過去10年間，人工智能發(fā)展得非常快。但是同人類一樣，這些AI也需要經(jīng)過足夠時間的訓練，才具備被期待的智能。

2004年成立的游戲引擎公司Unity希望在這個新領域占據(jù)一半以上的市場份額。作為Unity的人工智能與機器學習高級副總裁，Danny Lange認為訓練AI最重要的工作就是為之創(chuàng)造一個足夠真實的模擬環(huán)境，幫助這些AI在虛擬程序中完成訓練，而不是把一臺無人駕駛汽車放到真實的馬路上去完成自我成長。而且，真實世界并不總是比游戲世界復雜，從技術的角度，這個問題可能是相反的，這也正是游戲引擎為什么可以反過來為在真實世界中行走的AI提供訓練的原因之一。

Yi：YiMagazine

L：Danny Lange

Yi：游戲引擎為何可以用于工業(yè)領域？

L：游戲有很多種，有些是2D的，但是大部分游戲特別是大型游戲都是3D的。而在3D游戲中，我們面對的其實是一個有各種3D物體、各種作用力的物理世界，并且我們可以與之交互。游戲引擎會用非?？斓乃俣忍幚盹@示屏上的像素組成，每當玩家操縱游戲里面的角色，像素會以玩家難以察覺的速度重新繪制，達到每秒30次以上。這種技術在游戲領域應用已久，我們發(fā)現(xiàn)，它也可以應用在工業(yè)領域，尤其是機器人領域。有一個概念叫“數(shù)字孿生”，我們可以為測試環(huán)境開發(fā)一個“數(shù)字孿生”，在虛擬的仿真環(huán)境中測試機器人程序，用近乎實時的方式控制和操作仿真環(huán)境中的機器人。這一切都在Unity的游戲引擎中進行，因為游戲引擎對3D環(huán)境的處理已經(jīng)非常成熟了。通過虛擬環(huán)境去測試機器人，既安全又經(jīng)濟。因為在現(xiàn)實世界中測試機器人，需要冒著損傷貴重硬件的風險，但是在3D仿真環(huán)境中，這樣的風險可以被規(guī)避。而且在仿真環(huán)境中可以測試機器人幾千幾萬次，甚至能用人工智能技術訓練機器人，成本遠低于在現(xiàn)實中訓練機器人。

Yi：在創(chuàng)造一個數(shù)字孿生環(huán)境的時候，人工智能可以做什么呢？

L：每18個月，我們用于訓練AI的數(shù)據(jù)量就會翻一番。這些數(shù)據(jù)對于模型的訓練非常有利，模型越來越大，也越來越智能。我們會使用深度學習這樣的技術來創(chuàng)造更多的可能性。比如，在現(xiàn)實物理世界中，我們面臨的一個重要挑戰(zhàn)就是收集訓練數(shù)據(jù)非常困難，這種困難主要體現(xiàn)在兩個方面：一是收集得非常慢；二是數(shù)據(jù)量有限。因此，我們使用合成數(shù)據(jù)來訓練AI。在游戲引擎中，我們可以生成大量的合成數(shù)據(jù)，并且可以同時運行非常多的測試，比如說同時運行1萬個測試，來快速獲取合成數(shù)據(jù)，用于訓練AI。這在真實的物理世界中不可能實現(xiàn)。

Yi：游戲是想象的世界，機器人或者是汽車需要面對的是真實世界，模擬真實世界所需要的數(shù)據(jù)維度是否更加復雜？

L：首先，實時3D技術在游戲中的應用和在工業(yè)中雖然核心技術相同，但也有很多不同之處。比如，工業(yè)領域對于精準度的要求要高得多，對于各種物理作用力，我們要模擬得更為精準，但同時它也不像游戲那樣要求畫面精美。在工業(yè)世界，準確更為重要。其次，從收集數(shù)據(jù)的角度來說，現(xiàn)實世界的數(shù)據(jù)和合成數(shù)據(jù)之間確實存在差異。為了讓合成數(shù)據(jù)盡量準確，我們會快速生成大量的合成數(shù)據(jù)，并且在合成數(shù)據(jù)中盡可能地引入非常多的變量，比如顏色、光照、行為等等，從而讓合成數(shù)據(jù)獲得足夠的樣本來隨機化，盡可能地捕捉到所有現(xiàn)實世界中可能存在的情況。在現(xiàn)實世界中如果想要收集這樣體量的數(shù)據(jù)，可能要花幾年時間。然而通過人工合成同等量的訓練數(shù)據(jù)，僅需要幾分鐘。

Yi：具體到訓練一個流水線上的機器人，你們會怎么做？

L：Unity的實時3D技術最初主要用于游戲開發(fā)，近幾年被廣泛應用于汽車、制造、工程建設等工業(yè)領域。單就工業(yè)領域來說，機器人在工業(yè)領域中已經(jīng)存在了很多年，現(xiàn)在，它們的應用場景更廣闊、也更靈活了。以前，機器人都是待在一個特定的位置，在一個有限的空間中按照既定程序來運行。但現(xiàn)在很多公司會讓機器人和人類協(xié)作，于是就有了Cobot（協(xié)作機器人）的說法。這些機器人需要從人手上拿過某些物體，或者以其他方式與人類協(xié)作。在仿真環(huán)境中，我們會引入與人類似的一些代理（Agent），也可以將其稱作“類人動物”（Humannoid）。我們訓練機器人與Humannoid之間的互動，這樣機器人就能在大量數(shù)據(jù)的訓練下，學會如何才不會撞到人，如何和人之間來更好地傳遞物體。通過合成數(shù)據(jù)，我們可以快速產(chǎn)生大量打過標記的圖像，來高效地訓練計算機視覺系統(tǒng)。試想在城市環(huán)境中訓練AI去開車，有非常多復雜因素需要處理。在工業(yè)場合下訓練機器人，和對AI無人駕駛技術的訓練有相通之處。

Yi：模仿工業(yè)流水線、汽車駕駛環(huán)境、建筑等不同場景時，需要面對的復雜度有何不同？可以模仿人體環(huán)境嗎？

L：幾天前，有人問我，我們可不可以使用Unity來模擬人的心臟，包括心臟跳動的狀況，以及周圍相關肌肉運動的情況。簡單地回答，當前我們還做不到。Unity的強項在于模擬一些剛性結構，包括機械手臂以及可移動的機器人。我們可以在結構以及力學方面實現(xiàn)非常好的模擬結果。人類器官—比如心臟有非常多復雜因素，包括軟組織、血液流動等等，當前還沒有辦法實現(xiàn)非常好的模擬，但在將來或許可以成為現(xiàn)實。

模擬其他領域，比如機器人、無人機、汽車以及工廠環(huán)境等，不同行業(yè)面臨的挑戰(zhàn)有所不同。當機場、航站樓需要一個數(shù)字孿生的時候，我們可以模擬機場、跑道、模擬飛機滑行的狀況，以及整個機場的運維管理，包括空管等很多動態(tài)因素，很適合用Unity來做。另外包括工廠生產(chǎn)線數(shù)字孿生、自動駕駛汽車學習環(huán)境，所有的汽車廠商都在使用游戲引擎訓練他們的模型和算法。之前我在Uber工作，在無人駕駛汽車的訓練過程中，需要考慮很多不同的動態(tài)因素，包括剎車距離、街上的交通狀況、突然出現(xiàn)在車前的行人等等，都需要去綜合考慮。我們要通過“幾百萬公里”的模擬訓練，才能將算法放到車上。

Yi：游戲世界和真實世界哪個更復雜？這種不同對技術意味著什么？

L：游戲世界比真實世界更復雜。因為在虛擬世界里，我們有更多的自由，能做的事情更多，不像在現(xiàn)實世界我們面臨非常多的制約因素。舉個例子，我們訓練AI的時候，和我們訓練人或者動物一樣是需要花時間反復訓練它的，在虛擬世界訓練AI我們可以借助大量云端算力以超高速完成，仿佛我們可以將時間加速。但是在現(xiàn)實世界，我們無法加速時間。

另外，訓練AI的時候我們也經(jīng)常用到強化學習。強化學習可以理解為是一個緩慢的進化過程。系統(tǒng)從最開始比較低的水平，一點一點進步，最后變得非常好。在這個過程中，我們可以在任何一個時間點，將當前的學習狀態(tài)保存在硬盤上，而未來我們可以回到狀態(tài)中，選擇其中一個時間點，再朝不同的另外一個方向去發(fā)展、訓練。在現(xiàn)實中，我們無法扭轉時間的走向，但是在虛擬世界可以。因此，虛擬世界中的很多事情在現(xiàn)實世界中沒有辦法做。通過虛擬世界，我們可以將更多的場景、可能性復現(xiàn)出來，從而幫助我們在現(xiàn)實世界中的決策。