游戏AI是如何让你一步步“游戏成瘾”的?

　　游戏观察7月31日消息，AI诞生在由一个六位研究者组成的团队中，它能用生成对抗网络(GAN)自动“设计”海量的超级马里奥关卡。并且，这个超级马里奥关卡策划AI还能充分保证新关卡的可玩性，让每个关卡在开始的时候都相对简单，而后逐渐增加难度，保证玩家“沉迷游戏，无法自拔”。

　　AI以其强大的功能战胜人类，Dota玩家、LOL玩家都拜倒在AI之下……

　　你以为AI这么简单就完了?当你还在鼓吹AI打游戏(算法)的强大之处的时候，可爱的AI已经开始偷摸摸的进行游戏策划了，这意味着……以后可能以后你不仅游戏打不过AI，而游戏策划的“饭碗”也要被AI抢去了。

　　没错，如今AI已经开始策划超级马里奥的关卡了。

　　这位“策划大大”诞生在由一个六位研究者组成的团队中，成员来自多特蒙德大学、美国西南大学、伦敦大学玛丽皇后学院、加利福尼亚大学及哥本哈根IT大学，它能用生成对抗网络(GAN)自动“设计”海量的超级马里奥关卡。并且，这个超级马里奥关卡策划AI还能充分保证新关卡的可玩性，让每个关卡在开始的时候都相对简单，而后逐渐增加难度，保证玩家“沉迷游戏，无法自拔”。

　　AI是如何策划好超级马里奥的关卡的?

　　首先，GAN学习现有的超级马里奥关卡，get到关卡策划这一技能后，生成网络开始生成关卡，然后将“作业”案例提交给判别网络，由判别网络进行把关，判断“作业”是否为一个合格的马里奥关卡。不合格的“作业”将被打回去重做，直到这一关合格为止。

　　GAN学习的并不是每一关的画面，而是用专有符号系统表示的“游戏地图”。地图以“方块”为单位——有金币的方块、可以顶碎的砖块、当地基的砖块、管道的砖块等，游戏地图中的每个方块都有独特的表示方式，比如怪物方块编号为5，用大写的E来代指。

　　当然，正常的关卡游戏都有一个特点——每一关都比前面那一关难一点。超级马里奥也通过潜变量进化(latent variable evolution，LVE)的方法，对游戏关卡的复杂程度进行设置，使得AI策划的超级马里奥能够从“一马平川”到出现管道、山沟、以及复杂的元素设置。

　　游戏AI发展，可不是策划那么简单。其实，除了策划，游戏AI的界定是包罗万象的。随着AI逐渐渗透进游戏领域，AI能够做到的远不止策划、NPC、数据监控、云计算等部分，智能相对论认为，游戏AI的发展有着“三步之遥”。

　　远古时期的脚本AI

　　游戏中的AI其实有着相当久的历史了，可以说只要游戏中不是只有“玩家”这一种变量，那么另一种变量就是一种AI的表现形式，最常见的例子就是玩家所要对抗的“敌人”，毕竟绝大多数游戏中都是有敌人存在的。所谓的敌人，其实更多情况下就是游戏NPC或者说是“人机”，其运行模式是由算法提前预设好，并根据情况进行相应的反应和操作。

　　但是，在早期的算法都难以称之为AI，因为其行为方式是完全固定的。比如，FC版超级马里奥中的板栗仔、乌龟等NPC，只是傻傻的往一个方向走，碰壁后才会掉头。“稍微”高级一点的AI能引入了一些随机的因素，比如超级玛丽里扔锤子的乌龟，其扔锤子、起跳的时间带有一定的随机性，让玩家不好预判。

　　这就是远古其实的AI，老式游戏很大程度上是两者的结合，比如游戏“困兽斗”中的怪物会出现随机走位，也会在一定情况下向玩家的方向移动，有着一套相对较为固定的程序脚本。

　　这其中最为典型的代表就是AI游戏的鼻祖——《吃豆人》。

　　作为“全世界卖得最多的街机游戏”，“吃豆人”大家再熟悉不过了。但它是“现代游戏AI鼻祖”这件事，恐怕知道的人不多。去年，日本网站“電ファミニコーゲーマー”发布了一篇文章，内容是“吃豆人之父”岩谷彻和日本游戏AI开发者三宅阳一郎的对谈，岩谷徹首次公开了《吃豆人》的设计策划书，并从设计的角度阐述了游戏中那些性格各异的怪物是如何被创造出来的。

　　在其中就谈及，“吃豆人”游戏中的4个“幽灵”怪物就分别有自己的行为模式：红色的一直跟在玩家屁股后面的，粉色的以玩家行进路线的下一个路口为目标，蓝色的则再进一步，以下一个路口后的路口为目标(预判)，最后橙色的完全随机行动。

　　多数量、多类型的怪物使得玩家在初次接触游戏时不那么容易摸清楚敌人的行为方式，这也一定程度上保证了玩家的游戏体验。

　　中阶时期的有限状态机和行为树AI

　　什么是有限状态机和行为树?其实，就是我们高中所学的IF or Else判断句组合，只是在大型游戏程序中，为了开发、修改的便利，对这些if-else进行了包装，形成了2种不同的套路。

　　有限状态机的行为模式

　　所谓状态机就是以电脑AI的“当前状态”为主体，通过编写不同状态之间的转换条件从而控制电脑AI的行为。而行为树则以电脑AI的“行为”为主体，通过编写判断条件，使得电脑AI每一次询问“我现在该干啥?”时通过一系列的判断得出“现在应该XXX”的结论。

　　行为树AI的运行逻辑

　　虽然这种游戏AI的编写方式虽然已经可以做到非常复杂、强大，但是毕竟是由设计者提前设计好的，而设计者不可能做到面面俱到，总会有一些特殊、诡异的场景没有放到状态机、行为树中，从而形成“漏洞”。一旦玩家摸清了AI的规律，或者发现了设计者没有考虑到的情形，就可以利用这些漏洞玩出花样，轻则速通，重则触发各种诡异的bug。

　　例如红警2中玩家不展开基地车电脑就不会造兵，因此玩家可以直接使用初始兵力利用操作打败电脑的初始兵力直接获胜(苏联最后一关甚至可以以此直接使用初始给的基洛夫空艇过关)。这一切，也督促着游戏AI进行进一步的发展和完善。

　　机器学习：算法驱动下的交互创新

　　如何让游戏AI更加智能?目前在AI游戏界主要通过有限状态机、蒙特卡洛决策树、神经网络、遗传算法的方式进行解决。

　　在传统游戏中，最为广泛使用是有限状态自动机(FSM)，一种专家型的预编程算法。具体而言，FSM算法需要设计师整理归纳NPC可能遇到的所有可能情况，再逐一安排针对反应;但缺陷在于可预测性，玩家在多次试探后就觉得索然无味。这种算法最早出现在1989年发布的Sim City中。

　　目前，最为先进的AI游戏技术当属于遗传算法。所谓的遗传算法，是基于达尔文进化论提出的一种决策计算模型，计算机在模拟自然进化过程中寻求最优解。体现在游戏上，就是NPC会根据以往的经验去优化策略，新一轮的进攻的“敌人”会接收“牺牲者”的意志，并针对玩家的过往策略逐个击破。这意味着越强大的玩家将面临越强大的敌人，并且没有尽头。

　　游戏AI的发展，将走向何方?

　　从目前发展来看，AI是否已经如火如荼的进入了游戏行业了呢?其实并不是。游戏AI的发展仅仅只是较于AI初期有了一定程度的进步，但是AI就像一个宝藏，其中能够应用于游戏中的结合点还需要我们不断去发掘。智能相对论认为，AI游戏的发展需要“真心”做游戏。所谓的“真心”，就是玩家在游戏过程中，极度专注，且全身心投入，连贯流畅的享受游戏体验，并不断享受成功喜悦的一种情绪及心理状态。

　　在微观层面，AI需要匹配适合玩家水平的游戏体验。从敌人的战术搭配，关卡设计等给玩家提供心流体验。在宏观层面，AI需要保持高度的个性化，对玩家数据的量化标准需要进一步细分。从而在游戏的整个过程中合理调整难度，激励，奖励，目标，剧情等，使玩家一直有玩下去的动力且不会出现焦虑或无聊的情绪。

　　总的来说，游戏AI必然是游戏产业发展的一大蓝海，至于怎么使用才能切近用户，进而培养用户忠诚度和粘性，这还需要游戏AI进行更多的尝试。