游戲AI的案例
王亮游戲AI探索之旅——從alphago到moba游戲
今天分享的課題是游戲AI探索之旅。本次分享分為四部分，第一部分，什么是游戲AI，游戲AI為什么對現在的游戲非常重要；第二部分，業界和工業界對于做游戲AI主要的方法，以及現在業界一些主流的游戲上的進展。第三部分，結合基于公司自有的MOBA游戲，分享一下我們做的一些探索研究及現在的進展；第四部分，會簡單介紹一下基于深度學習方法來做游戲AI，對于游戲開發者來說需要提供哪些環境便于AI的開發。希望通過今天的分享能給大家之后工作或者接下來學習上帶來一些的啟發和思考。
什么是游戲AI，對于游戲開發者而言是要增進用戶體驗，提升游戲玩家的活躍度，方法主要是基于一些人工規則的方式。而對于學術界來說目標是最大化贏的概率，而現在主要是基于學習的方法。
幾乎每款游戲都有自己的游戲AI。棋片卑類的（深藍、Alphago）、體育類的足球籃球、角色扮演類游戲……越復雜的游戲對AI的依賴程度越高。AI在游戲中常用的方式：人機對戰：AI為游戲提供一種玩法，玩家可以選擇與游戲AI對戰去熟悉游戲；平衡性測試：輔助游戲設計開發，如：游戲數值改變，AI可以用于驗證測試數值變化帶來的影響；對于射擊類的游戲，AI可以用于探索地圖的探索等。
通用的游戲AI的設計,包含三部分: 感知系統、決策系統、導航系統；游戲AI的決策操作基于一定的時間粒度進行循環工作。
展開 游戲AI進化簡史
其后，更多的經典游戲開始開始圍繞對抗
AI 角色展開，《超級馬里奧兄弟》《塞爾達傳說》《波斯王子》《洛克人 2》，在這些風靡一時的游戲中，AI
都成了保證游戲體驗和控制游戲難易度的關鍵。那時的游戲核心，其實就是玩家和 AI 的對抗，只不過通過不同的方式而已。
那時候 AI 存在的最終目的是為了讓玩家擊敗，然后獲取成就感。只不過那時的 AI 仍還處在“偽智能”階段，游戲中相關虛擬角色的動作，是基于事先設置好的一系列基于條件判斷語言的腳本完成的。
不過隨著游戲類型和玩法的演進，AI 的角色和功能也在發生變化。其中的典型例子要屬
1987 年的《合金裝備》，AI
首次以和玩家對等的角色身份出現在游戲中，并首次加入了對玩家的敵對反應機制，這一機制日后也逐漸形成了《合金裝備》系列中核心的 NPC
的遇敵報警模式。這種 AI 模式的出現也進一步拓展了游戲中 AI 的使命和角色范圍。
而隨著電子游戲行業過去 30 年在硬件設備、算法和計算能力上的突飛猛進，游戲中 AI 的進化速度逐漸和人類玩家拉開差距。尤其是彼時大多數游戲機制都是在考驗玩家的反應和操作，在這些方面，AI 很快已經完爆人類，第一人稱射擊類游戲就是一個很好的例子。
從
1999 年的《反恐精英》開始，到之后的《求生之路》，Valve 奠定了 FPS 類游戲 AI 的基礎，但早年間 CS
中的機器人一直都被玩家吐槽。那時的機器人在游戲中主要就是負責填補空位，除了成為炮灰和肉盾之外沒有其他作用，因為它們基本都是按照容易掌握的規律行動，新手玩家也能輕而易舉地殺死它們。
不過，熟悉
FPS 游戲的人不難發現，近年來眾多 FPS 游戲中的 AI 開始變得越來越“兇殘”，難度層級也便多了。很多時候，最高難度的 AI
戰斗力已經遠超大多數玩家。
展開 MDDC 2025發布天璣開發工具集：橫跨AI應用與游戲開發的全家桶
而AI鷹眼智能排查功能可以輕松地自動定位異常畫面幀，讓開發者畫面調優工作省時省力。
另外，Dimensity Profiler還支持無縫融入自動化測試流程，讓開發者可參考自身實際需求分模塊按需整合。
本次天璣開發者大會不僅發布了全新的游戲開發工具，天璣星速引擎也再次全新升級，用最先進的游戲技術為游戲開發者提供創作源動力。
天璣星速引擎搭載最新升級的天璣倍幀技術，借助True Motion Map Search硬件級算法，在天璣平臺上可實現雙倍幀率的流暢體驗，且功耗大幅下降。天璣倍幀技術還支持游戲UI界面拆離渲染，結合運動矢量調適技術，減少鬼影、UI變形等問題。
星速引擎自適應調控技術自上線以來就憑借“滿幀一條線，功耗一路降”的卓越表現獲得玩家和開發者的一致認可。在本次大會上，聯發科宣布與Google強強聯手，將自適應調控技術導入安卓動態性能框架中，以提升全球玩家的游戲體驗，并在即將發布的安卓新版本上正式上線。
在移動光追技術領域，聯發科和《暗區突圍》深度合作，讓移動光追的仿生細節再突破，打造逼近PC級別的骨骼模型效果，為玩家帶來栩栩如生的沉浸體驗。
聯發科還在會上提出，在AI持續躍進的時代，游戲與AI的結合會是下一個移動游戲的新方向。整體來看，聯發科有天璣強大的硬件實力作為基礎，通過星速引擎、天璣AI開發套件2.0、Dimensity Profiler 和Neuron Studio的協同開發優化，AI游戲體驗普及也將很快到來。
最強AI芯片天璣9400+亮相， 智慧再進化
在AI進化的歷程中，無論哪個時代，芯片能力的躍遷都是一切的起點。從率先落地端側AI大模型，到打造天璣AI智能體化引擎，聯發科一直跑在行業最前沿。
展開 AI能代替人類進行仿真分析嗎？（如同玩游戲時完虐人類那樣）
譯者注：這年頭，逢人不會聊一聊AI和機器學習，都不好意思和人打招呼，更別說我們作為搞技術的攻城獅群體了。上一篇分享的文章里，已經提到了未來仿真服務會越來越簡單和傻瓜，作為一名普通的CAE攻城獅，可以說危機感爆棚，但是—工程人員的分析能力可不是隨便能替代的。即便是一直致力于宣傳仿真人人都能簡單使用的軟件代理商，關起門來也得承認仿真分析里“分析”這兩個字真不是AI能實現的。且不說數量巨大的可能性，誰又愿意將自己公司的仿真數據分享出來“喂養”一個機器學習系統呢？
人工智能（AI）能幫助我們進行模擬仿真嗎？
在玩游戲方面，AI已經把人類虐得抬不起頭，但若是挑戰更大的工程學呢?—這可不僅僅是一個游戲。人工智能可以用于計算機仿真，從而解決現實世界中的問題嗎? AI這個詞這么火爆，工程軟件供應商們都迫切渴望將AI應用到他們的產品中，但現在時機足夠成熟了嗎？
我們可不是在玩游戲。誠然，人工智能已經在戰略游戲中打敗了人類，甚至是非常復雜的圍棋。但是模擬—例如如汽車的這種大規模的偏轉—則要復雜得多。AI能發揮作用嗎？(圖片引自維基百科)。
人工智能(AI)是一年一度的工程軟件未來大會(COFES)上自由討論的主題。一間擠滿了軟件知識分子的房間里，滿是關于人工智能的想法，他們在討論人工智能在模擬中的應用，以及他們對AI和機器學習技術現狀的看法。(這篇文章可不是AI寫的。下面是筆者搜集到的會議上的一些“金點子”和即興的觀點。十分抱歉沒法對被引用者進行一一備注了，我沒法獲取會議室里每個人的名字，所以干脆一個都不用了。畢竟我只是個人類啊！)
摘到“低垂果實”（即達到容易實現的目標）
在我們開始做一個分析之前，我們應該思考的第一個問題是—這個分析是必要的嗎？只有滿足這個前提，再來看AI能否應用到這個問題中。
展開 
改變仿真游戲規則，Altair的AI與HPC技術創新仿真之路
Altair一直在推動技術的發展，我們總是站在事物的最前沿，Altair在過去幾年中投資了超過5億美元用于收購Data Analytics和AI相關的技術；同時，我們很專注AI和CAE的結合。我相信Altair會在CAE行業的越來越來有競爭力。
我注意到這兩年Altair的產品變化幅度特別大，我總結一個特點是【融合】：
a) “solver的融合”，在新版本的發展計劃中你們強調All in one solver，目標把所有的求解器封裝到一個solver模塊；
b) “界面的融合”，新老HyperWorks的UI的融合，新的UI用戶體驗更加的友好，使用效率更高；
c) “CAE和AI的融合”，現在Altair不僅有獨立的Rapidminer（現已更名為AI Studio），還推出了多個和CAE融合的AI應用，比如shapeAI、ExpertAI、PhysicsAI；
d) 以及“應用的融合”，Altair One將所有的Altair的應用模塊都部署到一個統一的Portal
最近兩個版本的發布如此強調融合，是否為了實現功能的融合擴展、和簡化降低用戶的使用成本？Altair在之后的產品計劃中會進一步的融合模塊嗎，甚至減少一些模塊的選擇，進一步降低用戶的理解學習選擇成本。
因為我發現一個問題，隨著你們推出多個不同應用場合目標的AI模塊之后，隨之而來帶來了用戶理解學習上的困難，對CAE用戶來說，理解和比較不同的AI解決方案在工程上的應用，要比理解和不同的CAE解決方案要難，因為深入理解AI最好是需要一些算法方面的背景知識，才能更好地理解AI工具的實用性，比較不同廠商的AI工具的能力的時候，更是如此。這也給你們AI解決方案的售前工作帶來了很大的挑戰。所以Altair AI在將來會不會進一步進行融合？
你的第一個問題是為什么要整合。
展開 數學系出身，如何從零到一地開始機器學習
在 2016 年底的時候，說起來也是機緣巧合，有的同事看到了我在 2016 年 11 月份發表的文章，就來找筆者探討了一下如何構建游戲 AI。當時筆者對游戲AI的應用場景幾乎不了解，只知道 DeepMind 做出了 AlphaGo，在 2013 年使用了深度神經網絡玩 Atari 游戲。在12月份花費了一定的時間研究了強化學習和深度學習，也搭建過簡單的 DQN 網絡進行強化學習的訓練。通過幾次的接觸和交流之后總算 2017 年 1 月份做出一個簡單的游戲 AI，通過機器學習也能夠進行游戲 AI 的自主學習。雖然不在游戲部門，但是通過這件事情，筆者對游戲 AI 也產生了濃厚的興趣，撰寫過兩篇文章“強化學習與泛函分析”，“深度學習與強化學習”。
2017 年：再整旗鼓
在做日常項目的同時，在 2017 年也接觸量子計算。在后續幾個月的工作中，持續調研了量子計算的基礎知識，一些量子機器學習的技術方案，寫了兩篇文章“量子計算（一）”，“量子計算（二）”介紹了量子計算的基礎概念和技巧。
三十功名塵與土，八千里路云和月
提到再整旗鼓，其實指的是在 2017 年再次從零到一的做全新的項目。到了 2017 年 7 月份，隨著業務安全的機器學習框架已經逐漸完善，XX 項目也快走到了尾聲，于是就又有了新的項目到了自己的手里，那就是織云智能運維項目。運營中心這邊還在探索和起步階段，業界的 智能運維（AIOPS） 的提出也是在2017年才逐步開始，那就是從手工運維，自動化運維，逐步走向人工智能運維的階段，也就是所謂的 AIOPS。只有這樣，運營中心才有可能實現真正的咖啡運維階段。
展開 Unity與C#創建第三人稱近戰戰斗系統 | 學習游戲玩法編程與簡潔編碼規范 ￥15
這種戰斗模式常見于《刺客信條》《蝙蝠俠：阿卡姆》系列、《漫威蜘蛛俠》等現代游戲中。該戰斗系統還具備高度可定制性——即便你想將劍擊攻擊替換為拳打腳踢，也無需修改任何一行代碼即可輕松實現。
我們將從零開始，逐步構建整個系統。首先，我們會制作一個基礎的第三人稱控制器，且不使用任何現成資源，完全從零開發——因為這種方式能幫助你扎實掌握游戲玩法編程的基礎原理。之后，我們會為角色添加攻擊能力，并利用Unity的“可編寫腳本對象”（Scriptable Objects）來構建攻擊機制，這樣游戲設計師無需修改代碼，就能直接創建和編輯不同的攻擊連招。
接下來，我們將著手開發敵人AI，并采用“有限狀態機”（Finite-State Machine）的架構來實現。過去25年間，有限狀態機一直是游戲AI開發的常用技術，《最后生還者》《蝙蝠俠：阿卡姆》系列等眾多熱門游戲均有采用。我們會從零構建一個有限狀態機，并以此為基礎創建敵人；首先實現“閑置”“追逐玩家”等簡單敵人行為，隨后再開發“包圍玩家”“協同進攻”等更復雜的行為。完成敵人AI開發后，我們將實現“反擊”功能。
在整個課程中，你將掌握大量游戲編程技能，學習多種中級C#概念（如泛型類、字典、語言集成查詢（LINQ）、繼承等），還將學會運用三角學、點積、叉積等數學概念解決實際問題。
展開 關于人工智能錯誤算法的認識 改正及思考
經過我今年對深度學習 機器學習的研究發現 其算法是錯誤的
計算機是一臺以指令為單位的機器 它是不會學習的 所以沒有學習算法一說 那是沒有認清計算機的本質 學習是人才有的行為 機器怎么會學習嗎 它只有指令啊 經過研究發現我們常說的人工智能 主要是如下四個函數構成的 下面我以常見的游戲AI為例講解其實現 由于已有多年未碰編程 這里只給出大致算法
在游戲中 當角色或者NPC看/聽到什么的時候 就開始學習過程 如何學習呢 其實所有的學習都是從理解開始的 下面給出Understand()函數
int Understand(string type, string action, string p1, string p2)
{
string memory;
switch(type)
{
case 'walk'
memory=Walk(action,p1,p2); // Walk()函數根據詞典定義及參數p1, p2解釋action并將相應的字符串寫入memory
break;
case 'run'
memory=Run(action,p1,p2);
break;
case 'fight'
memory=Fight(action,p1,p2);
break;
case 'look'
memory=Look(action,p1,p2); // 比如看這個行為 Understand()函數會把它解釋成使視線接觸人或事物 并把記憶記在數據庫里
展開 2026AGIC深圳通用人工智能大會暨產業博覽會
（組委會）陸亮（組委會）138（組委會）1821（組委會）9172（組委會）
【展覽范圍】
1、人工智能基礎層：算力基礎（算力中心、智算軟件平臺、智能云服務）、（向量數據庫、數據集、AI基礎數據基礎服務、數據治理）、算法基礎（AI模型架構、AI算法架構）
2、人工智能應用層：AI+能源/儲能、AI+零售、AI+直播、AI+智慧城服、AI+泛安防、AI+教育、AI+醫療、AI+交通、AI+家居AI+物流、AI+工業、AI+建筑、AI+農業、AI+政務、AI+影視傳媒、AI+游戲、AI+泛互聯網
3、人工智能技術層：AI開放平臺、AI云開放平臺、計算機視覺、語音識別、自然語言處理、知識圖譜、深度學習
4、大模型與工具：通用基礎大模型（大語言模型、視覺大模型、語音大模型、多模態大模型）、垂直行業/領域大模型。大模型開放平臺、AI Agents、 Al開源社區、模型平臺/模型服務
5、機器人、無人系統：類腦機器人、兒童機器人、仿生家用服務機器人、智能客服機器人、餐飲服務機器人、迎賓機器人、機器人、教育機器人、醫用機器人、清潔機器人、智能商業機器人、智能巡邏機器人、水下機器人、空天飛行器
6、元宇宙：AR、VR、MR、XR，虛擬數字人、全息顯示、多媒體互動、沉浸式體驗游戲及裝備、沉浸式數字影院、裸眼3D、多點觸摸設備
7、區塊鏈技術與應用：區塊鏈技術，人工智能+區塊鏈、物聯網+區塊鏈、分布式存儲、共識機制、加密算法、點對點傳輸智能合約、溯源交易、算法交易、先進計算、數字貨幣、智能投顧、虛擬銀行、區塊鏈金融、區塊鏈供應鏈、區塊鏈知識產權保護
8、AIoT優秀項目成果集群培育：物聯網與人工智能創業孵化器、物聯網與人工智能應用孵化基地、物聯網與人工智能產教融合（高校。
展開 MDDC 2025：聯發科為開發者打造的調試“上帝視角”
本屆大會以“AI隨芯，應用無界”為主題，聚焦生成式AI與芯片深度融合所推動的移動生態重構。如今，AI正以前所未有的速度賦能手機、應用、游戲等核心場景，推動端側智能體驗全面進階。會上，聯發科不僅發布了新一代旗艦5G智能體AI芯片天璣9400+，還同步推出面向AI應用開發與游戲性能調優的全鏈路開發套件，加速端側智能體驗真正“落地生根”。
過去一年，移動游戲“卷精品”已經不是趨勢，而是新常態。從《黑神話：悟空》斬獲TGA大獎，到《絕區零》《鳴潮》等作品接連獲得提名，精品化背后是玩家體驗標準的全面拔高——高幀率、高畫質、低功耗成了新三大剛需。為此，聯發科也在MDDC上拋出了一整套“硬核回答”：以芯為基、工具為橋、游戲技術為驅動、AI為靈魂，搭建起覆蓋開發、調優到玩法設計的技術生態，讓游戲體驗從量變跨入質變時代。
天璣9400+，T0級游戲體驗的“超級引擎”
要打動挑剔的玩家，僅靠某一項性能的拉滿遠遠不夠。真正能帶來沉浸感的，是一整套平臺級的系統協同能力。在生成式AI走入終端的當下，玩家對交互性、響應速度、畫質細節的期待正同步拉升，也催生出行業對“T0級游戲體驗”的共識——高流暢、高畫質、低功耗、強交互，缺一不可。
聯發科圍繞這個共識，打造了天璣平臺的全鏈路能力體系。而其中，天璣9400+等旗艦芯片無疑是整個體系的核心算力引擎：AI性能較前代提升25%、推理解碼能力增強20%，輕松托起通用AI運算和端側大模型的需求；這顆天璣旗艦芯片的圖形方面繼續扛起安卓GPU之王的大旗，在天璣星速引擎游戲技術的加持下，帶給玩家“滿幀一條線、功耗一路降”的超爽體驗。
Dimensity Profiler，游戲分析工具年度黑馬
游戲體驗做到T0，面相開發的分析必須一步到位。
展開 接近 100% 全面屏、麒麟 980、40W 快充，榮耀 Magic2 像是一款來自未來的手機
8 月 30 日，在柏林國際電子消費品展覽會（IFA）正式開展前，榮耀手機在柏林召開了一場全球發布會，正式面向歐洲市場發布了主打游戲性能、AI 的高性價比產品榮耀 Play。
相比榮耀今年 6 月份在國內發布的版本，海外版的榮耀 Play 并沒有明顯變化，6.3 英寸 LCD「劉海屏」、金屬后蓋、支持 GPU Turbo 的麒麟 970 芯片、支持 AI 場景識別的相機系統，4GB + 64GB 的售價為 329 歐元（普通版）和 349 歐元（酷玩版）。
不過榮耀 Play 并不是這場發布會的全部。發布完榮耀 Play 之后，榮耀 CEO 趙明還準備「One More Thing」——榮耀 Magic2。
少廢話，先看產品
上圖來自微博@魏布斯
Magic Slide 魔術全面屏，滑屏結構
在前置攝像頭等必要部件現階段無法做到隱藏在屏幕之下的情況下，為了追求極致的屏占比、實現接近 100% 的全面屏，將前置攝像頭隱藏在手機當中的機械升降式設計就成為了手機廠商不約而同的選擇。
在這之前，vivo NEX 和 OPPO Find X 已經采用了這樣的設計，其中 vivo NEX 是將前置相機模組做成了升降式，而 Find X 則是將整個額頭部分做成了機械升降。榮耀 Magic2 也采用了類似的方案，不過具體做法和 vivo、OPPO 有所不同。
上圖來自微博@魏布斯
從圖片中可以看出，榮耀 Magic2 的升降式結構采用的應該是手動結構，有些類似于當年黑莓 Passport，只不過 Passport 是將手機前方的屏幕部分向上推出，而 Magic2 是將手機后方的模組向上推出。
展開 
Google首款小程序「猜畫小歌」用了哪些AI相關技術？
這兩天，谷歌推出的首款AI小程序“猜畫小歌”火了，朋友圈一時成為靈魂畫師們的舞臺。大體來說，就是你和AI玩一個“你畫我猜”的游戲，你在屏幕上畫個涂鴉，AI會猜測你在畫什么。至于游戲規則和玩法，其他答主已經介紹的非常詳細了，這里不再贅述。
(圖片來自TechCrunch)
其實這款產品并非谷歌首次推出，它的原型是谷歌在2016年11月發布一款叫做Quick，Draw！的網頁版小游戲，當時集智專欄也分享過：來自Google的小游戲，讓任何人都能參與到機器學習中來
Quick，Draw以及這款“猜畫小歌”比較類似于前幾年很火的手機游戲你畫我猜，但不同的是，Google在這兩款游戲中為用戶安排的對手不是人類，而是人工智能。
在Quick，Draw！畫板上畫出一個涂鴉后，AI會隨時給出它的猜測結果，當完成六次游戲后，系統會給出一個總覽圖，你可以點擊每一幅圖片來觀察AI的識別結果并瀏覽其他人的繪制結果。
網站傳送門
這兩款游戲的本質其實就是一個圖像識別分類過程，系統通過清洗、分析圖形的特征，來判斷圖形的真正含義。谷歌在發布Quick，Draw！之初時，分享過一個視頻，介紹了這款游戲的成型過程，可以幫助大家更形象的理解它背后的技術原理：
視頻戳這里
圖像識別技術一直是人工智能的一個重要組成內容，也是Google一直努力的研究方向之一，性能良好圖像識別模型具有重要的實用功能，可以廣泛地應用于圖片檢索、媒體內容歸類、視頻監控等多個領域。
當然訓練好這樣的人工智能并不容易，谷歌在介紹“猜畫小歌”時提到，Google AI 的神經網絡驅動。該網絡由全世界最大的、囊括超過 5000 萬個手繪素描的數據集訓練而成。
展開 “深度學習一點也不難！”
例如，AI Dungeon是一款開放世界的文字冒險游戲，因其AI生成的生動形象的故事而廣為傳播：
注意，AI Dungeon不是Google研究實驗室開發的項目，只是一名工程師構建的黑客馬拉松項目。
AI Dungeon的創建者Nick Walton并沒有從零開始設計模型，而是采用了最新的NLP模型（OpenAI GPT-2），然后對其進行微調來設置自己的冒險文字。
這種方法完全可行的原因是，在神經網絡中，最初幾層主要負責簡單、通用的特征，而最后幾層主要負責與任務有關的分類/回歸。Andrew Ng 用一個圖像識別模型的例子，以可視化的方式介紹了各層與任務本身的相關性：
事實證明，基礎層學習的通用知識通常可以很好地遷移到其他任務上、。在AI Dungeon的示例中，GPT-2對通用英語有良好的理解，只需要對最后幾層進行一些重新訓練，即可在冒險游戲中給出優異的表現。
每位工程師都可以通過這種流程，在幾天之內部署一個模型，以在新的領域實現最新的結果。
為什么遷移學習是下一代機器學習軟件的關鍵？
本文開頭我提到了使用機器學習（尤其是深度學習）需要具備的有利條件。你需要一個大型的數據集，需要設計有效的模型，而且還需要訓練的方法。
這意味著一般而言，某些領域的項目或缺乏某些資源的項目就無法開展。
如今，我們可以利用遷移學習消除這些瓶頸：
1、小型數據集不再是問題
通常，深度學習需要大量帶標簽的數據，但在許多領域中，這些數據根本不存在。然而，遷移學習可以解決這個問題。
例如，哈佛醫學院附屬團隊最近部署了一個模型，該模型可以“根據胸部X光片，預測長期的死亡率，包括非癌性死亡”。
他們只有5萬張帶標簽圖像的數據集，不足以從頭開始訓練CNN（卷積神經網絡）。
展開 數字揭秘丨什么？！Altair EDEM竟然可以用來解答高考物理壓軸的電磁力學題？
Altair? romAI? 是 Altair? Twin Activate? 中一項改變游戲規則的AI技術。利用降階建模（Reduced Order Modeling，ROM）技術進行系統評估，可加快離散元法（DEM）、計算流體動力學（CFD）和有限元（FEA）分析等計算成本高昂的仿真工作，為測試創意和優化系統性能留出更多空間。這種簡化方法可幫助企業縮短上市時間、降低成本并更快地實現可持續發展目標。
結合 Altair? EDEM? 和 Altair? romAI?，可實現智能仿真，尋得本題題目中出現的各物理參變量之間的內生關系，解得最終解析答案。
Altair? EDEM? 相關工業應用介紹
作為 Altair? EDEM? 的內置模型，靜電力模型在工業上具有成熟的應用。
離子束刻蝕技術（Ion Beam Etching，IBE）為經典的半導體干法刻蝕技術，發源于1970年代。通過將稀有惰性氣體（如氬、氙等）電離形成帶正電的離子（如本題中的兩個帶電質點），然后使用電場加速（和磁場引導）后精準轟擊基材表面特定位置的原子，從而實現在基材表面的精確刻蝕，具有良好的各向異性。在 Altair? EDEM? 中，DEM 可模擬高能離子轟擊基材表面原子過程，使用靜電力模型可模擬離子之間的相互作用，而使用場量 Field Data 結合 API 可寫出電磁場模型，從而仿真離子束刻蝕過程。
關于靜電力模型使用案例，請觀看下面視頻：
本篇文章就分享到這里啦。如對 Altair EDEM相關解決方案有興趣，歡迎通過下方二維碼與我們聯系，我們將竭誠為您服務。
展開 305億，巨人網絡大手筆收購以色列AI公司，為了什么
于是，Playtika干脆把看上的、能被AI改造的公司直接收購過來，用AI技術去提升其變現能力，肥水不流外人田。
Playtika最先是改造了一大批游戲公司。目前，該公司有《德州pu克》等五款主打產品，其中三款來自并購，旗下的游戲在約190個國家擁有超過5億玩家。
而Playtika自己并不開發游戲，公司也沒有游戲策劃人員，改造游戲工作主要靠機器來做。在當時的以色列，游戲行業是一片藍海，處于空白狀態。Playtika Growth的負責人曾在采訪中表示，“我們并非來自以EA和動視為代表的游戲領域，數據和分析才是我們的DNA。”
這不是AI強變現能力活生生的例子嗎？
Playtika不是一家游戲公司，也不是一家AI公司，而是一家用AI來改造游戲和其他行業的公司。這樣的定位在全球也很難找出第二家。
Playtika創立8個月，就被國際巨頭Alpha收購。2016年12月，世紀游輪擬作價305億元收購Alpha，間接收購世界棋pai游戲巨頭Playtika。由于305億確實是一個大數目，當時交易為減輕上市公司資金壓力，引入了財團。財團合計出資46億美元設立持股平臺Alpha，先以現金形式44億美元收購Playtika，再將Alpha作價305億元出售給上市公司。
巨人集團如何看上了這家以色列公司呢？
這筆收購發生在2016年12月，當時，巨人網絡已經借殼重回A股，在一陣暴漲到1000多億的市值后又持續下跌幾百億。看來，資本市場對于巨人網絡的商業模式已經不再買賬。在當時，巨人網絡已經做了兩年多的手游，但是也已經為時太晚。而AI剛剛嶄露頭角，開始具備商業變現的能力。收購Playtika可以看做其在AI領域的一大布局。
305億基本等于大半個巨人網絡，史玉柱這錢花得值嗎？
展開 