在过去的十年里，让我们播放视频 - 哪些文件游戏玩法 - 已经大受欢迎。菲利克斯·凯尔伯格(Felix Kjellberg)以其网上笔名PewDiePie而闻名，现在他的Let's Play内容已经在YouTube上超过1亿用户。最近的一份报告估计，Let's Play视频和直播的观众现在可以与HBO，Netflix，ESPN和Hulu的付费内容相媲美。
但是制作高质量的Let's Play视频需要时间，其中大部分用于编写脚本。为了减轻创作者的负担，佐治亚理工学院和阿尔伯塔大学的团队最近调查了一个可以自动生成评论的AI系统。他们表示，他们的方法优于现有工作，为未来的研究奠定了基础。
“我们玩电子游戏代表了游戏中实验性人工智能的一个相对未开发的领域......有很多原因可以让游戏AI研究人员感兴趣，”该论文的共同作者解释道。“首先，Let's Play评论的一部分侧重于解释游戏，这与游戏教程生成，游戏评论和游戏中的可解释人工智能广泛相关。其次，让我们重点介绍引人入胜的评论。因此，如果我们可以复制Let's Play评论，我们可以扩展此类工作以改进NPC对话和系统提示。最后，让我们玩的是重要的文物，因为它们是很多人参与视频游戏的主要方式。“
通常用于分析视觉图像的AI架构，作为系统的框架：卷积神经网络(CNN)。收集了三个25分钟的YouTube视频 - 分别来自三个流行的Minecraft Let's Play频道 - 并提取相关的成绩单以构建评论语料库。然后将视频分成每帧1帧的帧，每个帧 - 总共4,840帧，其中3,600个用于训练，其余用于测试 - 与一个已转换为矢量的句子配对(数学表示)CNN可以处理和理解。
研究人员指出，所产生的评论(“你可以看到我们可能真的很接近”;“它太像我说我们要开始”)并不是一贯的连贯或精确，但他们指出它优于三次定量测试的基线。更重要的是，他们表示，鉴于该模型缺乏背景知识，它证明了手头任务的难度。
研究人员写道：“我们预计这项工作的未来发展将更加密切地与这些领域的奖学金相结合。”“由于背景和评论高度依赖于特定游戏的规则和设计，因此对其他类型的游戏进行通用本身会带来独特的挑战。尽管如此...... [我们]希望通过抽象低级细节并专注于跨游戏共享的更高级别主题，将这个项目扩展到Let's Plays的其他流行游戏。
他们留待将来的工作增加数据集的大小和所包含的游戏数量。