用 AI 算法玩游戏，打破人类玩家的记录，是一种什么体验？
其中不乏我们熟悉的打砖块、蒙特祖玛的复仇、小蜜蜂等经典游戏。
游戏广告系统开发，游戏广告开发,游戏广告源码开发,游戏广告平台开发,游戏广告app开发,游戏广告系统多少钱,游戏广告价格，游戏广告app功能,游戏广告平台介绍，游戏广告系统搭建。
可能有些朋友不知道 Atari，这里简单介绍一下。
1976 年，Atari 公司在美国推出了 Atari 2600游戏机，这是史上部真正意义上的家用游戏主机系统。
80 后、90 后非常熟悉的 FC红白机（超级马里奥、魂斗罗、松鼠大作战、坦克等等）则是十几年之后的事情了。
正是这样的一台主机创立了现在上千亿美元的家用游戏机产业。
要说的主角 DreamerV2 就是在这样一系列具有纪念意义的游戏中的 agent （智能体），Google的新力作。
在没有人为的干预下，DreamerV2 agent可以学习自己打游戏，并且比肩人类，甚至超越。
这样一个看似高大上的算法，咱们现在都能玩！
DreamerV2 刚刚开源，并且只需要一个 GPU就能跑！
强化学习是机器学习的一个领域。
这就像训练宠物一样。当宠物做出了指定动作之后，我们给它一些食物作为奖励，使它更加坚信只要做出那个动作就会得到奖励。
这种训练叫 Reinforcement Learning（强化学习，简称 RL）。
DreamerV2 就是一种 RL算法，举个简单的例子，说明下工作原理。
游戏屏幕的图像是输入数据，经过卷积层和全链接层，后映射到游戏手柄所有可能的动作。
强调如何基于环境而行动，以取得大化的预期利益。
其灵感来源于心理学中的行为主义理论，即有机体如何在环境给予的奖励或惩罚的刺激下，逐步形成对刺激的预期，产生能获得大利益的习惯性行为。
在强化学习的世界里，我们的算法被称为 Agent，它与环境发生交互。
Agent从环境中获取状态（state），并决定自己要做出的动作（action）。
环境会根据其自身的逻辑给 Agent 予以奖励（reward）。这个奖励有正向和反向之分。
比如，动物生活在大自然中，吃到食物即是一个正向的奖励，而挨饿甚至失去生命就是反向的奖励。
动物们靠着自己的本能趋利避害，增大自己得到正向奖励的机会。
如果反过来说，就是避免得到反向的奖励，而挨饿什么的终会导致死亡。
动物生存的唯一目的其实就是避免死亡。