AI如何預(yù)測(cè)《權(quán)力的游戲》角色生死

未知

①《權(quán)力的游戲》角色死亡概率預(yù)測(cè)頁(yè)面，綠色代表生存幾率

在8季《權(quán)力的游戲》中，最讓觀眾揪心的一件事就是，你永遠(yuǎn)無(wú)法猜到某一角色能否活到下一集，即使是十分重要的角色也隨時(shí)可能死掉。https：//got.show網(wǎng)站應(yīng)運(yùn)而生，它是由慕尼黑工業(yè)大學(xué)（ Technical University ofMunich）的學(xué)生創(chuàng)建，通過(guò)一套Al算法為觀眾預(yù)測(cè)劇中各角色的死亡率。其中某些角色的預(yù)測(cè)相當(dāng)準(zhǔn)，以瓊-雪諾為例，預(yù)測(cè)其在第8季中活下去的可能性極高死亡概率僅為12%（圖1），與最終的劇情結(jié)果還是相當(dāng)吻合的。

機(jī)器學(xué)習(xí)與預(yù)測(cè)模型

got.show網(wǎng)站究竟是怎么預(yù)測(cè)的呢？原來(lái)他們主要應(yīng)用了機(jī)器學(xué)習(xí)技術(shù)（Machine learning，ML）。傳統(tǒng)軟件，都是預(yù)先編寫好程序來(lái)執(zhí)行特定的任務(wù)，相對(duì)來(lái)說(shuō)是固定不變的。應(yīng)用機(jī)器學(xué)習(xí)的Al軟件則不去編寫具體的執(zhí)行程序，而是通過(guò)算法對(duì)大量的樣本數(shù)據(jù)進(jìn)行“學(xué)習(xí)”（解析），從中找出規(guī)律、抽取模型，再用此模型對(duì)新數(shù)據(jù)進(jìn)行判定和預(yù)測(cè)（圖2）。機(jī)器學(xué)習(xí)并不是固定不變的，在不斷地“學(xué)習(xí)訓(xùn)練”的過(guò)程中，它自動(dòng)對(duì)算法進(jìn)行改進(jìn)以達(dá)到更優(yōu)的性能。

②機(jī)器學(xué)習(xí)的三種模式（監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)）

相比于其他的電視劇，《權(quán)力的游戲》中的角色可能是最沒(méi)有安全感的，他們不斷地死掉，有的被暴力殺死，有的死于年老疾病，有的死于意外，不一而足。那么這些角色的死亡到底是隨機(jī)出現(xiàn)的，還是他們都具有某些相似的特征呢？比如年齡、性別、爭(zhēng)奪遺產(chǎn)等等。got.show通過(guò)機(jī)器學(xué)習(xí)，對(duì)這些死亡角色的生活進(jìn)行分析，找出其中共有的模型特征，再以此模型去預(yù)測(cè)還活著的角色的死亡可能性百分比（PLOD），也就是——下一個(gè)死的可能會(huì)是誰(shuí)？

貝葉斯生存分析

got.show搜集了《權(quán)力的游戲》中的近千個(gè)角色，并從多個(gè)相關(guān)的百科網(wǎng)站及社交網(wǎng)站等媒體上，提取每個(gè)角色是否死亡的信息，以及每個(gè)角色的描述信息，建立起一個(gè)數(shù)據(jù)集，并提取出各角色生與死的特征集。

接下來(lái)他們應(yīng)用了貝葉斯生存分析模型，對(duì)所搜集的數(shù)據(jù)進(jìn)行學(xué)習(xí)。貝葉斯生存分析常用于醫(yī)學(xué)臨床研究中，檢查治療、并發(fā)癥或重大事件等對(duì)患者的影響，從而來(lái)評(píng)估存活率。got.show應(yīng)用這一模型，則主要通過(guò)貝葉斯推理的相關(guān)技術(shù)，檢查不同特征和角色壽命之間的關(guān)系。他們做出的一個(gè)主要假設(shè)就是：每個(gè)角色的生命都會(huì)有一些基本的危險(xiǎn)概率，并且某些屬性存在與否將導(dǎo)致一些角色比其他角色更容易死。比如根據(jù)統(tǒng)計(jì)，《權(quán)力的游戲》中男性角色的死亡率要高于女性（圖3），那么在預(yù)測(cè)某個(gè)男性的死亡率時(shí)，他的危險(xiǎn)概率就會(huì)提高。

除了性別之外，got.show還加入了家族、情侶、婚姻、身份、年齡、主要/次要角色等參數(shù)，將它們綜合到一起后計(jì)算出角色的存活率。比如瓊·雪諾，作為一個(gè)男性以及史塔克家族的成員，他的危險(xiǎn)概率可能有60%或更高（圖4），但他的年齡、貴族身份等，又使得這一概率下降不少。如此建立起模型之后，通過(guò)不斷地學(xué)習(xí)訓(xùn)練，就使得預(yù)測(cè)的準(zhǔn)確度越來(lái)越高了。

當(dāng)然，貝葉斯生存分析可以進(jìn)行大概率的預(yù)測(cè)，但是對(duì)那些毫無(wú)征兆的突然性死亡事件，它會(huì)作為隨機(jī)異常值進(jìn)行處理，無(wú)法精準(zhǔn)地預(yù)測(cè)，于是got.show在貝葉斯模型之外，還引入了更為復(fù)雜的神經(jīng)網(wǎng)絡(luò)技術(shù)（基于Python的Keras框架）。有關(guān)神經(jīng)網(wǎng)絡(luò)的技術(shù)原理，本欄目已有過(guò)介紹，就不再贅述了。

③《權(quán)力的游戲》中男性和女性存活率及身份比較

④由上自下：Arryn（藍(lán)色）、Lannister（金色）、None（綠色）和Stark（灰色）家族存活率比較

機(jī)器學(xué)習(xí)預(yù)測(cè)的應(yīng)用

正如got.show項(xiàng)目的導(dǎo)師Guy Yachdav所說(shuō)，他們所開(kāi)發(fā)的這套預(yù)測(cè)算法的數(shù)據(jù)雖然都來(lái)自虛構(gòu)的故事，不過(guò)這項(xiàng)Al技術(shù)其實(shí)也可以應(yīng)用到現(xiàn)實(shí)世界中，對(duì)不同的領(lǐng)域做出有價(jià)值的趨勢(shì)預(yù)測(cè)。

當(dāng)下比較流行的機(jī)器學(xué)習(xí)預(yù)測(cè)應(yīng)用領(lǐng)域有很多，比如天氣預(yù)報(bào)預(yù)測(cè)、股市行情預(yù)測(cè)、房?jī)r(jià)趨勢(shì)預(yù)測(cè)、市場(chǎng)各類商品價(jià)格預(yù)測(cè)、銷售預(yù)測(cè)（圖5）等等，甚至還有預(yù)測(cè)葡萄酒的釀造質(zhì)量這樣的另類預(yù)測(cè)?？傊谖磥?lái)，它的應(yīng)用將會(huì)越來(lái)越廣。

⑤預(yù)測(cè)領(lǐng)先評(píng)分是眾多機(jī)器學(xué)習(xí)應(yīng)用之一