采用这种方式处理了大量的高清图片之后，研究者获得了海量损失掉的特征。他们将这些特征整理合成一个“特征规律库”，就像辞典一样，意图在于告诉神经网络：再去“放大” (upscale) 图片的时候，按照这个辞典去操作。当然，具体操作起来比这个口头叙述的流程复杂得多，这个卷积神经网络模型需要数天的时间才能完成训练。

　　在此前的测试中，Google 大脑团队的同类技术能够成功还原 90% 被打马赛克的人脸，算是一个十分惊人的成绩。而英伟达则不满足于低清晰度，希望追求更“感人”的分辨率。艾德斯登告诉 PingWest品玩（微信公众号：wepingwest），该公司已经在实验室中实现仅花“很快”（数秒）的时间将 1K 分辨率重组为 4K 分辨率的高清照片。

　　这种技术能为游戏带来什么改观？英伟达期待它能够在未来，让游戏在更小容量的基础上，显著提高材质的清晰度和视觉效果。举个例子：在射击游戏中，当玩家举起狙击枪，直播，瞄准镜里能显示出更清晰的远处画面和材质。

　　不光是英伟达，Google 旗下的英国人工智能技术公司 DeepMind，也在考虑用神经网络在游戏上搞点事情——当然如果你有印象的话，过去曾经传出人工智能在《打砖块》、《星际争霸》、《毁灭战士》乃至于围棋上碾压人类的消息，大多都是 DeepMind 搞出来的……

　　该公司在去年训练了一个名叫WaveNet 的人工智能，让计算机生成的语音和人类原声越来越难以区分。WaveNet 和过去的串联式语音合成、参数式语音合成不同，将语音的原始数据（波性文件）细分到了以 1 毫秒为单位的区间，在每一个区间之间都采用递归神经网络 (Recurrent Neural Network) 和卷积神经网络进行预测学习。

WaveNet 的结构演示

　　最后， DeepMind 用 Google 自家的 TTS 语音转文字（目前世界上得分最高的该类技术）数据集进行测试，比 Google TTS 的得分高了 10 个百分点——但将 Google TTS 与人类原声之间的距离缩短了一半还多。

　　虽然玩游戏的时候，基本没人会特别仔细地听每一句对白，但不意味着开发者应该在这方便节省。WaveNet 将会成为游戏开发者的福音，“想象一下，当你需要调整剧情的时候，可以用计算机生成配音，不必再花钱请配音演员回来重录，甚至完全不用配音演员。”卡坦萨罗称。

　　你可以到 WaveNet 的网站上试听一下效果，跟真人声音差距真的很小。

　　好吧，现在 AI 有了生成声音、视觉材质等元素的能力，接下来呢？

　　就在上周，游戏开发公司 Nival 宣布了一个振奋人心的消息：他们给 2015 年发售的在线即时战略游戏《闪电战 3》开发了一个神经网络决策 AI：Boris。

　　在一则演示视频中，Boris 显示出了“风筝”敌方单位的能力（指吸引敌对目标，带其到处乱跑以打乱策略的行为）；还可以在明显具有劣势时消极应战而非拼死顽抗，以起到保存火力的目的；当战场中有新的敌人加入，Boris 会自动分配部队火力到不同的目标上，也会根据敌方火力级别，自动指挥士兵坐上炮台，而不是傻站在地上，用步枪拼坦克。

　　更有趣的是，当双方对抗占点时，Boris 会选择性忽视那些挡路的残血敌军，优先抢点再等待机会击杀——这一特征显示出了 Boris AI 对不同奖励 (reward) 级别的理解，能够优先追求与全局获胜关系更大的奖励。

　　Nival 明确表示 Boris 没有使用游戏内核的任何地方数据，只使用对玩家可见的战场情况，每几秒钟进行一次决策。Boris 的更多技术细节暂未公开。

　　在游戏开发中应用 AI 技术，还有很大的想象空间。

　　去年，OpenAI 用《侠盗猎车手5》开发出了一个名叫 DeepDrive 的“自动驾驶模拟器”。由于游戏内部的车辆行驶数据应有尽有，OpenAI 发现其实可以用游戏数据来训练自动驾驶系统。虽然后来研究者删除了与该模拟器有关的内容（这里有一个 Twitter 上的视频演示，这项技术所属的项目官网还在），该事件还是令人印象深刻，它赋予了人们审视 AI 和游戏之间关系的新视角。