AI 一个月训练出“虚拟替身演员”能跳、能打斗，又一批人类工友即将失业

据外媒 Inverse 报道，加州大学伯克利分校的研究人员开发出了一种新的 AI 系统，该系统生成的计算机动画特技演员能够重现武术的基本动作，未来将有可能取代人类特技演员。

“这是对深度学习和动画所做的一次相当大的飞跃，”伯克利分校研究生 Pang 在今年8月的SIGGRAPH会议上发表的研究报告中说。“很多相关工作都是在模拟自然运动，但它们没有／无法提供多种技能运用的通用方法。它和以人类动作为标记的「运动捕捉」技术看上去很相似，但本质上不同。我们的技术正朝着（塑造）虚拟替身演员迈进。”

该项目相关的一篇论文《DeepMimic》发表在 ACM Trans 杂志上。随后该团队在 GitHub 上提供了代码和动作捕捉数据供其他人试用。

该团队使用「深层强化学习技术」（RL，reinforcement learning）来教导系统如何移动。它从现实生活中获取动作捕捉数据，将其输入系统，并让系统在模拟中练习这些动作，模拟时间相当于一个月，每天24小时训练。DeepMimic学习了25种不同的动作，比如踢腿和后空翻，每次比较它的结果，看它与原始动作捕捉数据的接近程度。

与其他可能反复尝试并失败的系统不同，DeepMimic将移动分解为多个步骤，以便在某一时刻失败时，它可以分析其性能并在适当的时刻进行调整。（点击查看原文及演示视频）

“随着这些技术的进步，我认为他们将开始在电影中发挥越来越大的作用，”Pang 告诉 Inverse。“然而，由于电影通常不存在互动，这些模拟技术可能对游戏和VR产生更直接的影响。”

事实上，对于这些使用「RL」训练的模拟角色，独立游戏就是很好的试验场景。但它们可能需要更长的时间才能准备好应用在AAA级游戏里，因为使用模拟字符需要对传统的开发渠道进行相当大的调整和改变。Pang表示，已经与一些游戏开发商和动画工作室讨论过这项工作的可能应用，但暂未透露细节。

该科研团队表示，「角色动画」的长期目标是，将数据驱动的行为规范，与能够在物理模拟中执行类似行为的系统相结合，从而让角色能够对扰动和环境变化做出真实的响应。加州大学伯克利分校的实验结果展示了，RL方法可以被用来学习、模范非常多的示例动作，实现用户指定的目标。

其方法是，处理关键帧运动、高度动态的动作，如动作捕捉的翻转、旋转和重定向运动。通过将动作模仿目标与任务目标相结合，来训练角色在交互设置中做出智能反应，例如，沿着想要的方向行走或向用户指定的目标扔球。

因此，研究人员用“运动剪辑”来定义所需的样式，使角色具备基于RL和物理动画的灵活性和通用性。他们尝试了多种方法，将多个片段集成到学习过程中，以开发具备多技能代理功能的动画角色。并且使用了多个角色(人类、阿特拉斯机器人、双足恐龙等)和多种技能来演示结果，包括移动、杂技和武术。