元宇宙基础设施-机器学习

引言

机器学习、人工智能、AI等等，每个关键词的概念都有差异，说描绘的方向也不完全一致，我在这里想要介绍的机器学习或者说人工智能，我们姑且认为是一个稍显模糊的方向，主要的目的是为了说明元宇宙在人工智能或者机器学习方面的需要。我们简单的给机器学习一个稍微具体的说明，机器学习就是大牛们通过计算设备和资源，使用计算的方式模拟人类的学习行为，或者说模拟人类的行为。并且可以从已经积累的经验数据中心通过建模的方式总结规律，然后再将这个规律应用到符合的场景中。本篇文章，主要分享机器学习的在元宇宙中的趋势和对元宇宙算法层面的支撑。

概述

机器学习也是一个多领域的综合性技术，设计概率、统计、线性代数和高等数学等，这个领域主要研究的方向就是人工智能。元宇宙之所以需要人工智能，是因为机器学习能够大大增强元宇宙与现实之间的现实的感觉。随便举个简单的例子，元宇宙虽然会容纳数以亿计的用户，但肯定少不了类似 NPC 这样的角色，来为用户提供服务。在元宇宙中的 NPC，肯定不是现在大家在游戏里简单的固定场景、固定开始触发和固定结束触发，像是剧情脚本一样的NPC。而是期待一个拥有自主服务意识，能够主动的、逻辑的帮助我们完成辅助工作。就像钢铁侠里的贾维斯，你说他是个NPC还是个人呢。

机器学习的定义与分类

从广义上来说，机器学习并不复杂，就是对人类生活和学习过程的模拟。而这个模拟的过程，需要大量的数据进行训练。根据不同的学习方法，机器学习可以被分为三个不同的类别，即基于学习策略的分类、基于学习方法的分类和基于学习方式的分类。

基于学习策略分类

符合，包括示例学习、演绎学习、类比学习、解释学习等

神经网络，权值修正学习、拓扑结构学习

模型，所谓的模型，其实就是不算的收集或者模拟或者设计出更多的假设空间，即让机器知道更多的可能性

策略，从已知可能性或者假设空间中，挑选出最优的选择

算法，这种各样的参数最终会转化为最优解，最优路径

基于学习方法分类，所谓的学习方法，即归纳法、演绎法、类比法、分析法，归纳法中又包括符号归纳和函数归纳。符合归纳包括示例学习、决策树学习，函数归纳包括神经网络学习、示例学习和发现学习。演绎学习，其实就是从一般到特殊的过程，从基础原理推演出具体情况。基于学习方式分类，所谓的学习方式，无非是有监督、无监督和强化学习。

技术趋势

当前的机器学习重点关注的是通过计算来模拟类型的行为，并将其应用到目标场景中。机器学习目前正处在高速发展的过程中，在我们已有历史基础的基础上，我们还在探索和实践强化学习、分布式学习、对抗学习、深度学习和元学习。不远的以后我们可以看到胶囊网络、量子机器学习，未来我们甚至还能够看到社会机器学习和即兴学习等等。

元宇宙的底层算法之一

机器学习的各种算法非常多，足以满足源于中中对系统稳定、多变的技术要求。除此之外，机器学习甚至能够帮助提高元宇宙的运行效率和智慧化程度。例如，在监督学习训练过程中，可由悬链数据集训建立一个模式，并由此模型推测新的实例，可以为元宇宙提供文字识别或文字编辑应用。而目前机器学习的应用也已经十分广泛了，包括数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎等，这些也都是元宇宙中必不可少的基础。

机器学习是通过之前状态的概率分布由当前状态决定，并在依次序列中产出的结果与前面发生的状态无关，具备数亿万次的训练和模拟。这种底层技术或者智能化发展机制，将帮助元宇宙中的游戏世界实现可持续发展、稳定性强、可复制的底层基础，构建具备真实世界所拥有的载体。机器学习算法是打造逼真效果的游戏世界或真实世界的底层技术支持，而算力的提升和算法模型的不断完善，将更加详细的模拟人类世界中的每一个细微状态。或将虚拟世界中的影像、画质、声音等渲染的更为真实，并扩大其人工智能领域在游戏中的智能化服务。

元宇宙中的虚拟人

前面我们提到过，元宇宙中除了真实用户的投影，必然会存在大量具备由虚拟身份、数字化技术和拟人化形象组成的虚拟人。虚拟人的支撑，离不开机器学习，离不开机器学习的算法，离不开由一个个算法组成的元宇宙虚拟人模块化大脑。虚拟人由人物形象、语音生成、动画生成、音视频合成显示和交互5大模块，形成模块大脑。元宇宙模块化大脑将在不同的时机运行和组合不同的模块，最终在你面前构建出一个合理的虚拟人。

语音生成和动画生成模块使虚拟人具备预言能力和行动能力。音视频合成显示模块负责将语音和动画结合成视频，是虚拟人具备完成的表达能力。交互模块包括识别感知和分析决策两个部分，可以通过语音语义、人工智能等技术使虚拟人具备感知能力和逻辑能力，最终实现与人的沟通和互动。举个目前已经能够看到的例子，目前已经有将虚拟人用作带货或者短视频领域。通过在低流量时间段进行直播的方式，实现24小时不间断直播。缺点是目前虚拟人带货能力不确定和不稳定，还无法在流量较高的黄金时段直播。

快手小店的关小芳