【為什麼我們要挑選這篇文章】蓋房子是玩 Minecraft 的樂趣之一，近期有科學家開發 3D 神經元細胞自動機（3D NCA），讓 AI 學會在 Minecraft 蓋房子。或許我們哪一天玩創世神，會在裡面遇到 AI 玩家呢！（責任編輯：郭家宏）
本文經 AI 新媒體量子位（公眾號 ID：QbitAI）授權轉載，轉載請連繫出處
作者：量子位
了解遊戲「當個創世神（MineCraft）」的讀者，一定很熟悉這樣的畫面。
但是，如果蓋房子的不是人，而是 AI 呢？
這是來自哥本哈根信息技術大學、約克大學和上海大學的學者，利用 3D 神經元細胞自動機（NCA）完成的新研究。
不僅能生成靜態結構，例如公寓，樹木、城堡：
還能生成功能性機器，比如爬行的毛毛蟲：
把它一切兩段，還會玩再生術，成功分身……
（咦~有畫面感了）
這是怎麼做到的？
科學家開發 3D 神經元細胞自動機，讓 AI 學會蓋房子
研究者其實是受到「生命遊戲」中元胞自動機（CA）的啟發，在 2D 基礎上開發了 3D 神經元細胞自動機（NCA）。
「生命遊戲」就是基於元胞自動機的原理製作的，也可以說是元胞自動機的一個展示。
它是由英國數學家約翰．康威在 1970 年發明的。在網格中，每個方格居住著一個細胞，其狀態由其周圍的 8 個細胞決定，以黑色代表細胞存活。
之後，許多研究採用了更為複雜的神經網絡規則，被稱為神經元細胞自動機（NCA）。但是其應用大多侷限於 2D 結構，或是只能生成簡單的 3D 結構。
為了提高 NCA 在實際應用中的通用性，研究團隊開發了 3D NCA。
它利用 3D 卷積捕捉周圍更多的細胞，以生成複雜的 3D 結構，並且具有更多類型的建造單元。
研究人員試圖利用 NCA 從單個活細胞生成目標實體，利用監督學習對重建損失進行優化。
並且，將「當個創世神」中的實體作為 3D 網格中的細胞，其狀態向量包含：塊類型、存活狀態、隱藏狀態。
但是，由於每個單元是單一的塊類型，於是他們將結構重建任務視為一個多類分類問題，預測給定單元的類型。
利用 Pytorch 提供的 LogSoftmax 和 NLLLoss 方法組合，以實現是在目標與預測的細胞結構之間，最小的交叉熵損失。
這種損失導致性能不穩定，並且模型展現出對「空氣」塊的偏好。
在訓練中，「空氣」塊通常佔據了所選結構的大部分，因此，訓練數據不平衡可能會導致模型過度預測。
為解決這一問題，研究人員根據是否歸類為「空氣」塊，將損失計算劃分為兩部分，並且增加了一個交叉重疊（IOU）成本，測量非「空氣」塊與實體之間的絶對差，以此提升精度。
NCA 蓋房子，效果如何？
針對模型在靜態結構和動態功能機器的重構性能，研究人員進行了評估，並記錄了各項參數。
結果顯示，NCA 的重構能力具有穩健性：
不過，NCA 對於構建較大的實體（比如：教堂）仍具有挑戰性，因為模型經常陷入局部極小值，需要更長的時間來訓練。
儘管大教堂模型比一些實體的損失更低，但有許多隨機生成的結構，因此沒有其他實體自然。目標結構與生成效果的對比：