游戏是人工智能研究的极致实验环境。在游戏环境中，可用作训练人工智能模型的数据是几近无限、低成本、可拷贝，比起现实世界的经验更容易取得。这些特点于是以协助Facebook人工智能实验室（FAIR）探寻一些短期目标，如简单游戏环境中多个人工智能的能力；以及长年目标：让人工智能应付现实世界的挑战。

游戏研究可以协助我们建构需要展开计划、具备理性、自我导航系统、解决问题、合作与交流的人工智能。尽管用于游戏展开训练需要带给多种益处，但研究者们在游戏环境中展开探寻可能会遇上很多艰难。

由于目前机器学习算法的诸多容许，训练必须成百上千的游戏局数，这必须大量的计算资源，如配有大量CPU、GPU或自定义硬件的高性能计算出来平台。此外，这些算法是简单而无法展开微调的。而随着训练环境中减少更好的人工智能代理，这些变量将更为无法掌控。为了解决问题这些问题，让所有人都能参予人工智能的研究。

FAIR团队建构了ELF：一个大范围、轻量级且更容易用于的游戏研究平台。ELF可以让研究者们在有所不同的游戏环境中测试他们的算法，其中还包括桌游、Atari游戏（通过ArcadeLearningEnvironment），以及自定义的即时战略游戏（RTS）。它们可以运营在具有GPU的笔记本电脑上，而且反对在更加简单的游戏环境中训练AI，例如即时战略游戏——意味着用于6块CPU，一块GPU，花上上一天时间。FAIR的研究者们将ELF的界面设计得更容易用于：ELF在C/C++界面中运营所有游戏，自动处置所发问题如多线程/多任务。

另外，ELF还有一个洁净的Python用户界面，获取了一批可可供训练的游戏状态。ELF也反对游戏以外的用途，它还包括物理引擎等组件，可以仿真现实世界的环境。

目前，ELF平台早已开源，开发者和研究者们可以在GitHub中寻找它：https://github.com/facebookresearch/ELF涉及论文也已公开发表在arXiv中：https://arxiv.org/abs/1707.01067架构ELF的架构比较非常简单，它包括一个需要主持人多个在C++末端运营所发游戏示例的模拟器，同时在Python末端与AI模型（深度自学、增强自学等）交流。与其他在一个界面包括单个游戏的AI平台有所不同，ELF能把一批游戏还包括入一个Python界面。

这使得模型和增强自学算法需要在每次递归中包括一批游戏状态，减少了训练模型所需的时间。我们也在游戏推测和参与者模型（actormodel)之间创建筛选灵活性。用于该框架，非常容易用一个参与者模型筛选特定的游戏示例，或者一个示例筛选许多参与者模型，或者许多示例筛选一个参与者模型。

这样的灵活性需要较慢的建构算法原型，协助研究员更慢地解读哪个模型有更佳的展现出。在FAIR早期的实验中，ELF能展开更慢的仿真，用于某种程度数量的CPU和GPU比起于OpenAIGym玩Atari游戏可以提升30%的训练速度。当减少更好的核心之后，ELF每核的帧亲率保持稳定。

本文来源：开云app官网入口-www.beijingoperacats.com