”
马竞尴尬地摸了摸鼻子，“这个是调色问题，手游整体偏向鲜亮清爽，投屏到电视上确实会显得过于卡通。不过蜂游那边早就发布了紧急补丁，这个问题差不多已经解决了。”
“没有吧？”汤佳怡狐疑看他，“昨天和瑶瑶聊天，她还跟我吐槽来着。”
“那就是补丁的问题，可能她玩的游戏刚好不在补丁支持范围内。让她等一段时间，后面还会逐步增加支持的游戏。”
将某人愈发少见的尴尬窘迫表情都看在眼里，汤佳怡见好就收没有继续为难他，反倒顺着问道：“那个补丁也是用了AI技术吧？”
“没错，”马竞展笑笑颜，得意说道：“把手机版截图还有对应高配主机版截图丢给GAn（生成对抗神经网络），就能训练出针对特定游戏的风格迁移算法，从而改善手游版画质。光追版上引入的各项新技术，背后差不多都有GAn在支持。”
GAn是目前很火的无监督式深度学习模型，主要应用在图形领域。就像它的名字一样，这个模型充满了“不服就干”的对抗精神，研究者设计两个深度学习网络，前者负责做题，后者负责判定对错，通过二者间一次又一次的答题对抗，前一个生成网络的算法将逐渐趋于合理，从而生成符合设计者期望的结果。
显然，GAn很适合有着标准答案、明确标准的应用场合，尤其是图形图像领域，不管是风格迁移、无损放大，还是去噪补全等等都有着很好很成功的应用。反倒是文字和语音领域，因为信息太过离散超出AI理解范畴，却是不适合使用GAn。
同时，因为是无监督学习，GAn的成本相对较低，只要搭建好框架然后就可以丢给深度学习硬件去折腾，很符合人工智能解放人力的初衷，这也是它受到全世界追捧，相关论文与应用层出不穷的原因之一。
唯一不好的是，因为是放手让AI自己折腾的无监督学习，GAn输出的结果不是非常稳定，有时甚至还会出现长时间训练没有结果的情况。
为了改进这个缺点，蜜蜂将半监督学习还有强化学习引入进来，客观上改善了结果的稳定性，却也增加了人力成本、降低了效率。蜂游Pt平台上的游戏成千上万，自然没办法在第一时间全部覆盖，只能优先推出新游以及高人气游戏的画风迁移补丁，剩下的就只能等着。
(本章完)
阅读模式无法加载下一章，请退出