流程开发工具

近年来随着中国游戏产业的迅速发展，很多大型游戏公司已不满足现状，在制作游戏的同时也在尝试进行游戏引擎开发工作。

　　首先我们定义一下什么是游戏引擎，游戏引擎是指一些已编写好的可编辑电脑游戏系统或者一些交互式实时图像应用程序的核心组件，这些系统为游戏设计者提供各种编写游戏的所需工具，其目的在于让游戏设计者能快速地做出游戏程式。游戏引擎包含以下系统：渲染引擎（即“渲染器”，含二维图像引擎和三维图像引擎）、物理引擎、碰撞检测系统、音效、脚本引擎、电脑动画、人工智能、网络引擎以及场景管理。游戏引擎作为游戏制作的基础，是整个游戏的底层代码，但却是独立于游戏之外的产品。

　　目前中国的游戏开发厂商从2D进化到3D的时间相较国外时间还很短。虽然已经可以满足国内网游的绝大多数需求，但在高端渲染方面仍有很大不足，如ShaderModel的实现效果。而随着国内专业引擎公司的出现和全球技术领域的逐渐开放，这种差距将会快速缩小。目前中国不乏有一些引擎研发公司正在逐步进行商业化运作，比如最近新上线的H5/3D/VR国产原创引擎C2engine，其公布的全中文操作界面、无编程化的操作体验或将打破游戏引擎市场的现状。

　　在国外游戏公司使用商业引擎是司空见惯、理所当然的。在这方面，国内的整体产业环境与国外有着不小的差距，归根结底这是引擎认知程度的差距。引擎是一个独立的产品，他需要专业的公司去研发、维护和后续服务。如果还抱着“小而全”、“自己动手丰衣足食”的态度，不去实现产业链的细化分工，那么整体实力很难向上提升。

　　国内优秀的开发人员有很多，但量变到质变需要时间，积累是一个不可逾越的过程。这个积累的过程包括两方面，一个是在游戏开发公司内部的技术积累，一个是在开发者或开发管理者个人的经验积累。以虚幻引擎来说，即使有蒂姆·斯维尼（TimSweeney）这样的天才，EpickGames对于虚幻引擎的正式开发也有20年。正是经历了这么多年的时间，历经上百款游戏的锤炼，才成就了今天虚幻引擎的地位。

　　我们国内的引擎尚未经历如此多的锤炼，团队相对比较年轻，因此想要开发出虚幻这个级别的引擎还需要更多的磨炼。从制作游戏到研发引擎，中国游戏公司要走的路还很长。

　　随着国内的引擎开发正在慢慢进步，2D游戏技术已经和世界接轨。但是2D游戏和3D游戏是两个概念，3D游戏不是由2D进化而来。即使2D技术再次实现突破，制作出来的游戏也是更优秀的2D游戏，跟3D没有任何关系。在传统的3D图形技术方面，国内厂商和国外厂商的技术差距基本跟中国与世界田径水平的差距差不多。整体上是有一大截差距的，但是也能找出个刘翔或者王军霞。

　　除3D图形技术外的其他技术领域，比如物理引擎、网络引擎等更加细分的技术领域，中国还处于很大的空白期。原因有两点：其一，国外引擎在这方面的复用度和支持力度已经非常高，比如Ageia的PhysX这个物理引擎基本全世界都在用，所以自己再去研究得不偿失。其二，没有严谨的商业化态度，一直在自己做引擎自己玩，有些公司甚至有同一个制作团队制作出的同类型游戏都能是两个引擎，这是最致命的思维错误。

　　一款好的游戏引擎如同汽车的引擎，它是一个游戏的核心和动力。一款完整的游戏引擎大致应该包括如下四个组成部分：

　　1、一套供程序使用的API，程序运转的框架流程和程序中对象，模块之间的通讯机制；

　　2、一套完整易用的工具集合（供策划和美术使用），用来创造游戏内容；

　　3、一套完整的文档、例子和教程，帮助使用者加快学习进度，快速熟悉引擎；

　　4、一套开发流程及资源的定义及组合方式。

　　这四个部分对于一款优秀的游戏引擎产品来说，是不可或缺的。其中第3、4点最容易被忽略但也是最重要的，这两点决定着一款引擎产品的品质，以及是商业引擎还是非商业引擎。当然，这两点也是决定引擎价格的一个重要因素。而比较无奈的是，国内的引擎开发恰好对于后两点不够重视。

　　另外，从程序的角度来看好的引擎也应该具有以下特征：

　　1、好的游戏引擎既是一个框架又是一套应用程序的编程接口；

　　2、好的游戏引擎不需要引擎的源代码（这点国内引擎尚有欠缺），开发人员只需要使用引擎的二进制版本、库文件、头文件、工具和文档，就可以自行开发一款游戏产品。

　　3、好的游戏引擎在设计时需要分析游戏特征。明确划分哪些功能可以让开发人员在引擎内部完成，哪些需要开发人员自己动手，同时给他们留下足够的灵活空间。

　　就图形技术方面来说，国内外有差距，但是并不影响我们做出好的游戏；就引擎的完备程度来说，我们还是有很大差距的。国内做引擎却不把技术进行细致分化，依然只把引擎当做一门技术而非一种产品，导致很多开发人员在做着重复的开发工作。因此游戏开发技术和引擎开发技术的分离是十分重要的，是国产引擎走向商业化的第一步。

　　平心而论，在技术上我们其实没有必要迫切追求与国际接轨或是赶超国际。韩国的游戏开发公司用的引擎都是欧美的商业引擎，他们并没有自己去做底层代码的开发和研究。但是结果却是韩国游戏一度垄断中国市场，很多出口至欧美各国。韩国公司用游戏产品体现他们的文化、输出他们的思想，同样让世界认可其游戏品质和制作水平。我们需要的不是盲目比拼和追赶，技术含量最高的不一定是最好的，最适合我们的才是最好。说得官腔点就是走由中国特色的路线，开发具有中国特色的国产引擎。

　　游戏引擎不是游戏的附属品，游戏引擎需要独立于游戏之外；游戏引擎也不是一门单一的技术，而是众多技术集合而成的产品和工具。国产引擎要想走向世界还有很长的路，国内的开发者任重而道远。

相关新闻

2016-07-01

2016-06-21

2016-10-26

2017-05-26

2017-07-20

如果说前50年是AI的潜伏期，那么，2017就是人工智能的全面爆发年。我们在各行各业都可以看到AI的身影，包括各厂商推出的自研AI算法，以及满屏的基于AI的智能化探索和研究，无可否认的是，人工智能技术已经渗透到生活的各个领域当中。那么，在AI技术实际落地的过程中，会遇到什么样的瓶颈?基于深度学习的框架这么多，企业该如何选择最适合自己的那一条道儿?

12月9日UCloud收官战，聚焦AI技术的落地实践，通过高可用的异构AI计算平台构建过程、如何流程化地生产和发布AI产品、及深度学习性能优化工具和实现等内容分享，为开发者在快速落地AI应用和产品上提供了一些可用的方法和途径。

美团丁雪涛：美团配送智能网络规划系统

美团配送已承担日千万级单量的配送，为上百万商家和千万级用户提供服务。这其中如何建立配送网络的规划工具和规划策略至关重要，不过，仅仅依靠人工来对百万级别的网络进行调整，不但效率低成本高，而且标准不一。来自美团的资深技术专家丁雪涛，就美团配送网络的总体设计和规划、商家配送范围的策略和算法演进、区域规划的策略等内容展开了深入分享。

美团的整个配送网络整体设计包括三个核心概念：取件范围、送件范围以及配送范围。取件范围就表示加盟商的势力范围，每一个商家对应一个独立的配送团队，势力范围即配送小哥能够为哪些地方取件，送件范围的目的是为配送团队规划一个整体可以到达用户的地;配送范围是指商家的配送范围，只有在这个配送范围内的用户才可以看到这样一个商家。

那么，美团怎样规划取件范围和配送范围呢?在取件范围的规划上，美团以效率、体验和公平为基准点，制定了生成划分方案，即基于聚类和多目标优化，来生成候选划分方案，通过迭代反馈，将生成的候选方案输入到仿真系统，通过真实历史订单骑手配置来模拟配送过程，得出效率和体验评估报告。

在配送范围的规划上，美团首先将配送场景划分为常规配送范围、恶劣天气范围、闲时配送范围、新商家范围等等，通过block决策、导航路线画图、中间指标、商家推荐、机器学习预估多种技术手段，分析出不同场景下最优的配送范围。

UCloud宋翔：构建商用AI平台的挑战与思考

随后，UCloud高级研发工程师宋翔，结合UCloud在AIPaaS产品研发过程中遇到的问题，以及AI平台构建过程中的挑战与解决方案，为现场参会者深入讲解了如何构建一个高可用的异构AI计算平台。

宋翔表示，目前，业界主流的AI算法和框架非常多，算法包括VCG、LSTM、RestNet、Fast-RCNN等等，而框架又有TensorFlow、Keras、Caffe、MXNet等，其组合种类更加让人眼花缭乱。那么，如何在繁杂的组合里选择合适的算法和框架?宋翔分享了AI平台构建需要考虑的五大要素：算法兼容性、平台扩展性、分布式话、纵向拓展、易用性，用户可以以这五大要素为基准点，根据平台构建的目的来搭配最适合的算法和框架。

基于以上五大要素，UCloud构建了自有的AI基础平台，里面包含AI训练和AI在线服务两大核心功能。如下图所示，最上层是训练日志和TensorBoard框架，下面接着就是图形化界面，这里面主要是完成一些基本的部署操作，右侧是PythonSDK接口，接入层下面即为平台核心的AITrain和AIService，最底层封装了所有的硬件和存储接入。这个平台看起来虽然简单，但基本上包含了AI商用平台的常用功能和接口，可以说是麻雀虽小，五脏俱全。

谈起AI平台的实现过程，宋翔表示，AI框架的构建最重要的两点就是保障平台的兼容性和可靠性。在兼容性上，UCloud采用了容器封装和数据接入两种方法实现环境的分离，将不同功能的AI框架、依赖环境、硬件设备、存储分隔开来，让不同的模块实现不同的功能。可靠性的实现上，UCloud主要采用负载均衡、请求调度算法优化、性能监控以及高可用的部署等方式，完成全局的弹性扩容。

值得一提的是，UCloud在GitHub开源了自身基于AI基础平台的公共镜像库和SDK，用户可以通过开源的SDK，将UCloud开源的镜像库打包成自身可以应用的镜像，开发者可以再本地镜像使用，也可以放在UCloud的在线服务或者说训练的平台，这些都是完全兼容的。感兴趣的同学也可以访问链接https://github.com/ucloud/uai-sdk/，进行深入了解和演练。

UCloud范融：如何轻装上阵玩转AI

在产品化AI服务的过程中，普遍都会遇到基础资源管理、使用、封装等等问题，如何提升AI产品研发效率，简化非核心业务的研发流程是各个公司最关心的问题之一。来自UCloud高级研发工程师范融，现场结合动手实践，详细分享了如何流程化地生产和发布AI产品，节省开发时间和成本。

本地开发AI之前，开发者需要提前配置基础的环境，包括CPU、GPU的支持，以及深度学习框架准备和科学计算库的加载等，基础环境配置完成之后，即可进行开发工作。下图为UCloudAI本地开发的整个过程，下层是基础环境的配置，上面白框是应用代码部分，这部分主要解决两个的问题，一个是数据的训练，一个是数据的预测。一般来说预测网络和训练网络是类似的，如果预测模型和预测程序不止在本地运行，则需要加一个Web服务框架。

为了简化应用代码的部署和构建过程，UCloud提供了一些开源的工具和框架(上图蓝色框架的所有内容)，包括辅助工具里面的代码打包和自动部署工具，开发者也可以在UCloud提供的SDK里面免费下载使用，省去许多部署烦恼。

AI本地训练虽然安全性比较高，但在资源申请和迭代开发方面具有一定的局限性，如字眼扩容较慢，多任务穿行是等待时间较长，调参困难等，范融认为，合理的将部分的AITrain放在云端实现，可以有效的完成云端资源的按需申请、多任务并行处理以及任务参数记录等工作。在数据的上云实践方面，UCloud提供了比较完善的工具和方法，用户只需通过代码改写、打包镜像、上传训练数据以及启动任务四个步骤即可轻松上云。

Intel何普江：深度学习性能优化工具及实践

UCloud的两位讲师分享了AI落地实践的一些平台构建思路和方法，来自Intel何普江，则现场分享了基于深度学习的性能优化工具和实践经验，包括在高性能计算库(MKL和MKL-DNN)和框架(Intel发行版Caffe)的使用、注意事项和一些经验，以及基于CPU的高效的RNN设计实现过程。

Intel数学核心函数库(MKL)是一套高度优化、线程安全的数学例程、函数，能加速加速机器学习、科学研究、工程、财务和设计等领域的数学处理，并提供了稠密及稀疏线性代数(BLAS,LAPACK,PARDISO),FFTs,vectormath,summarystatistics等支持，具有标准的API以及高度优化的特点，最大限度发挥多核核和SIMD指令的优势。

MKL不同的是，MKL-DNN是一个开源的深度学习框架。下图为使用IntelMKL-DNN进行推理的过程，有两种方式可以实现这个过程，一种是训练好的模型，直接进入模型转换器，然后再用topo.txt(网络拓扑)生成Inference.cpp(基于MKL-DNN的Inference代码，在初始化的时候会加载weights.bin)，这套逻辑需要用到Intel自身的网络拓扑模型的中间表示形式。另外一种方式是待topo.txt生成后，再用简单的代码转换器，实现轻量级的InferenceFramework.cpp(轻量级Inference框架，可以解析topo.txt并加载weights.bin)。

caffe是一个清晰、可读性高、快速的深度学习框架，Intel发行版的Caffe同样也是开源框架，它基于BAIR/BVLCCaffe改进而来，Intel在BAIR/BVLCCaffe的基础上添加了流行检测网络的支持(如SSD)，同时，也支持多节点训练以及CAFFE、MKL2017和MKLDNN三种引擎。在RNN的优化上，何普江介绍到，Intel主要对高效的GEMM实现、一些小操作的合并、并行化元素级操作、合理的数据排布以及低精度表示上进行了系列改进实践，优化之后的CPU性能基本上可以比GPU高甚至高出不少。

写在最后

这次分享从平台、方法和工具等不同角度，全面诠释和讲解了开发者该如何从0开始快速落地AI产品。虽然目前人工智能技术整体都还处在探索阶段，不过相信大家定能从这次分享中吸取精华，有所收获，在并将其应用在未来的开发者之路上。UCan下午茶2017系列沙龙，在走过了北京、上海、深圳、广州等一线城市后，于美丽的杭州湖畔完美收官。

相关新闻

2017-02-04

2017-05-22

2017-08-01

2017-08-17

2017-12-19

近日，众安信息技术服务有限公司（以下简称“众安科技”）数据科学实验室研发的一款大数据产品生成工具——Zatlas（https://v.anlink.com/home）正式免费开放公测。区别于市场上已有的数据可视化解决方案，Zatlas不仅打通数据源、设计、产品的全发布流程，支持一键修改全局设计，导出配置与代码，并可实现多数据库源的接入。

据了解，目前Zatlas已经开始辅助金融从业者进行动态数据分析，并生成产品页面。此外，Zatlas帮助合作的政府部门、金融公司搭建大量数据可视化大屏，辅助高层商业决策、在重大场合进行形象展示。

Zatlas助力金融分析、大屏展示

传统公司用Excel进行数据分析，互联网公司建立数据系统，Zatlas则实现从自助式分析到设计开发数据产品的全链路流程。

Zatlas在金融领域率先落地应用。以Zatlas在众安在线财产保险股份有限公司（众安在线：6060.HK）的业务大屏运用为例。使用者能在一张屏幕上清楚地看到动态投保信息在全球范围的流向。同时，不同险种实时销量排行榜、保单渠道流量动态分布、后台处理保单的速度，都能在一个界面中实时、清晰地展现出来。

图说：Zatlas在保险领域的落地场景

众安科技方面透露，Zatlas已经运用在保险、银行等金融领域，展示场景包括日常监控大屏和展会等重要场合。除了金融机构、业务大屏展示，目前Zatlas向所有数据爱好者免费敞开大门。

作为一款大数据中后台生成工具，Zatlas能够为企业提供一站式数据产品服务，完成包括数据预览、数据绑定、可视化设计、数据产品开发的全链路流程。通过提供一站式开发工具、海量可视化图表、专业案例模板、多数据源介入、多系统客户端+网站等，打造企业数据一站式产品搭建工具，深入理解业务需求，增加业务洞察，有效提升工作效率。

图说：Zaltas支持多种数据库类型

据悉，与传统软件和大部分webBI不同，Zatlas可以和前端开发流程平滑迁移导出图表配置，使得数据产品模块更精准、轻量，数据产品开发的流程更具使用体验，迭代更快。

千亿BI市场迎来“搅局者”

数据显示，2017年全球商业智能（BI）和分析软件市场收入预计达到183亿美元，到2020年，该市场预计将突破228亿美元。巨大的市场规模，以及日益增进的技术发展将使数据分析成为大数据时代的宠儿，也将催生出更多的数据分析产品。

依托于众安科技在大数据、人工智能、云计算等前沿技术的不断探索积累，目前Zatlas已经可以完成dashboard的拼装，并为后续产品研发提供便捷的配置生产服务。

不仅如此，通过界面操作，Zatlas可以连接数据库预览数据，完成多维度的数据绑定并保存为dashboard。此外，Zatlas还内置了大量可视化效果，通过图形化的方式对数据进行展示和表达，帮助企业进一步查看探索更深层级的业务内容。

图说：画布完工效果

众安科技是一家专注于区块链、人工智能、大数据、云计算等前沿技术研究的金融科技类公司，汇聚行业内的顶尖科研人才，并结合自身行业经验的积累，向普惠金融和健康医疗领域输出科技产品和行业解决方案，助力众安内部及外部合作伙伴创新、创业孵化。