佐治亚理工学院的研究人员开发了一种新的方法，使用人工智能来学习一个完整的游戏引擎，这个游戏的克隆软件，可以用于控制从角色移动到图形可视化的一切。
该研究在八月的澳大利亚墨尔本举行的，国际人工智能联合会议上提出。
副教授兼项目联合调查员Mark Riedl表示：“该技术依赖于一种相对简单的搜索算法，可以搜索以最好地预测，一组帧转换的规则集。“
据我们所知，这是首个学习游戏引擎的AI技术，并用游戏画面模拟游戏世界。
研究人员的AI系统，只需观看不到两分钟的游戏
视频，然后通过研究框架和对未来事件进行预测，建立自己的游戏运作模式，例如角色将选择什么路径或敌人如何反应。
为了让AI代理商，创建一个准确的预测模型，可以解释2D平台风格游戏的所有物理学，该团队在一个单一的“speedrunner”
视频中训练了AI，玩家能直接攻击目标。
他们先克隆了超级玛丽，首先使用AI和Mario Bros.的游戏视频，来创建独特的游戏级设计。正在尝试实验克隆洛克人和刺猬索尼克系列。
上图为原游戏视频，下图为克隆视频
首席研究员和博士Matthew Guzdial表示：“我们的AI创建了预测模型，无需访问游戏的代码，并使得比卷积神经网络可以更准确的预测未来事件。
previous frame、 引擎预测和CNN之间的像素误差比较
“一个视频不会产生完美的游戏引擎克隆，但通过在几个附加视频中，进行人工智能训练，你会得到一个很接近的结果。”
他们接下来，测试了克隆引擎在实际游戏中的表现。他们雇用了二名AI代理商，来玩游戏通关，并确保游戏的主角，不会从坚实的地板掉落，或者如果被敌人击中，则不会受伤。
结果：与使用原始游戏引擎的AI相比，使用克隆引擎的人工智能无法区分。
一部分游戏视频（左）由原始的超级玛丽引擎制作，克隆引擎（右）演示了准确预测动画状态的能力。
首先，系统会扫描每个输入视频帧，以确定存在的对象集合，如图所示：超级玛丽引擎中的帧解析过程的可视化。
首先一个框架被解析，在一个框架中找到spritesheet元素，然后将其转换成事实帧列表。
其次，我们在两个相邻帧之间，运行贪婪匹配算法，以确定对象在帧之间如何变化。
最后，当第二帧与预测的下一帧不同，而超过一些设定的阈值时，我们解析每个帧并运行引擎搜索算法。
目前的克隆技术，对于在屏幕上发生大量动作的游戏很有效。Guzdial表示，Clash of Clans或其他类似游戏的动作，可能会在屏幕外发生，这对于他们的系统来说可能是困难的。
他说：“如果智能代理商，要履行推进不同技术
应用的承诺，智能代理商就需要对其环境做出预测。” “我们的模式，可以用于训练或教育场景中的各种任务，我们认为这项研究，将可能扩展到各种类型的游戏。
