我被卡住了，试图做一个基于回合的游戏，但在结束一个回合并开始一个新的回合时遇到了麻烦。 - 腾讯云开发者社区

文章/答案/技术大牛

发布

Karpathy直呼基准失效，游戏成LLM新战场

短短20s，游戏就结束了。相比之下，GPT-4.5的表现就好多了，起码没卡在第一个小怪。但它的反应还是很迟缓，几乎是两步一停。...更好笑的是，第二回合的时候，GPT-4.5又栽倒在了第一个小怪那里。毕竟和GPT-4o同属于OpenAI家族，操作都比较菜（bushi）。第三回合表现也比较一般，还不如第一回合。...第一个矮水管就卡了半天，搁水管底下卡了快10s才想起来跳。最后虽然丝滑地跳过了第二个水管，但还是被小怪杀死了，还没有第一回合走得远。第一回合起码跳过了第三个水管，虽说刚跳过就被杀了。...第二回合Gemini 1.5算是躲过了第一个小怪，甚至还碰到了问号箱，吃到了蘑菇。有趣的是，和GPT-4.5两步一停不同，Gemini 1.5是「两步一跳」。走了这么一小段路，一共就跳了9回。...最后是掉到了阶梯平台之间的坑里，结束了游戏。 AI大战2048益智游戏，GPT-4o拿不出手接下来，再看一个益智类的游戏2048。

881 0

现场｜David Silver原文演讲：揭秘新版AlphaGo算法、硬件和训练细节

前一个版本AlphaGo Lee还是通过“只考虑人类可能走的位置”和“预判50回合”来限制搜索规模，如今AlphaGo Master已经考虑的是全局最有价值的位置，并且预测更少的回合数目还能达到更高的准确率...这样一来，蒙特卡洛树更窄更浅，回合中考虑的走子位置更少、预判回合数更少，预判依靠更强大的网络，只用4个TPU、AlphaGo Lee十分之一的计算能力就达到了更高的棋力。...下面我来仔细介绍一下算法中的细节。首先，我们让AlphaGo跟自己对弈。这是基于强化学习的，我们已经不再拿人类的棋局给它学习了。AlphaGo自己训练自己，自己从自己身上学习。...当它选择这一步落子、实施、并到一个新回合时，会再一次运行搜索，仍然是基于策略网络和价值网络、火力全开的搜索，来生成下一步落子的计划，如此循环，直到一局棋结束。...随后，我们用这些数据来训练新的神经网络。首先，当 AlphaGo 和它自己下棋时，用这些训练数据来训练一个新策略网络。

8926 0

您找到你想要的搜索结果了吗？

是的

没有找到

微软Azure决战亚马逊AWS终获五角大楼百亿美元大单，贝索斯猛怼特朗普

微软意外胜出后，贝索斯声称亚马逊被总统特朗普针对提起诉讼。最终国防部的天平并没有倾向亚马逊，微软笑到了最后。情。」...第一回合：微软意外胜出，亚马逊傻眼 2019年10月，美国五角大楼宣布，在争夺为美国国防部提供公共云资源服务权的激烈角逐中，微软击败亚马逊胜出。...显然，很多人，包括亚马逊自己，都没想到这个结果：五角大楼竟然不选择我，云计算市场老大AWS，而选择了小老弟微软Azure？凭什么！我想不通。第二回合：亚马逊阻挠见效，成功按下交易暂停键 ?...第三回合：结局已定，亚马逊必不会轻易let go 然而，最终国防部的天平并未倾向亚马逊。尽管亚马逊目前仍然在云市场占据最多的份额，但五角大楼却用100亿美金给了亚马逊狠狠一次重击。...亚马逊：特朗普对我有意见不公平，微软：去找爸爸哭吧虽然联合企业防御基础设施项目从一开始就引发了激烈的争议，但当特朗普公开表示担心合同会落入亚马逊手中时，该项目再次引发了大规模关注。

3702 0

网络游戏是如何实现对战的呢？本文告诉你

，任天堂、世嘉与卡普空、SNK 在家用游戏机、街机市场硝烟四起的争战仍然让全世界的玩家都把目光集中到了主机游戏的领域中，可以说整个八九十年代，就是主机游戏的黄金时代。...才可以进入到下一回合的进行。...3.3 同步模式与游玩体验基于 c-s 与帧同步的同步方式很大程度上解决了《帝国时代》等游戏中，一个人网络慢，所有人停下来等他的问题，玩过 war3 的人应该会有体会，当你的网络卡顿时，只有你的客户端上运行缓慢甚至静止...每当游戏开始前，参与游戏的玩家电脑就会协商确定一个随机种子，从而保证对同一操作的计算结果一致。...而同时，MOBA 类游戏中，每个魔法的施放其实都有一定的前摇动画和施法结束的后摇动画，虽然这个动画在介绍中有规定的时间长度，但在实际游玩过程中，玩家并不会在乎这个动画是否比预期长了一些或短了一些，这就为客户端与服务端通信后模拟数据的修正以及网络通信延迟的发生留有了余地

2.8K2 1

游戏 Idea：No.1 废墟

「游戏描述」：单人游戏，横版卷轴冒险，解谜游戏。「体验」：废墟跑酷 + 历史解谜「故事设定」：废墟未来世界。主角一觉醒来，发现世界已经崩塌，他开始被蔓藤、奇怪的动植物追赶。...原型.jpg 「原型玩法」：从 Start 开始，每回合经过一个单元格，每个单元格会有一个概率事件（对应玩家操作难度）比如「缠人植物：20%消灭敌人，40%摆脱敌人，40%被敌人缠住一回合」等，有些植物有攻击能力...玩家有30HP和50回合数（回合数对应玩家通关限时）玩家可以拿到武器，比如「导弹：80%几率可以获取，增加20%几率消灭敌人」在敌人的原先的数值上增加20%几率，然后按比例再归一。...攻击敌人（消灭之后不会再次遇到同一个的敌人）2. 逃跑（一定几率躲开敌人的效果）历史解密部分的游戏原型还没想好。。。...没错，这是「阿尔希波夫」拯救世界的故事 ---- 今天就到这里，每天一个游戏 Idea，博主有这个脑洞计划很久了。主要以游戏机制和故事设定为主，时间充裕的话，会增加游戏原型。

4697 0

使用PyTorch实现简单的AlphaZero的算法（3）：神经网络架构和自学习

为了在代码中实现这一点，我们需要一个其中存储了棋盘状态和策略目标的缓存区，在游戏结束获得实际奖励值时，目标值分配给临时缓冲区中的每个元素。...AlphaZero的自我游戏训练过程，它得到的唯一真正奖励是在游戏结束时，所以获得的奖励是非常少的，而价值头专注于预测这个奖励，如果我们想改善价值训练，就需要增加AlphaZero的游戏的次数。...可以看到对于一个3 x 3的棋盘，即使没有MCTS，在80个回合后至少可以达到75%的胜率对于一个4 x 4的棋盘，训练在500个回合后就会饱和，然后就会变成振荡，但在1300回合附近，没有MCTS...这25种可能被映射到一个圆(在开始)或一个弧(后面经过训练)。在1000次蒙特卡洛演练中使用未经训练的值网络所采取的行动。(5 × 5-> 25动作)。25个动作被映射到圆/圆弧中的角度。...有一种称为hidden queen chess”/ “secret queen chess”的国际象棋变体，其中每个玩家在游戏开始时选择他们的一个棋子作为皇后，并且该选择不会向对手透露。

6583 0

一个叫板顶级人类棋手的围棋AI输给了它的同类

机器之心报道机器之心编辑部 AI：「我能战胜顶级人类玩家。」另一个 AI：「我玩不过人类，但我能战胜你。」近几年，自我博弈中的强化学习已经在围棋、国际象棋等一系列游戏中取得了超人的表现。...之前就有研究表明，自我博弈中看似有效的连续控制策略也可以被对抗策略利用，这表明自我博弈可能并不像之前认为的那样强大。这就引出一个问题：对抗策略是攻克自我博弈的方法，还是自我博弈策略本身就能力不足？...值得注意的是，这些游戏表明，该研究提出的对抗策略并不是完全在做博弈，而是通过欺骗 KataGo 在对攻击者有利的位置落子，以过早地结束游戏。...如下图 4a 所示，他们发现在 32 个受害者回合时，A-MCTS-S 对受害者的胜率下降到了 80%。但这里，受害者在训练与推理时都没有搜索。...此外，研究者还测试了 A-MCTS-R，并发现它的表现更好，在 32 个受害者回合时对 Latest 取得了超过 99% 的胜率，但在 128 个回合时胜率下降到 10% 以下。

2972 0

“法外狂徒”为什么那么多？用程序来告诉你！

这时候，如果有一批好人组成一个信任联盟，这批好人就会在竞争当中脱颖而出： ? 那么，在社会这个巨大赛场上，想要成为竞争的优胜者，我们应该做一个什么样的人呢？...小灰最近写了一个程序，再现了这个“合作与背叛”的比赛，并且按照自己的想法编写了各种策略，试图找出有没有比“一报还一报”更好的竞争策略。...这一实践让我产生了许多新的认识，自认为还蛮有意思，今天特意分享给大家。首先说一说小灰这个程序中的具体比赛规则： 1. 比赛分成M回合，一共有N个参赛者（N为偶数）： ? 2....M回合之后，所有参赛者按照总分值进行排名。 ? 根据游戏规则，小灰也设计了6种不同风格的参赛者，他们各有各的博弈策略： 1. 老实型这个类型的参赛者永远选择合作，从不背叛。 2....在参赛者较多，回合数较少的局面下，骗子型占有巨大优势。 2. 在参赛人数较少，回合数较多的局面下，老实人以及愿意首先合作的人开始显现出优势。 3. 偶尔欺骗型，无论在哪个局面都不占优势。 4.

4271 0

背后的逻辑水深得很

当两位参赛者在同一回合中都选择结束比赛，并向比赛主持人说出同一颜色时，两人都胜利。反之，如果只有一人选择结束比赛说出颜色，或两人说出的颜色不同，则两人一起失败。...而当双方都基于这一逻辑去思考时，在同时接收和发送信息的规则下就很容易产生额外的“争论”和“确认”回合。打破“逻辑对称性” 出题人教授提出了一种思路：使用“随机性”来破这种“对称性”。...最简单的随机小游戏：丢硬币。而发送的信息内容就可以是这样：从现在开始，我打算每一轮都抛硬币，正面是红色的，反面是蓝色的，并在下一回合中向你告知我抛硬币的结果。...如果你也这样做，那么我们应该很快就能在某个回合中抛到相同的一面，然后我们就可以在下一回合确认，然后在下下回合中胜利。...事实上，上述这一问题还有三个变体： 1、交替发送两名参赛者只能交替回合发送信息，一个回合中只能有一人发送 2、碰撞问题两名参赛者如果在同一回合发送信息，则信息产生碰撞，参赛者会知晓“发送失败”，但对方的信息也因此无法收到

2512 0

这就叫“面试造火箭，工作拧螺丝！”

于是你飞快的又想到了一个方法： flag = redis(业务唯一流水号,过期时间); if(flag){ save(业务消息); } 可以利用业务唯一流水号结合 Redis 来做一个锁...如果不丢弃，那么理论上在“过期时间”到了，锁被释放后，第二次的请求拿到锁，就能接着往下走。...但是我现在想让你给我设计一个通用的技术组件，不需要基于某个具体的业务场景去设计。我想听听你的思路。拿到新的题目，你开始觉得这是刁难，看着面试官求知的眼神，你又开始怀疑：这个老登不会是来套方案的吧？...看着自己已经被咬秃了的左右大拇指指甲，感觉自己的灵感和指甲一样都光秃秃的。开始后悔前面几个回合咬得太快了，原以为可以秒杀这个面试，没想到面试官还在缠斗。你动了使用必杀技来结束战斗的念想。...面试官也愣住了，看着你“资深的发型”，当即就握住了你的手：你就是我要找的人才。不面了，就你了，明天来报道！入职入职之后你第一件事情就是看看这个公司的代码。

1011 0

以太坊大合并，矿工祭了！EVGA终结英伟达22年合作

---- 新智元报道编辑：武穆好困【新智元导读】苦GPU挖矿久矣的游戏玩家们，又迎来一个重大利好：以太坊合并，显卡挖矿的时代成为历史，已经没有悬念。...本周，以太坊顺利完成「合并」，这下老矿工们不淡定了。加密货币成功地从工作量证明（PoW）切换到权益证明（PoS）。简单来说就是：显卡挖矿的时代结束了！...而矿工们依然在做最后的挣扎：从以太坊的哈希率变化来看，大部分矿工都坚持到了最后一分钟。当然，也有人试图转向其他阵地，希望用手里的显卡获得一些简单的奖励。...这一点有数据作为支持，在以太坊合并前，以太坊网络的总哈希率几个月来一直在下降，这表明一些矿工早就开始退出了。不妨看看基于NiceHash和WhatToMine的数据，统计得出的结果。...不过，对不少矿工来说，最直接的扭亏为盈的方式，当然是——卖显卡啊！能用新卡，谁用矿渣呀几家欢乐几家愁。对游戏玩家来说，今年真是从「胜利走向胜利」。

6832 0

超越99.9%人类玩家，微软专业十段麻将AI论文细节首次公布

：全局奖励预测用来训练一个预测器，进而根据当前和先前回合的信息来预测游戏的最终奖励。...接下来，在线上游戏过程中，研究者采用运行时策略调整来利用当前轮次的新观察结果，以便得到更好的效果。下图展示了几个模型的结构： ? 图 4：discard 模型的结构。 ?...全局奖励预测机制为了使得为 RL 训练提供有效的信号，需要适当地将最终游戏奖励（全局奖励）归因至每一回合游戏中去。...参数化蒙特卡洛策略调整研究者提出一种称为参数化蒙特卡洛策略调整的全新方法。在每一局的开始阶段，使用如下方法调整离线训练的策略以适应其初始私有牌：模拟。...通过全局奖励预测器将游戏奖励分配到每个回合，训练有素的智能体能够更好地将最终游戏奖励最大化，而不只是每一回合的得分。图 9 中的智能体（朝南向的玩家）在最后一局中遥遥领先，并且抓得一手好牌。 ?

9342 0

矛与盾 | 二进制漏洞攻防思想对抗

栈溢出指的是局部变量在使用过程中，由于代码编写考虑不当，造成了其大小超出了其本身的空间，覆盖掉了前栈帧EBP和返回地址等。由于返回地址不对，函数调用结束后跳转到了不可预期的地址，造成了程序崩溃。...微软你出来，我保证不打死你！ 0×1 第一回合GS 守方：你不是要覆盖返回地址吗？我在函数执行一开始先往栈上保存个数据，等函数返回之前先检查这个数据，要是不一致那一定是被覆盖了，我就不返回了！...0×5 第五回合Flash 守方：世界上没有什么问题是一个大招不能解决的，如果有，那就两个。攻方A：哎，路子越来越窄，日子难过啊。...而Flash作为浏览器插件的存在，居然发展出很多不卡不闪不挂的漏洞，Flash漏洞利用研究如星火燎原般炽热。 0×6 第六回合混乱攻方：整形溢出、类型混淆、双重释放、UAF，看我万箭齐发！...我的游戏，我的收入！微软：+10086 FaceBook：算了，我还是转HTML5吧。攻方：别这样。。。我刚精通AS代码。安全厂商：推荐用户卸载Flash！吃瓜群众：卸载？

1.5K6 1

一文带你实战强化学习（上） | DQN

，用于保存每一回合得到的奖励 12 rewardList = [] 第5行代码的作用是注册一个游戏环境，传入的参数是要注册的游戏名称，我们这里注册的是“FrozenLake8x8-v0”游戏，也可以换成其它的游戏...第12行代码定义了一个数组“rewardList”用来保存每个回合得到的累积奖励，“FrozenLake8x8-v0”游戏只有在agent到达目标位置后才会得到奖励值1，其余状态的奖励值均为0，所以在所有回合都结束后...第16行代码是重置游戏环境，此时agent位于开始位置。第19行代码设置循环的目的，是确保agent能够走到游戏结束状态（可能是agent到达了目标位置，也可能是掉进了“冰窟窿”）。...式2 第27行代码更新了当前的环境状态，第28行代码判断一个回合的游戏是否结束。接下来我们再看如何使用带探索的策略来选择动作，即如何对环境进行探索。...，其中使用了一个参数“total_reward”来统计每一回合得到的累积奖励，当agent掉进“冰窟窿”或者到达目标位置后一回合的游戏结束，此时“total_reward”的值分别为0和1。

1.6K2 0

AlphaGo背后的力量：蒙特卡洛树搜索入门指南

在本文中，我会试图解释蒙特卡洛树搜索的大多数细节，其中我们也会不时回顾 AlphaGo/Zero，并试图解释那些在 DeepMind AI 程序系列中使用的 MCTS 变体。...有限两人零和回合制游戏蒙特卡洛树搜索运行的框架/环境是「游戏」，其本身是一个非常抽象的广义术语，所以在这里我们只针对于一种游戏类型：有限两人零和回合制游戏——这听起来或许有点复杂，不过其实很简单，让我们来分析一下...模拟开始的节点被标注为已访问。 ? 反向传播是从子节点（模拟开始的地方）遍历回根节点。模拟结果被传输至根节点，反向传播路径上的每个节点的统计数据都被计算／更新。...反向传播保证每个节点的数据都会反映开始于其所有子节点的模拟结果（因为模拟结果被传输回博弈树的根节点）。...因为我们会在搜索开始时很快结束对取得单次获胜的节点的贪婪探索。简单示例：假设我们仅使用 exploitation UCT 组件开始蒙特卡洛树搜索。

1.5K5 0

深度强化学习专栏（三）

而在无模型的强化学习方法中，由于不知道中间动作（或状态）的奖励，所以如果想要知道某个状态的价值，就需要从这个状态出发，按照当前策略，走完多个回合并得到多个累积奖励，然后计算这多个累积奖励的平均值作为当前状态的价值...蒙特卡洛方法不足的地方是它只能应用于回合步数有限的情况（因为蒙特卡洛方法只有在一个回合结束并得到一个奖励后，才能去更新一个状态的价值），然而现实问题中，很多问题并不能在有限的步数里结束，例如无人驾驶和机器人控制...蒙特卡洛更新和时序差分更新在蒙特卡洛方法里我们都是利用一个回合结束后得到的奖励来更新当前的Q值，这种更新的方式称为蒙特卡洛更新。...我们希望可以尽早的更新Q值，而不是只有等到一个回合结束之后才能更新，这就是时序差分更新。在蒙特卡洛算法中，更新Q值的公式为： ?...在介绍蒙特卡洛方法的时候，我们说到了确定性的和非确定性的环境状态，在时序差分学习方法中，如果环境状态是确定的，则Q值的更新公式为： ? 式5 2.

7592 0

Windows 11 及其安卓子系统折腾记

Windows 11 及其安卓子系统折腾记独立观察员 2021 年 10 月 24 日目录一、安装 Windows 11 二、尝试安装安卓子系统 1、第一回合：尝试安装亚马逊应用商店 2、第二回合...：看底下的系统要求，处理器（这个应该误判）和系统版本都不符合要求： 2、第二回合：更改语言和地区网上找了篇参考文章：《[保姆级教程！...再次使用 “链接二” 进行跳转，出现个要求填写邮箱的弹窗，大致是用于接收 “垃圾邮件” 的：再次进入到安卓子系统（WSA）应用页面，还是不满足要求：这时我终于注意到了一个关键信息 —— 需要系统是...Beta 渠道的：而我现在的系统是 Dev 渠道的（我也不知道当时怎么会下载了这么一个系统），而且 Beta 渠道切换不了：我还是对改语言的方式不死心，把能改的都改成美国的了，然后注销：再次尝试...3、第三回合：安装正确的 Beta 系统使用下面的链接下载一个正式版： https://uupdump.net/download.php?

3.5K1 0

复盘 | 离AI取代人类还有多远？

首先是采用蒙特卡洛树搜索的基本思想，其实很简单：多次模拟未来的棋局，然后选择在模拟中选择次数最多的走法 AlphaGo具体的下棋基本思想如下： Step 1：基于深度模仿“脑” 来预测未来的下一步走法，...Step 2：结合两种方式来对未来到L的走势进行评估，一个是使用全局分析“脑”进行评估，判断赢面，一个是使用快速感知“脑”做进一步的预测直到比赛结束得到模拟的结果。...中国人发明的这项充满东方智慧的模拟战争游戏，被中国超级计算机独占鳌头。值得一提的是，浪潮天梭在比赛中，同时迎战柳大华、张强、汪洋、徐天红、朴风波5位大师。...至于落败的原因，樊麾分析称，“首先是自己棋有点臭，尤其是到了后半盘，开始读秒的时候老打‘勺子’，下得也比较着急，我这些毛病，事后看都被电脑抓住了。...其次应该说是心态问题，我太想赢了，而且一开始我也不太相信它能战胜我。” 樊麾对记者说：“如果没有人告诉我，我一定不知道它是电脑，它太像人了。它一定是在思考。按照人的说法，它应该有棋风吧。”

8625 0

游戏数值策划

早几年由于卡牌游戏的盛行，比较流行乘法公式，从《神仙道》的战斗公式从减法改成乘法后，一直到14年《刀塔传奇》开始的卡牌时代，行业都更倾向用乘法公式，试图通过乘法公式带来更平滑的数值体验。 2....像是《炉石传说》中的酒馆下棋，第一回合只需要进行1-3次操作，但是却有33秒的准备时间（第一回合时长是45秒，但是开头动画到招揽随从之后还剩下的可操作时间是33秒），一个操作需要11-33秒的时间来完成...图片《炉石传说》酒馆每回合可支配金币的最大值和最小值也就是说，对于《炉石传说》酒馆这个自走棋玩法，第一个回合我只要考虑3个金币的支配策略，第二回合我只要考虑的是4个金币的支配策略，所有玩家都是一样的...1) 阶段性的节点阶段性的节点，顾名思义，这样的节点代表着一个阶段的结束，下一阶段的开始。这样的节点可以根据玩法直观地看出来。比如回合制的玩法，我们很明显可以以回合作为关键时间节点。...玩家在局外可以从自己的牌库中选择8张卡牌来组成玩家自己的“出战卡组”；被选入出战卡组中的卡牌会随机出现在卡槽中；游戏过程中，有限的时间内摧毁对手塔的数量大于自己被摧毁的数量，或者摧毁对手中间的国王塔，就算获得胜利

1.1K2 0

强化学习方法汇总，以及他们的区别

这样就没必要去炸真实世界, 连自己也炸死了, 他可以像玩游戏一样炸炸游戏里的世界, 也保住了自己的小命....我们现在说的动作都是一个一个不连续的动作, 而对于选取连续的动作, 基于价值的方法是无能为力的. 我们却能用一个概率分布在连续动作中选取特定动作, 这也是基于概率的方法的优点之一....回合更新和单步更新 ? 强化学习还能用另外一种方式分类, 回合更新和单步更新, 想象强化学习就是在玩游戏, 游戏回合有开始和结束....回合更新指的是游戏开始后, 我们要等待游戏结束, 然后再总结这一回合中的所有转折点, 再更新我们的行为准则....而单步更新则是在游戏进行中每一步都在更新, 不用等待游戏的结束, 这样我们就能边玩边学习了.

1.2K4 0

点击加载更多

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

Karpathy直呼基准失效，游戏成LLM新战场

现场｜David Silver原文演讲：揭秘新版AlphaGo算法、硬件和训练细节

微软Azure决战亚马逊AWS终获五角大楼百亿美元大单，贝索斯猛怼特朗普

网络游戏是如何实现对战的呢？本文告诉你

游戏 Idea：No.1 废墟

使用PyTorch实现简单的AlphaZero的算法（3）：神经网络架构和自学习

一个叫板顶级人类棋手的围棋AI输给了它的同类

“法外狂徒”为什么那么多？用程序来告诉你！

背后的逻辑水深得很

这就叫“面试造火箭，工作拧螺丝！”

以太坊大合并，矿工祭了！EVGA终结英伟达22年合作

超越99.9%人类玩家，微软专业十段麻将AI论文细节首次公布

矛与盾 | 二进制漏洞攻防思想对抗

一文带你实战强化学习（上） | DQN

AlphaGo背后的力量：蒙特卡洛树搜索入门指南

深度强化学习专栏（三）

Windows 11 及其安卓子系统折腾记

复盘 | 离AI取代人类还有多远？

游戏数值策划

强化学习方法汇总，以及他们的区别

扫码

相关资讯

热门标签

活动推荐

运营活动

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐