AI在视频游戏中的应用

小篱

（原作者：）Written by Laura E.Shummon Maass and Andy Luc

大多数人可能会认为，在过去几年中发布的大多数游戏都给非玩家控制的角色、生物或动物上边使用了非常复杂的AI技术。然而，许多视频游戏开发者对在游戏中应用先进的AI技术是犹豫不决的，因为他们害怕失去对整体玩家体验的控制。事实上，在视频游戏中使用AI技术的目标，不是要给玩家创造一个无与法击败的对手，而是要在很长一段时间内最大限度地提高玩家的参与度和体验感。

如果你选择了新游戏并开始玩，你会享受一次又一次地被完全击败，还是更愿意与某个略高于你水平的对手战斗，这样你就可以随着时间的推移学习和提高？绝大多数玩家可能会选择后者。这并不意味着AI技术在现代游戏领域没有用武之地，只是意味着它的目的与我们最初期望的不同。我们想创造的与玩家互动和对战的AI，不最厉害的，而是最令人愉悦的。

游戏AI的历史

AI是一个含义非常广泛的术语，它只表示能够从玩家的行为中学习的模型。Wolfenstein 3D早在1992年发布，甚至那场比赛中的士兵也包含了A.I.的基本形式。有限状态机（FSM）算法是一个相对简单的AI，设计师创建了一个包含所有可能事件的列表，这些都可以有机器人体验。然后设计师又针对每种场景，设定了机器人的具体反应（Lou，2017）。我们可以想象1992年，Wolfenstein 3D的开发人员考虑了敌方士兵可能遇到的所有可能情况。在他们的视野中可以打开一扇门，Blazkowicz（Wolfenstein系列剧中的英雄）可以走进视野，他们可以从后面被击中，他们可能会看不到Blazkowicz等等。开发人员会汇总这个列表，并且对于每种情况，他们会告诉机器人它应该做什么。下边是Lou的文章中一个视觉效果图：

Figure 1(Lou,2017)

这显然是一个简单的例子。我们可以想象，我们构建的细节会变得越来越复杂。机器人在最终放弃之前会使用多长时间去搜索Blazkowicz？如果他们放弃了，他们应该留在原地还是回到重生点(spawning point)？该列表很快就会变得非常长且非常详细。在FSM中，游戏的开发人员将为每种情况分配特定操作。

FSM算法并不适合所有的游戏。想象一下，如果在策略游戏中使用FSM。如果机器人被预先编程为每次都以相同的方式响应，那么玩家将很快学会如何击败机器人。这会产生重复的游戏体验，正如您所料，这对玩家来说是不愉快的。创建蒙特卡罗搜索树（MCST）算法就是为了解决FSM的重复性问题。MCST的工作方式是首先确定机器人针对当前状况，可用的所有操作。然后，对于每个可能的操作，分析玩家可以响应的方式。之后它会考虑针对玩家所有可能的操作，它可以作出的回应等。您可以想象这棵树很增长得非常快。下图展示了MCST的工作方式：

Figure 2(Lou,2017)

图2突出显示了使用MCST的计算机在针对人类组件进行移动之前所经历的过程。它首先查看它具有的所有选项，在上面的示例中，这些选项要么是防御，要么是提升技能，要么是攻击。然后，它构建了一棵树，预测了此后每次潜在操作成功的可能性。上面我们可以看到成功可能性最高的选项是“攻击”（因为暗红等于更高的奖励概率），因此计算机选择攻击。当玩家进行下一步动作时，计算机将重复重复树木构建过程。

想象一下像“文明”这样的游戏，计算机可以做出大量的选择。如果为每个可能的选择和整个游戏可能的每个场景构建详细的树，计算机将花费很长时间。它绝不会采取行动。因此，为了避免这种巨大的计算，MCST算法将随机选择一些可能的选项，并仅为所选择的树构建树。这样，计算速度更快，计算机可以分析哪个选择的选项具有最高的奖励可能性。

AI在《异形：隔离(Alien：Isolation)》

在视频游戏中，一种最近比较流行的高级AI形式，是Creative Assembly公司出品的《异形：隔离》的异形。虽然对于AI如何在幕后工作可能带来一些误解，但是它以一种很有效的方式，创造了一个玩家很容易获得参与感和意外感的游戏环境。

游戏中的异形角色，使用了两个AI驱动力来控制它的移动和行为：管理者AI（Director AI）和异形AI（Alien AI）。管理者AI是一个被动的控制器，负责创造一个愉快的玩家体验。为了实现这一目标，管理者AI需要时刻知道玩家和异形在哪里。但是，它并没有与异形分享这些信息。管理者AI关注所谓的威胁测量仪(Menace Gauge)，它基本上只是衡量预期玩家压力水平的一个指标，这个因素由多种因素决定，例如异形与玩家的距离，异形在玩家附近花费的时间，看到玩家所花费的时间，在运动跟踪器设备上可见的时间量等。这个威胁测量仪通知异形的任务系统（Job Systems），这实际上只是异形的任务追踪器。如果威胁测量仪达到一定水平，任务“搜索新位置区域”的优先级将增加，直到异形远离玩家移动到一个单独的区域。

行为决策树：

在深入了解异形AI如何工作之前，重要的是先弄清楚通知决策过程的结构。异形AI使用包含100多个节点和30个选择器节点的广泛行为决策树。想象一下下面的简单示例：

Figure 3(Simpson,2014)

行为树的工作方式是从左到右提问题，成功的话允许沿树继续行进，而失败将回到序列节点。过程如下：序列(sequence)->我饿了吗？（成功）->序列（运行）->我有食物吗？（成功）->序列（运行）->没有敌人（成功）->序列（运行））->吃食物（成功）->序列（成功）->父节点（Simpson，2014）。在任何节点，如果其中一个节点返回（失败），则整个序列将失败。例如，如果“我有食物吗？”问题得到的回答是失败了，它就不会检查周围是否有任何敌人，它不会吃掉食物。取而代之的是，序列将失败，该序列会结束。

序列显然可以变得更加复杂，并且变得多层次。这是一个更深层的例子：

Figure 4(Simpson,2014)

请记住，序列无论成功或失败，它都会将结果返回给它的父节点。在上面的示例中，我们假设我们已经成功接近门，但由于门被锁而且我们没有钥匙，未能打开门。序列节点被标记为失败。结果，行为树路径恢复到该序列的父节点。以下是此父节点可能的样子：

Figure 5(Simpson,2014)

所以，我们没有打开门，但我们还没有放弃。我们的父节点将会以另一个序列供我们尝试。这次它可能会通过窗口进入。异形AI有30个不同的选择器节点和100个总节点，所以它会比这个例子指数级地更加复杂，但我希望这能让你了解异形AI的工作模式。

（未完待续）

下文：人工智能(AI)在游戏中的应用（下）
作者：张鑫
来源：ＵＷＡ
原地址：https://zhuanlan.zhihu.com/p/83007037