游戏AI的深度学习、神经网络哪去了？

提起游戏中的AI，似乎和我们现在谈论的人工智能是两个完全不同的东西。可当今天我们为人脸识别技术惊艳时，却忘了我们在上古时代的游戏CS1.5里被电脑爆头的恐惧。

当然，研发和运行成本所限，游戏AI中很少应用到神经网络、深度学习等等现在流行的技术，但游戏AI也绝不仅仅像是王者荣耀中人机比赛中那么简单。

首先我们要知道一点，游戏AI的愚蠢并非技术所限，是因为它们被设计来更好的陪伴玩家游戏，给予玩家成就感，而不是把玩家揍成狗（LOL末日人机笑而不语）。另外，游戏AI的强大，很多时候也不是因为技术，而是机器可以更准确的看到你的技能范围，有着更稳定的走位不受状态和情绪的影响。

不过在我们玩过的游戏中，的确有一些让我们感受到AI的存在，《模拟人生》系列就是最好的例子。在知乎有过一个问题叫“你在模拟人生中经历的最感动的事情是什么？”，里面有大量关于游戏中角色自我行为的讨论。

没错，在这个游戏中，你细致的设置过角色的星座、性格、喜好后，它会按照设定进行自我行动，配上游戏题材，几乎和人类无疑。

做到这一点，依靠的是“行为树”。行为树和此前介绍过的决策树非常相似，通过状态枚举、流程控制来设计游戏中人物的行为。只是相比决策树单纯的通过各个节点进行IF，THEN的判断，行为树中充满了条件节点、动作节点、选择节点、顺序节点等等更复杂的东西。再加上一些随机动作，行为树下的NPC几乎可以以假乱真。

如上图所示，黄色矩形为执行节点，白色字体为条件节点。模拟人生人物在“吃饭”这一组合节点中，首先要判断自己是否饥饿、冰箱里是否有食物，如果结果都是“是”，就会执行做饭这一行为。

现在很多游戏中的NPC都采取了行为树技术，尤其是在MMORPG中。根据自身数值和周围环境对自己的行为作出判断执行，听起来似乎很容易理解，不过在FIFA、实况足球等等车球枪游戏中，AI又是如何进行团队协作的呢？多层状态机是解决方案之一。

状态机本身是一种很基础的计算理论，挑选出可以描述问题的变量和影响问题的外部变量，对各个有效状态进行动态分析，找到动作和状态的对应关系。最后确定目标问题的初始状态，就可以执行对应动作。

实现团队协作，需要设置多层状态机配合目标设定。将团队协作分为1+X层，其中1是为团队状态机，负责判断团队整体状态和动作，X则是各个角色需要完成动作的多层状态机设置，像是最起码的跑步路线，到再上一层的射门、传球，继续下去可以有射门角度、传球速度等等细节。在这一逻辑之上，还有很多锦上添花的部分，像是游戏内数据的概率统计、随机动作等等。据说也有一些游戏已经引入了神经网络，比如FIFA、使命召唤等等。

下面可以简单介绍几款有趣的游戏AI。

《黑与白》

《黑与白》是一款意识超前的游戏，玩家在游戏中扮演上帝的角色，组建城市、发展文明。其中的宠物就有很高的智能程度，拥有自行学习的机制。做了坏事可以被玩家惩罚，惩罚后会改变行为，如果放任自如则会加重坏行为。有趣的是，这款游戏的首席人工智能官就是Demis Hassabis，也就我们熟悉的阿尔法狗之父。

《求生之路》

作为一款FPS游戏，很难说《求生之路》里的怪物有多智能——它们本来就该是愚蠢而凶猛的。真正有技术含量的是它的“导演系统”，AI Director作为后台的核心，会根据玩家在游戏中的具体表现调控游戏的节奏。怪物出现的地点、数量，何处刷新道具等等，配合上根据形势动态变换的音乐，给了用户更真实的游戏体验。

各种角色扮演/沙盒游戏中的NPC

在一些自由度较高的游戏中，为了让玩家更好的融入这个世界，游戏会对NPC进行很多详细的设定。比如在《巫师》系列中，每个NPC都有自己的性格设定，包括会话数据库，让他们可以进行丰富的动作和对话。在GTA这种沙盒游戏中更是这样。

总之和现在流行的深度学习不同，游戏AI没法把一切工作都交给黑盒子，只寻求一个结果，游戏AI通常是把每一步的动作都规划好。其实，即使在竞技游戏中，大部分人体会到的快乐也来自于技能释放的精准、走位的风骚，还轮不到和AI对抗策略计谋的地步。所以，游戏AI的目标不一定是模仿真实玩家，而是让我们的游戏体验更好。