于他们自己特殊的目的和需求进行了重写。

下面是使用英伟达Quadro RTX 8000训练几次后的效果：

画面有一些颗粒感，但是可以做到按键控制汽车方向（小轮子都在快速转动），还可以掉头、偏离路线再转回正轨。

做到这儿，作者就已经按耐不住喜悦之情了：“我们可是在神经网络生成的环境里开汽车诶，道路通往哪里、转向后的所有像素图都是它决定的啊！”

他将这个初始成果上传到Twitter之后，英伟达表示：可以试试他们的DGX station！

于是作者借来了一台含有两个64核EYPC CPU+八块A100 GPU、约合140万人民币的DGX A100服务器。

激动的心，颤抖的手，接下来该如何做出对得起这个机器的成果呢？

给Grand Theft Auto建模！

作者还给即将要建的模型取了个名字：GAN Theft Auto。

下面就是尽快收集游戏数据了，毕竟机器只是借的。

而手动玩GTA来收集太慢了（需要花费数月）, 他最终选择用12个AI来打这个游戏。

这12个AI在同一个游戏实例中“开车兜风”，并且都在同一段道路。不过每一个画面只记录一辆车的数据罢了。原始画面如下图：

各车辆接受来自Python脚本的转向、速度控制等命令。

脚本会分析当前位置和最近的道路节点，使驾驶路径尽量不同，这也是为了尽可能地覆盖所有可能的动作和汽车位置。

有了这些数据环境的帮助，就可以开始在GameGAN的基础上训练了。

ps.不了解GameGAN结构的停一下：

GameGAN由3大部分组成：记忆模块、动力引擎和渲染引擎。

动态引擎负责了解在游戏环境中哪些行为是“不允许的”（比如吃豆人无法穿墙而过），并负责对行为结果的反应方式进行建模。

内存模块负责场景的长期一致性，让模拟场景不会随时间而变化，它会记住生成的场景并在需要的时候适当检索。当玩家回到之前经过的地方时，画面就能保持一致。

渲染引擎负责渲染模拟图像，它可以学习解码图像中的静态和动态分量。

作者训练出的第一个模型（6个epoch后）效果非常像素化，也没有边界障碍，不过可以非常流利地控制车转向。

接着加入其他车辆和边界障碍，训练出第二个模型，它看起来仍然有些像素化，但还是清晰多了，而这次训练加入了超级采样 （让画面更清晰生动）。

这就是我们在文章开头看到的初始版本了。

整个过程前前后后一共花了大约2个月，结果虽然远比不上使用传统游戏引擎、3D建模出来的效果，但作者自己都在视频里连呼好几个cool：这可只是用神经网络就模仿出来的。

这完全就是真的GTA5游戏。

接下来，作者打算增加它的漫游范围，再加一些更有趣的东西，不过要抓紧时间了。

“看起来像是AI的梦境”

不知道你看到这个效果是何种感受，网友们可是炸了，一个个难掩自己的喜爱之情，有人都开始期待无限赛道的马里奥卡丁车了！

不少人觉得英伟达就该让作者留着那台“死贵”的DGX A100。

不过，很多人都觉得目前的画面很像是AI做的一个迷迷糊糊的梦：一个有点混乱但也可以辨认的世界。

这么惊喜的作品要说谁不喜欢，那就只有游戏引擎开发者了。

不知道未来会不会真的使用AI来开发出高质量的游戏呢～

GitHub地址：https://github.com/sentdex/GANT