AI 也在當創世神！科學家開發 3D 神經元細胞自動機，讓 AI 學會蓋房子

【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：

此外，在生成自然界中更隨機的實體（比如：橡樹）時，也更加困難。

正如前文提到的，NCA 能生成靜態結構，並且可以很好地增加單個塊類型的數量，生成多樣化和複雜的裝潢，比如公寓樓內部：

令人意外的是，在叢林神廟中，NCA 甚至生成了一個箭陷阱。

在生成功能性機器時，研究人員發現，不同結構的生成模式也不同：

一些結構是從小細胞漸漸擴大到最終形態；而毛毛蟲則是先快速生成，然後再淘汰細胞形成最終的結構。

此外，NCA 的再生特性也是一大亮點，除了從單個細胞中生長出複雜的結構外，這些局部更新規則還允許再生或修復損傷。

即使未經訓練，它仍然能恢復某些受損的結構，比如樹：

不過，研究人員在對比測試後發現：

在未經過再生訓練時，模型的再生率僅有 30%；而進行再生訓練後，生成率能達到 99%。

3D NCA 引起了網友的廣泛關注，reddit 上還有網友提到：

NCA 在物理學上的應用也值得探索，比如：它可以用來模擬晶體形成。

參考資料

《Arxiv》、《Science》、《Wikipedia》、《twitter》、《reddit》

（本文經 AI 新媒體量子位 授權轉載，並同意 TechOrange 編寫導讀與修訂標題，原文標題為〈通过细胞自动机，AI在「我的世界」学会了盖房子〉。首圖來源：量子位）

延伸閱讀

相機也能打 Minecraft！超強工程師在單眼架設伺服器
【17 歲少年的駭客日誌】從電動遊戲 Minecraft 到社群媒體 Twitter，他為什麼走上不歸路？
日本全國停課防疫，小學生在《Minecraft》蓋禮堂慶祝畢業典禮