遊戲AI科普指南：它將如何改變遊戲未來？

本文首發網易遊戲學院APP、由“網易互娛AI Lab”供稿，GameRes經授權釋出。

【遊戲平衡篇】

一、前言

AI或許能成為遊戲產業未來破局點？

近日，《2020年1-6月中國遊戲產業報告》釋出了。報告顯示，今年上半年，中國遊戲產業實際銷售同比增長22.34%，實現了逆勢增長。然而，報告也指出了隨著遊戲市場擴張，人口紅利已逐漸消失，使用者規模增長放緩，遊戲行業競爭已愈發激烈。


伴隨著使用者爭奪戰的，還有越來越嚴格的遊戲監管政策。2018年版號限制以來，遊戲版號發放數量持續下降。監管層有意通過控制數量引導行業創新與品質升級。


針對這種趨勢，“遊戲出海”和“雲遊戲”再度成為熱點話題。但不論哪種選擇，對於遊戲廠商而言都是一場優勝劣汰、適者生存的考驗。而AI或許能夠為遊戲開發者們加速遊戲創新、打造精品遊戲、創造更優體驗，搶佔更多的市場份額提供更多可能性。

二、AI能夠解決遊戲設計難題

在遊戲發展的早期，AI其實就已被用於解決遊戲設計難題了，如上世紀80年代風靡全球的經典街機遊戲《吃豆人》。


在這款遊戲裡，玩家需要躲避四種不同顏色怪物的追擊，同時吃掉迷宮裡的所有豆子。這4種不同顏色的怪物採用了不同的追擊演算法，因此不會排著隊追擊玩家，而是從不同路徑、以不同方式對玩家進行圍追堵截。在《吃豆人》中，遊戲角色第一次表現出了豐富的個性。此外，遊戲還採用了Meta AI，針對不同水平的玩家動態調整難易程度，以提供更個性化的遊戲體驗。


隨後，越來越多的電子遊戲開始將AI技術與遊戲結合。在這些遊戲裡，AI大多扮演的還是遊戲中的怪物或Boss的角色，主要目的是為了帶來更好的遊戲體驗和控制難易程度。

近年來，隨著視訊遊戲的不斷髮展和技術的更迭進步，AI在遊戲中開始有了更多的角色和功能。比如在《巫師3》裡，AI可以基於設定好的動作和場景自動生成過場動畫，其中的鏡頭位置、角色表演內容和動作變化等都是AI自動完成的。


在這篇文章裡，我們將重點將從遊戲平衡性的角度，一起探討AI是如何輔助遊戲設計的。

三、AI幫助增強遊戲平衡性

隨著人工智慧技術，尤其是強化學習技術的不斷髮展，我們日常更加熟悉的或許是新聞裡稱霸各型別遊戲的AI：零封圍棋世界冠軍柯潔的AlphaZero，在星際爭霸中擊敗99.8%的玩家的“AlphaStar” ，在電競遊戲中擊敗世界冠軍的Dota2 AI “OpenAI Five”，以及在六人無限制德州撲克中擊敗人類職業選手的Pluribus……

然而遊戲AI的目的並非完敗人類，而是為了提供旗鼓相當的對戰體驗，保證遊戲難度平衡，讓玩家享受到競技趣味。下面將從戰鬥機器人、測試機器人和遊戲匹配幾方面來解釋遊戲AI是如何幫助確保遊戲平衡性的。

戰鬥機器人

小怪、BOSS、NPC等由電腦控制的遊戲機器人不僅是遊戲中的必備角色，有時甚至可以成為遊戲的一大賣點。如日本遊戲廠商 From Software 開發的《魂》系列和《只狼：影逝二度》，其高難度的關卡戰鬥設計曾引起玩家的廣泛討論，並激起了很多遊戲高手的挑戰慾望。


而在PVP遊戲中，自動化的戰鬥機器人也有多種用途，如空閒時段的排位補位機器人，給連敗玩家送福利的溫暖局機器人，以及新手指引、進階練習中的陪練機器人等。

然而，實現一個機智有趣的遊戲機器人並非易事。簡單地通過調整遊戲角色的數值來調節AI強度並不適用於所有的遊戲，過難或過易都會引起玩家的反感，大大降低遊戲的樂趣。我們真正需要的是一個智慧靈活、難度適中的遊戲AI。這意味著開發者需要針對遊戲中可能發生的不同情況，設計合理的AI行為邏輯，並通過角色的控制介面展現具體的遊戲內行為。

傳統上，業界在開發遊戲NPC或Bot時採用的是規則驅動的方式（如狀態機、行為樹，或GOAP\HTN等更復雜的效用系統），人為定義的條件會觸發預先設計好的遊戲行為，條件越多，行為越複雜，角色看起來就更智慧。規則驅動的侷限性也很明顯，主要體現在兩個方面：一是規則很難涵蓋所有的情況，設計出來的機器人表現就會比較僵硬；二是需要大量的人力去設計實現複雜的AI行為邏輯。

以強化學習為代表的人工智慧技術則恰好能夠突破以上兩個限制。我們可以構造出一個以遊戲狀態為輸入，角色控制動作為輸出的神經網路模型，通過訓練的方式擺脫對人工設計的依賴，同時獲得一個更加聰明的機器人。


強化學習是一類不依靠資料，在與特定環境的互動中不斷試錯，發掘最優策略來解決給定任務的人工智慧方法。與影像種類預測、機器翻譯等深度學習任務不同，強化學習模型並不需要提前準備好的資料。模型會作為一個角色參與到遊戲中，針對遊戲中可能發生的各種情況（State），嘗試不同的動作（Action），並根據遊戲的反饋（Reward）調整行動策略，直到模型可以完美地完成設定的任務。得益於神經網路強大的泛化能力，強化學習模型除了能夠用於研發Bot和NPC以外，甚至能夠處理像星際爭霸這種每幀理論可選操作多達10^26的複雜遊戲。


另外，對比下圖遊戲AI的開發流程，我們可以看出，通過強化學習，遊戲AI設計實現的人力成本，變成了設計模型的人力成本和訓練模型的機器成本。因此，當期望得到的遊戲AI足夠複雜時，強化學習方法將更具成本優勢。


測試機器人

保證遊戲戰鬥系統的平衡性一直是遊戲開發的難點之一。比如，在MOBA遊戲中新加入一個英雄後，遊戲策劃既要保證這個角色自身的技能和數值設計符合預期，又要確保該角色與其他英雄配合時不會存在無解的套路，不然同樣會影響競技的公平性。而這個過程通常需要大量人力去反覆進行遊戲測試和設計調整。

上文提到，強化學習能夠通過在環境中不斷試錯得到一個強大的遊戲AI。而基於這種“不斷試錯”的特性，我們可以將強化學習模型轉變成為一個強有力的自動化遊戲測試工具。

具體來說，首先我們可以訓練得到一個近似高階玩家水平的遊戲AI，再通過與其他現有角色的AI進行模擬戰鬥，就可以在角色上線之前模擬真實的對局資料，並以此來調整角色的設計，評估角色加入後對遊戲平衡性的影響。同時，如果遊戲環境中存在的漏洞，模型也非常有可能在海量的探索嘗試中發現並加以利用，間接地幫助我們挖掘出隱藏很深或是極端操作下才會觸發的遊戲bug。

此外，對於一些相對簡單的遊戲環節，比如MMORPG遊戲中的一個小副本任務，利用搜尋演算法或者適量的人類玩家資料進行監督學習，還能夠快速生成測試跑圖機器人。

戰力評估與智慧匹配

相信很多玩家都有過被隊友坑，或被對手完虐的體驗。通過AI的匹配機制，我們可以準確評估玩家水平、匹配水平相當的隊友以及對手，保證對戰的公平性，改善玩家的遊戲體驗。

相比傳統ELO等方法，Trueskill2可以綜合先驗資訊（如裝備購買情況、遊戲經驗值等）和後驗資訊（如局內擊殺數、被擊殺數、斷線逃跑情況等），通過概率圖模型讓訊息在整個模型中傳播，不斷修正對玩家水平的評估，在幾個對局內就獲得對玩家水平的準確估計。


而在水平匹配的基礎上，玩家可能對社交也有相應需求。我們可以通過AI演算法分析玩家使用者畫像，再進行相應匹配，就能夠滿足玩家更高層面的追求。

以上就是關於AI如何增強遊戲平衡性的一些分享~

【遊戲環境篇】

要問每一個FPS遊戲玩家心中的痛是什麼？“知道對手開掛卻又制裁不了”絕對算得上一個回答。例如，玩守望先鋒時遇到鎖頭掛，無論怎麼蛇皮走位，都會被外掛瞄準頭部一頓掃射，憑人類的反應完全無法抗衡，簡直叫人抓狂。


毫無疑問，一場精彩刺激的對局中如果出現了外掛、辱罵等惡意行為，必然會破壞玩家正常的遊戲體驗。AI可以通過影像識別或使用者畫像分析來打擊遊戲外掛，也能夠基於語音語言識別技術過濾髒話等敏感資訊，讓遊戲環境更加公平公正、清潔有序。

一、外掛打擊

遊戲外掛五花八門、層出不窮，比如競技類遊戲的全圖作弊器、數值修改器等外掛，RPG遊戲存在的自動掛機、自動刷野等外掛。傳統應對方案就是在客戶端打各種安全補丁，但道高一尺魔高一丈，外掛外掛也會隨之迭代，令各大遊戲廠商苦不堪言。

比如吃雞遊戲的透視掛, 無論玩家躲在房間裡還是掩體背後, 都會被開掛者一覽無餘。本質上，開掛者是對客戶端進行了非法修改，使遊戲畫面展現了本不該被獲知的資訊。而AI能夠定期或在滿足特定條件時（如某位玩家在無視野情況下將對手槍槍爆頭），對遊戲畫面進行檢測，從而讓外掛行為無處遁形。


利用AI進行影像識別打擊外掛，其基本的原理結構是卷積神經網路(Convolutional Neural Networks, CNN)。CNN通常是一個多層的網路，能夠通過卷積(convolution)這種數學操作來“觀察”影像中的各個區域。而每塊區域的計算輸出會經過非線性的啟用函式，並在更高層進行彙總，直到在最高層得到目標輸出。針對反外掛，CNN的輸出可以是一個二元判斷，即遊戲影像是否有外掛嫌疑。只要在訓練時給AI看過足夠多的外掛圖片，AI就能記住這類圖片的特點，並對於外掛進行無死角監控。


類似地，AI還可以對於玩家上傳的圖片如頭像進行違規稽核，阻止其中的色情暴力內容。未成年人防沉迷用的人臉識別同樣是基於類似的原理，只需要將輸入從一張圖片變成兩張圖片，保證使用者實時驗證的人臉和註冊人臉為同一個人即可。

二、聊天內容過濾稽核

遊戲聊天公屏介面裡不受控制的言論會帶來很多潛在的風險，辱罵、色情、政治、暴力、廣告破壞了遊戲環境，影響玩家正常交流，困擾著很多遊戲工作室。傳統解決方案為採用關鍵字過濾，但是玩家的表達方式在不停演化。簡單的關鍵字識別很容易利用字元填充、諧音、俚語等方法繞過。對於有利可圖打廣告的灰色產業工作室，更是新說法層出不窮。

在這種情況下，我們就可以藉助AI模型強大的泛化能力來識別敏感資訊，例如基於TextCNN和Transformer的分類器。TextCNN是卷積神經網路在文字分類上的應用，其結構簡單、效能快，適用於聊天內容短，非法特徵明顯、資訊集中的情景。


Transformer則是google在2017年提出的網路結構，相較於TextCNN它的結構更加複雜也更加靈活。Transformer的self-attention結構根據上下文內容的關聯程度自動調節每個字的權重，使得特徵資訊得以凸顯。Multi-head Attention將字向量分成多段，每一段分別與不同的Attention矩陣計算，允許模型捕捉更多樣的語境資訊。


遊戲內的圖文資訊體量巨大且繁雜，傳統方式或許難以有效識別和過濾敏感內容，但深度學習憑藉極強的學習能力，能夠從容做出應對，創造一個更有秩序的遊戲世界。

關於AI如何改善遊戲環境的一些技術分享到這裡就結束啦。

【畫面質量篇】

對玩家而言，畫面是接觸遊戲後的“第一印象”，甚至很大程度上可以決定玩家究竟是“一見鍾情”還是“不感興趣”。因此，精美的畫面已成為各類遊戲表現力的保證。

例如，作為無數資深遊戲玩家心頭“白月光”的次世代遊戲《刺客信條：起源》中，優秀的畫面一直是其吸引眾多玩家的最大特色之一。除了細緻的人文風貌刻畫外，每一個形象鮮活自然的NPC也進一步增強了遊戲的代入感。


但製作精良的遊戲通常意味著強大的遊戲美術支援，而強大的美術資源背後則是高昂的時間成本和鉅額的製作費用。AI的一系列技術，能夠幫助減少動畫製作的成本和時間，讓更精美的遊戲畫面成為可能，從視覺層面提升玩家的遊戲體驗。例如，AI語音驅動角色面部動畫技術和角色動作控制技術。

一、AI語音驅動角色面部動畫技術

談到角色面部動畫，大眾更為熟悉的技術是面部動捕，傳統的面部動捕技術需要配備專業動捕裝置和演員進行拍攝，還會產生高昂的費用。但實際上，除了面部動捕技術以外，還有一種成本更低、適用場景更多的AI黑科技——語音驅動角色面部動畫技術。


首先，我們需要建立一個足夠量的語音和對應的面部表情動作序列資料，基於這些資料訓練出一個端到端的深度神經網路模型。不論是從語音到表情和口型標籤，還是從語音直接到三維角色的面部表情控制器，該模型都可以取得相當不錯的泛化能力，基本可以做到一個模型就能處理不同性別、年齡、語言的語音資料。

管純基於語音的面部動畫在精度和效果上距離面部動捕還有一些距離，但受限於成本，以本世代3A遊戲的體量，不可能每個NPC都有動捕的待遇。利用該技術，一方面，可以用極低的成本讓遊戲裡的所有人物都具有一定的表情動畫；另一方面，在國際化背景下，很多遊戲是擁有多語種配音的，目前還沒有遊戲工作室會奢侈到為一種語言的配音單獨動捕一套口型動畫，利用該技術可以快速生成跟不同語言發音匹配的口型動畫，也可以為玩家提供更本地化的體驗。

二、AI面部動捕技術

除了上文提及的語音驅動角色面部動畫以外，我們將AI與圖形學演算法結合還能獲得一種輕量級面部動捕技術，以製作更為生動的角色面部表情動畫。只需要一個單目攝像頭（普通RGB攝像頭或RGB-D攝像頭均可），在不需要設定任何面部標記點的情況下，該技術就可以實時將演員的面部表情遷移到虛擬角色上，且支援任何型別的表情製作方式（如骨骼動畫、blendshapes、live2d、貼圖動畫等）。

目前業界主流大面部動捕套件都基於mesh-based tracking框架，基本原理都很類似，核心演算法上世紀九十年代已經被提出，只是當時的AI技術還未進入深度學習時代，人臉特徵檢測的效能還不能夠滿足動捕要求的大精度，還是依賴人工在演員面部標記marker點。該方式能夠獲得超高精度的結果，但是使用條件非常苛刻、易用性較差。AI面部動捕技術同樣基於mesh-based tracking框架，但從資料、到演算法、再到工具鏈，實現了一套完整大輕量級面部動捕系統。

事實上，對於很多手機遊戲而言，輕量級面部動捕裝置都更加合適。一方面由於包體限制，很多遊戲只會給主角或者非常重要的NPC製作面部表情動畫，需求不大。另一方面，相比PC和主機遊戲來說，手遊的研發週期較短，專案組沒有太大意願在面部東部上投入太多精力。AI面部動捕技術降低了使用條件，保證一定精度的同時，提升了易用性和速度，能夠提升美術生產的效率，同時還能夠滿足策劃和營銷同學對虛擬偶像直播和遊戲UGC玩法等內容的需求。

三、角色動作控制技術

角色動作和狀態的切換流暢度也是影響畫面表現力的重要因素之一。傳統的、基於狀態機的角色動畫控制系統中，開發一套體驗完美的動作器，實現平滑自然的動作生成，其複雜程度其實超乎玩家想象。在一些動作型3A遊戲中，一個主角的動畫狀態機輕易就可以包含幾千個動作節點，這些節點之間的跳轉和過渡規則完全依賴遊戲開發人員的經驗手工指定，其開發和維護的複雜度可想而知。

正是在這一痛點驅動下，育碧提出了Motion Matching技術，該技術將研發人員從複雜的動作過渡規則中解放出來，只需要關注目標動作本身。給定一個目標動作和一個動捕動作庫，Motion Matching會根據角色的當前姿態、運動速度、運動方向等資訊、自動從動捕動作庫中優化出一個能從當前姿態自然過渡到目標動作的動作序列。

從事演算法工作同學可能會對上述流程感到熟悉。是的，如果拋開三維骨骼動畫底層的技術原理，角色動畫其實就是一組描述每個骨骼點平移和旋轉資訊的序列資料。上述動作過渡問題，其實就是針對序列資料的插值或補全問題，這也是AI技術最擅長處理的領域之一。



我們可以利用AI技術、設計一個針對骨骼動畫資料的特殊網路結構，並利用大量動捕資料對該模型進行訓練，從而賦予該模型從角色的當前狀態、環境資訊、歷史狀態、使用者控制訊號等資訊、自動預測下一幀動作的能力。雖然目前該技術在遊戲中落地還面臨不少工程上的困難，但是相比於Motion Matching技術，AI技術無疑賦予了角色動畫控制更多的想象力。憑藉深度神經網路強大的泛化能力，AI模型可以從海量資料中抽象、總結出關於動作的深層次邏輯，從而實現更自然地動作切換和過渡、以及跟所處環境更好的適配。

除此之外，AI賦能美術還有更多玩法，例如基於音樂自動生成舞蹈動畫；基於已有時裝模型和參考時裝圖，快速產出時裝貼圖或給遊戲裝備“換裝”；基於少量遊戲人物頭部模型，快速批量生成各種差異化較大的人物形象；或快速判定或轉換遊戲圖示的風格等等。

隨著遊戲行業3A大作的不斷出世，玩家對遊戲畫面和沉浸感的要求也越來越高，想要在儘量降低成本的基礎上提高遊戲畫面質量，AI必然是最佳解決方案之一。

關於AI賦能遊戲美術的分享就到這裡。


原文：https://mp.weixin.qq.com/s/QrwpVXKTgiKp94vafctfAw