《battle royale》像《PlayerUnknown’s Battlegrounds》(通常缩写为“PUBG”)和《Epic games’s Fortnite》拥有数亿玩家是有原因的:它们是令人兴奋的。几十个玩家角色同时出现在不可预知的地方，当游戏地图逐渐缩小的时候，他们会战斗到死亡。花名册最终只剩下一名球员，他将成为冠军。

尽管出其不意的元素可能很有趣，但配对可能没有看上去那么有活力。佐治亚大学(University of Georgia)计算机科学系(Department of Computer Science)的研究人员做出了上述论断，他们测试了几种人工智能算法，从游戏内的统计数据和初始排名来预测玩家在PUBG中的最终位置。

“在这篇论文中，我们试图预测玩家在最终生存测试中的排名，”该项目的贡献者在Arxiv.org上发表的一篇预印版论文(《适者生存在玩家未知的战场》)中写道。“我们应用了多种机器学习模型来寻找最佳预测。”

正如合著者所解释的，每个PUBG游戏开始时，玩家从飞机上跳伞到包含程序生成的武器、车辆、盔甲和其他设备的四张地图之一。为了训练他们的人工智能模型，该团队收集了由谷歌旗下的在线机器学习社区Kaggle记录和编辑的遥测数据。总的来说，它包含了450万个带有29种属性的单人战斗、双人战斗和小队战斗，研究人员将这些属性减少到190万个，带有28种属性。

该团队指出，大多数玩家都没有任何杀戮行为，只有一小部分人通过和平主义策略赢得了胜利。事实上，在文集中0.3748%的玩家赢得了无杀戮，其中0.1059%的玩家在没有杀戮和伤害的情况下赢得了胜利。他们还观察到那些活跃地遍历地图的玩家——即，多走路——增加获胜的机会;样本集中2.0329%的玩家在采取单一步骤之前死亡;而且，与组队比赛的球员相比，喜欢单打独斗或成双结对的杀戮少的球员获胜的几率更高。

该团队在样本上设置了四种松散的机器学习算法:光梯度增强机、随机森林、多层感知器和M5P。在实验中，他们获得了0.02047、0.065、0.0592和0.0634的平均绝对误差(测量一系列预测的平均误差大小)，而在准确度方面，光梯度提升机处于领先地位。(平均绝对误差越小，模型的预测就越准确。)

他们把更多的回归模型留给未来的工作，这些模型可能会“扩展预测的稳健性和准确性”。

研究人员写道:“从这项研究可以得出结论，机器学习技术可以用来预测像PUBG这样的游戏中的‘适者生存’。”“通过高相关性减少特性已被证明是一种有用的性能改进技术，尽管它可能并不适用于所有场景。”