近两年后，《权力游戏》第八季也是最后一季，终于 15 日回归了。再过 6 个多星期，我们就会知道这部剧 8 年的目标达成与否：多少角色领便当。和这部剧一起回归的还有当年的学生团队，他们使用自己设计的 AI 算法，在网络搜寻相关数据，并计算剧中每个角色的生存机率。如果你认为机器学习的预测只是胡言乱语，可别忘了，这群学生之前做的算法就成功预测了雪诺（Jon Snow）复活。
算法预测，龙母（Daenerys Targaryen）最有可能在这个痛苦的世界活下来，存活机率为 99%。她的国王之手小恶魔（Tyrion Lannister）存活率也高达 97%。Jon Snow 是稍微复杂的命题，但算法预测，他在第八季幸存的机会为 88%，可说非常强劲。从统计资料看，Bronn 几乎肯定会死，预测死亡率为 93%；Gregor Clegane 死亡率也高达 80%；珊莎（Sansa Stark）出生在临冬城，且已结婚，死亡率为 73%；妹妹艾丽娅（Arya Stark，同时也是十足的坏蛋） 存活机率略高，预估死亡率为 47%。当然，这只是算法分析的结果，说到底，只不过是又一次证明机器学习能力的伟大实验。
算法「魔力」何在？
机器学习能从过去的海量案例学习，并自动编译统计资料，然后预测未来。《权力游戏》只有少数角色死于老去，大多数角色下台都以暴力收场。这不仅让人深思，剧中的死亡是随机发生，还是只发生在表现出类似特征的人身上？这些特征可能是年龄、血统和性别，也可能是角色做出错误的重大决定。
算法尝试分析所有死亡角色的共同特征，然后利用共同特征来预测存活角色的死亡百分比（PLOD）。算法分析的资料撷取自小说《冰与火之歌》和影集《权力游戏》维基百科内容，这可能是分析系列 5 本书和 8 季电视剧约 2 千个角色的最佳资源。算法不仅从数据库撷取每个角色的死亡或存活信息，还撷取了说明角色的其他特征。这样，数据集就产生了，可用同一特征来说明不同角色无论死亡或存活。下一步就是，找到最能区分死角和活角的特征集。
贝叶斯生存分析
此机器学习模型使用与贝叶斯推理相关技术，检验不同特征与角色寿命的关系，类似检验治疗和并发症对癌症患者的影响，或检验地震事件之间的相关性。团队假设，一个角色的一生，每年都有一定机率死亡。这基本死亡率对所有角色都一样，但特征不同会让死亡机率增加。例如，男性可能会让死亡风险增加 60%。透过计算危险性，机器可为任何角色建立生存函数，以此判断这段时间，该角色死亡的可能性有多大。模型就房子、情人、婚姻、主／次要角色、性别等特征进行分析。
神经网络
除了贝叶斯生存分析，另一种方法是训练神经网络预测某角色某年的死亡率。这种方法也会建立生存函数，但神经网络的型态会比贝叶斯模型更复杂。神经网络会包含更多「意外」死亡，而贝叶斯模型则认为这些死亡是随机的异常值。这个模型使用 Python 的 Keras 框架。基本上，最简单的神经网络架构之一就是使用前馈技术。这意味着输入一任意实值维数字量，然后透过所谓「隐藏层」处理，最终导出也是一个数字向量。
此外，神经网络线由许多参数组成，这些参数在训练过程会调整。训练是自动改变参数的步骤，使网络导出尽可能接近给予的输入─汇出关系。如何将与角色相关的复杂信息转换为向量，是目前要考虑的重中之重。有些信息是纯量，例如角色介绍在维基百科的排名前后。其他信息，例如角色出现的情节，是一组有预定义的值。因此，我们可建立维度与集数相同的向量，如果角色出现在相应集数，则将维度设为 1.0，否则设定为 0.0。这样不同种类的信息可转为向量，而这些向量会相加。最后，文字数据提供 1,561 个输入维度，电视剧数据提供 411 个输入维度。部分内容来源：http://www.cafes.org.tw/info.asp
一般来说，变老仍是影响角色死亡的最重要因素，毕竟年龄越大，经历的危险就越多。这就是神经网络也要采纳分析角色、年龄的原因。因为神经网络导出只是决定「生存百分比」的一个维度，所以为每个角色建立 90 个不同输入向量有可能达成（每一年对应一个输入向量）。如果角色到设定的年龄仍然存活，神经网络将预测输入向量为 1.0，否则为 0.0。此外，这个神经系统还允许预测 PLOD 随时间变化：修改角色的输入年龄很容易，且修改会与 PLOD 的变化直接相关。系统预测的角色死亡率仅针对《权力游戏》第八季。
为了总结这点，来看看关于预测和神经网络的统计数据。首先，《冰与火之歌》共有 484 个可用角色，其中 188 个用于训练（即死亡），其余 296 个存活角色用于预测。最后，小说数据的训练准确率达 88.75%，最终验证准确率为 89.92%。同样，《权力游戏》撷取 146 个可用角色，82 个用于训练，64 个用于预测。影剧数据最终训练准确率为 79.64%，最终验证准确率为 85.69%。