结合游戏智能谈人工智能的局部成熟

人的智能是用感觉分析自然和社会，做出决定的本能和智能。而人工智能是用数据来分析自然和社会，做出决定的运算。科学家和计算机专家在人工智能上经过不懈努力，已经在部分场景里达到了局部成熟。这个局部就是游戏，有些开放模型和无规模模型已经能很好地分析游戏和电子游戏，这些也有公开的文章，本文结合pytorch处理马里奥的游戏智能来引导介绍下游戏智能，既是对学习的总结，也是给大家的学习心得，共同提高。
首先，人是有一些分析经验在大脑里，pytroch对应的经验库是gym库，生成的经验环境语句有：
# Initialize Super Mario environment
env = gym_super_mario_bros.make("SuperMarioBros-1-1-v0")

# Limit the action-space to
#   0\. walk right
#   1\. jump right
env = JoypadSpace(env, [["right"], ["right", "A"]])
里面的"SuperMarioBros-1-1-v0"字眼里有Mario，表明和马里奥游戏对应。
环境经验是原始经验，经过下面的包装变成人工智能接受的数据：
# Apply Wrappers to environment
env = SkipFrame(env, skip=4)
env = GrayScaleObservation(env)
env = ResizeObservation(env, shape=84)
env = FrameStack(env, num_stack=4)
然后使用马里奥游戏智能模型来处理接受数据，游戏智能模型的原型如下：
class Mario:
def __init__():
pass

    def act(self, state):
"""Given a state, choose an epsilon-greedy action"""
pass

    def cache(self, experience):
"""Add the experience to memory"""
pass

    def recall(self):
"""Sample experiences from memory"""
pass

    def learn(self):
"""Update online action value (Q) function with a batch of experiences"""
Pass

里面cache是保存经验，recall是提取经验，learn是用经验学习，学习成果反应到运作act。具体的处理有细节，这里只是进行引导，让大家有印象，让计算机专业学生有常识。
下面是使用代码：
# Run agent on the state用状态生成动作
action = mario.act(state)

        # Agent performs action动作修改影响环境
next_state, reward, done, info = env.step(action)

        # Remember记忆画面，也就是经验
mario.cache(state, next_state, action, reward, done)

        # Learn学习
q, loss = mario.learn()

        # Logging记录日志
logger.log_step(reward, loss, q)

        # Update state更新状态
state = next_state

        # Check if end of game判断是否游戏通关。
if done or info["flag_get"]:
break

通过上面的介绍，知道人工智能AI处理电子数据已经很强大成熟了，处理自然数据因为自然数据信息量大，人工智能AI需要的能源太多，暂时不能普及，所以现在科学家和计算机专家在研究标签智能，类似于事务或对象不用每次都分析数据来获得到底是何事务或对象，而是用标签查找或比较来实现，但是这难度非常大，也正在发展中。