AI在視訊遊戲中的應用

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

大多數人可能會認為，在過去幾年中釋出的大多數遊戲都給非玩家控制的角色、生物或動物上邊使用了非常複雜的AI技術。然而，許多視訊遊戲開發者對在遊戲中應用先進的AI技術是猶豫不決的，因為他們害怕失去對整體玩家體驗的控制。事實上，在視訊遊戲中使用AI技術的目標，不是要給玩家創造一個無與法擊敗的對手，而是要在很長一段時間內最大限度地提高玩家的參與度和體驗感。

如果你選擇了新遊戲並開始玩，你會享受一次又一次地被完全擊敗，還是更願意與某個略高於你水平的對手戰鬥，這樣你就可以隨著時間的推移學習和提高？絕大多數玩家可能會選擇後者。這並不意味著AI技術在現代遊戲領域沒有用武之地，只是意味著它的目的與我們最初期望的不同。我們想創造的與玩家互動和對戰的AI，不最厲害的，而是最令人愉悅的。

遊戲AI的歷史

AI是一個含義非常廣泛的術語，它只表示能夠從玩家的行為中學習的模型。Wolfenstein 3D早在1992年釋出，甚至那場比賽中的士兵也包含了A.I.的基本形式。有限狀態機（FSM）演算法是一個相對簡單的AI，設計師建立了一個包含所有可能事件的列表，這些都可以有機器人體驗。然後設計師又針對每種場景，設定了機器人的具體反應（Lou，2017）。我們可以想象1992年，Wolfenstein 3D的開發人員考慮了敵方士兵可能遇到的所有可能情況。在他們的視野中可以開啟一扇門，Blazkowicz（Wolfenstein系列劇中的英雄）可以走進視野，他們可以從後面被擊中，他們可能會看不到Blazkowicz等等。開發人員會彙總這個列表，並且對於每種情況，他們會告訴機器人它應該做什麼。下邊是Lou的文章中一個視覺效果圖：


這顯然是一個簡單的例子。我們可以想象，我們構建的細節會變得越來越複雜。機器人在最終放棄之前會使用多長時間去搜尋Blazkowicz？如果他們放棄了，他們應該留在原地還是回到重生點(spawning point)？該列表很快就會變得非常長且非常詳細。在FSM中，遊戲的開發人員將為每種情況分配特定操作。

FSM演算法並不適合所有的遊戲。想象一下，如果在策略遊戲中使用FSM。如果機器人被預先程式設計為每次都以相同的方式響應，那麼玩家將很快學會如何擊敗機器人。這會產生重複的遊戲體驗，正如您所料，這對玩家來說是不愉快的。建立蒙特卡羅搜尋樹（MCST）演算法就是為了解決FSM的重複性問題。MCST的工作方式是首先確定機器人針對當前狀況，可用的所有操作。然後，對於每個可能的操作，分析玩家可以響應的方式。之後它會考慮針對玩家所有可能的操作，它可以作出的迴應等。您可以想象這棵樹很增長得非常快。下圖展示了MCST的工作方式：


圖2突出顯示了使用MCST的計算機在針對人類元件進行移動之前所經歷的過程。它首先檢視它具有的所有選項，在上面的示例中，這些選項要麼是防禦，要麼是提升技能，要麼是攻擊。然後，它構建了一棵樹，預測了此後每次潛在操作成功的可能性。上面我們可以看到成功可能性最高的選項是“攻擊”（因為暗紅等於更高的獎勵概率），因此計算機選擇攻擊。當玩家進行下一步動作時，計算機將重複重複樹木構建過程。

想象一下像“文明”這樣的遊戲，計算機可以做出大量的選擇。如果為每個可能的選擇和整個遊戲可能的每個場景構建詳細的樹，計算機將花費很長時間。它絕不會採取行動。因此，為了避免這種巨大的計算，MCST演算法將隨機選擇一些可能的選項，並僅為所選擇的樹構建樹。這樣，計算速度更快，計算機可以分析哪個選擇的選項具有最高的獎勵可能性。

AI在《異形：隔離(Alien：Isolation)》

在視訊遊戲中，一種最近比較流行的高階AI形式，是Creative Assembly公司出品的《異形：隔離》的異形。雖然對於AI如何在幕後工作可能帶來一些誤解，但是它以一種很有效的方式，創造了一個玩家很容易獲得參與感和意外感的遊戲環境。

遊戲中的異形角色，使用了兩個AI驅動力來控制它的移動和行為：管理者AI（Director AI）和異形AI（Alien AI）。管理者AI是一個被動的控制器，負責創造一個愉快的玩家體驗。為了實現這一目標，管理者AI需要時刻知道玩家和異形在哪裡。但是，它並沒有與異形分享這些資訊。管理者AI關注所謂的威脅測量儀(Menace Gauge)，它基本上只是衡量預期玩家壓力水平的一個指標，這個因素由多種因素決定，例如異形與玩家的距離，異形在玩家附近花費的時間，看到玩家所花費的時間，在運動跟蹤器裝置上可見的時間量等。這個威脅測量儀通知異形的任務系統（Job Systems），這實際上只是異形的任務追蹤器。如果威脅測量儀達到一定水平，任務“搜尋新位置區域”的優先順序將增加，直到異形遠離玩家移動到一個單獨的區域。

行為決策樹：

在深入瞭解異形AI如何工作之前，重要的是先弄清楚通知決策過程的結構。異形AI使用包含100多個節點和30個選擇器節點的廣泛行為決策樹。想象一下下面的簡單示例：


行為樹的工作方式是從左到右提問題，成功的話允許沿樹繼續行進，而失敗將回到序列節點。過程如下：序列(sequence)->我餓了嗎？（成功）->序列（執行）->我有食物嗎？（成功）->序列（執行）->沒有敵人（成功）->序列（執行））->吃食物（成功）->序列（成功）->父節點（Simpson，2014）。在任何節點，如果其中一個節點返回（失敗），則整個序列將失敗。例如，如果“我有食物嗎？”問題得到的回答是失敗了，它就不會檢查周圍是否有任何敵人，它不會吃掉食物。取而代之的是，序列將失敗，該序列會結束。

序列顯然可以變得更加複雜，並且變得多層次。這是一個更深層的例子：


請記住，序列無論成功或失敗，它都會將結果返回給它的父節點。在上面的示例中，我們假設我們已經成功接近門，但由於門被鎖而且我們沒有鑰匙，未能開啟門。序列節點被標記為失敗。結果，行為樹路徑恢復到該序列的父節點。以下是此父節點可能的樣子：


所以，我們沒有開啟門，但我們還沒有放棄。我們的父節點將會以另一個序列供我們嘗試。這次它可能會通過視窗進入。異形AI有30個不同的選擇器節點和100個總節點，所以它會比這個例子指數級地更加複雜，但我希望這能讓你瞭解異形AI的工作模式。

（未完待續）

下文：人工智慧(AI)在遊戲中的應用（下）
作者：張鑫
來源：ＵＷＡ
原地址：https://zhuanlan.zhihu.com/p/83007037