被 AI 改變的遊戲設計，最終目的是為每個玩家定製遊戲

編譯 | Nurhachu 藤子 高靜宜 張震

來源 | medium.com venturebeat.com

人工智慧的故事可以回溯到 1956 年，新罕布希爾州漢諾威的達特茅斯學院的計算機狂熱愛好者組織了一個小型研究小組。最初那些雄心勃勃的，被認為能夠創造具有智能、感知的機器的項目，卻並不是一帆風順。人工智慧的發展，歷經起伏。

由於計算機科學領域的計算（圖靈機）、神經科學（神經網路）和工程學的推動，人工智慧研究員生產出有能力去學習，去看，解決複雜計算的機器和程序。但計算功率的限制造成了人工智慧的暫時幻滅。最終，在 Lighthill 於 1973 年發表的破壞性報告之後，美國和英國的人工智慧資金被切斷。這場危機在後來被稱作「人工智慧寒冬」。

然而，在人工智慧創立六十多年後的今天，它在商業應用和全球數字基礎設施中已經變得非常普遍。人工智慧的應用領域涵蓋了語音識別、自動翻譯、商業分析、計算機視覺、醫療診斷、網路安全、市場、網路搜索和視覺效果（VFX）。這只是蓬勃發展的人工智慧市場的一部分，預計到 2025 年，這個市場會從 2016 年的 6.437 億美元增長到 388 億美元。

人工智慧技術如何起作用？

人工智慧技術生態極其複雜、多樣，機器學習在新一代人工智慧中發揮了關鍵的作用。1959 年亞瑟·塞繆爾（Arthur Samuel）將機器學習定義為「計算機在沒有被明確編程下的一種學習方法」。使用有標籤的訓練數據集，我們可以教會機器如何在數據中識別複雜的模式、給圖片分類、理解語音、鑒定死者身份、在擁堵的交通中駕駛車輛或者翻譯外國語言。為了讓機器很自然地做人類所做的事情，科學家們萌生了人工神經網路（ANN）的思想，它模擬人的大腦。簡而言之，人工神經網路由數層人工神經元組成，它們能夠接收、訓練數據，分析它們，並最終輸出與實際數據相對的計算結果。這個過程會一直持續，直到機器得到該問題的最佳解決方案。這種複雜的技術可以被用在很多應用中，例如 Google 的搜索引擎，Facebook 的圖片識別系統和垃圾過濾系統，或者 Netflix 的電影推薦引擎。

動畫中的人工智慧

人工智慧和機器學習的最新進展改變了我們製作動畫、視覺效果以及遊戲設計的方式。神經網路可以被訓練來模擬現實和人類的運動，這比非人工智慧的方法更加精確和逼真。例如，愛丁堡大學和 Method Studios 創建了一套機器學習系統，它能夠訓練一個包含動作捕捉剪輯的大數據集，從中學習多種類型的運動。基於這些學到的知識，神經網路可以容易地生成任何可能的動作、表面類型以及與之匹配的速度。

神經網路可以通過對實際過程的模擬來做相同的事情。用傳統的方法做這些模擬需要很複雜的計算和計算能力。在雲技術和新一代的 GPU 驅動下，人工智慧為在電影和視頻遊戲中添加更精確的複雜的物理過程鋪平了道路。

遊戲中的人工智慧

沒有動畫就沒有視頻遊戲，人工智慧也在改變著遊戲設計產業。除此之外，它還在改變開發者看待遊戲人工智慧的方式。在傳統的視角下，遊戲人工智慧就是創建能夠以可信的方式去運作的非玩家角色（NPC）。NPC 在射擊敵人時，保持謹惕，找到從 A 到 B 的最短路徑，能夠追蹤、襲擊或者撤退，這類行為通常都是通過路徑規劃演算法和有限狀態機（FSM）來實現的。後者能夠創建一個遊戲實體在整個生命過程中的狀態、情感和動作，生成「空閑的」、「有意識的」、「著迷的」、「竟覺的」、「有意識的」、「侵略的」、「逃遁的」或者「死亡的」角色。但這些狀態僅僅是「功能上」的智能。在 Intrinsic Algorithm 的創始人 Dave Mark 看來，通過「智能行為」，標準的遊戲人工智慧可以比「人工智慧」做得更多，因為它可以讓遊戲角色像被需要的那樣智能，並且給玩家帶來樂趣、戲劇效果和愉悅。

如今的趨勢是，遊戲人工智慧技術和學界、工業界的人工智慧、機器學習方法的深度融合，純人工智慧邁向了遊戲設計和玩家體驗的前台。例如，我們可以使用成千上萬條人類交流記錄，讓神經網路訓練得具有社交智能，然後使用這些知識讓虛擬城市的 NPC 具有無限的情緒、手勢和對話。

「模擬人生 3」的主要設計者 Richard Evans 設計的 Versu 引擎允許每一個角色自動表演，並表現出具有情感、信念以及看起來有一些詭異的行為。例如，如果玩家侮辱它們的同伴，Versu 中的角色會變得憤怒，或者當它們的同伴遭受侵犯的時候，它們會表現出同情。相比非人工智慧遊戲角色的趨同性和固定性，基於人工智慧遊戲的 NPC 行為和信念的多功能性，這是一個真正的變化。

在基於人工智慧遊戲設計中自由地使用人工智慧力量，能創造更具有適應性的人工智慧世界，能夠使用玩家輸入調整情緒和玩遊戲的類型，向玩家尚未學會和適應遊戲之前提供固定的挑戰。它們可以由終生人工智慧角色執行，這是能夠一直對玩家進行學習的 NPC，能夠長期識別並適應不同的同伴或對手，能夠利用所有互動的歷史與玩家創建親密的關係。基於人工智慧的動態難度調節（DDA）以同樣的方式，通過調整遊戲參數和敵人行為適應玩家的遊戲技巧和體驗。

然而，人工智慧不僅改善傳統的遊戲技術，例如製作過程動畫，還能擴展所有的遊戲技術，超越經典的基於實施策略、射擊或者恐怖遊戲的遊戲基因。事實上，人工智慧和機器學習能開啟大量的可能性。例如，一個人工智慧角色堪稱一個角色模型，如同間諜遊戲，其中一位玩家是間諜，另一位玩家是狙擊手，狙擊手要在眾多模仿人類行為的人工智慧角色中找出這名間諜。或者扮演實習生的人工智慧角色通過觀察玩家的動作學習如何執行具體的任務。

遊戲 Black & White god game 部分實現了這個模式，玩家訓練一個人工智慧角色作為其助手，這個過程在遊戲的這個空間區域與其他玩家沒有任何直接聯繫。人工智慧角色通過玩家積極或消極的動作——撫摸表示獎勵，拍打表示懲罰——來接受訓練，以遵守玩家的命令。

基於人工智慧的遊戲設計還關係到遊戲的靈活度。倘若遊戲玩家在遊戲運行時，改變了人工智慧的底層元素呢？比如改變武器的射擊性能尋求更適合的配置來擊殺敵人。以遊戲設計師未預設的方式修改人工智慧的參數對遊戲社區是一個真實存在的挑戰，因為遊戲社區已經習慣於緊密控制的遊戲設計。甚至更加令人激動的就是玩家可以將基於人工智慧的遊戲看作一場精彩的表演，由人工智慧角色創建複雜社會等級，玩家可以站在界外觀察或者直接與之互動。

在遊戲設計層面，由遺傳演算法驅動的人工智慧確保能夠將遊戲質量推向一個新的水平。我們正在接近整個遊戲都會由人工智慧機器創建的時代。儘管大型商業遊戲不太可能選擇這種方式，但遊戲設計確實會從人工智慧中受益。例如，在一款名為《城市征伐》（City Conquest）的塔防遊戲，人工智慧被用來提升遊戲平衡和用戶體驗。控制遊戲的遺傳演算法生成了一個虛擬的玩家測試團隊，以鑒別遊戲缺陷、主要策略以及需要調整的細節。

人工智慧如何改善遊戲？

我們已經步入基於人工智慧遊戲設計的新時期，人工智慧和機器學習能將遊戲從質量上提升到一個新的水平。

不再手動地微調動畫或者使用複雜的動作庫，通過強大的神經網路可以尋找到真實運動和物理過程，這種技術同樣適用於視覺效果。

基於人工智慧的角色不僅是簡單地模仿智能，實際上，那是真正的智能。而 NPC 不受限制的智能為真正的人工智慧與人類交互開啟了機會，並給新型的社交遊戲及其與增強現實/虛擬現實融合打下了基礎。

基於人工智慧的遊戲設計能達到真正的多樣性和多功能性，除了硬編碼和有限數量的情感和狀態，還可以生成具有豐富情感內容的無限數量的狀態。人工智慧可以豐富角色的關係和行為，人工智慧和遺傳演算法所達到的多樣性是人類精挑細選都無法企及的。基於人工智慧的自動化革命可以產生真正的虛擬物種多樣化。

遊戲設計人員如何應用人工智慧？

在國外媒體 GamesBeat 的一次訪談中，移動廣告企業 Kiip 的業務負責人 Kabir Mathur 認為，往日每個遊戲設計師都試圖通過提供相同的體驗來聚攏用戶，在這個過程中，使用戶儘可能高效地從 A 到 B，在遊戲中，設定教程和等級，讓更多用戶儘可能通過，並在過程中發生購買行為。

Mathur 建議，使用人工智慧的技術，實現內容上的多樣化，以吸引不同的玩家群，最終為每個不同等級的玩家量身定製個性化的體驗。可以結合 Facebook 等社交圖譜，來更多地了解玩家。玩家來自哪個地方，他們的性別，他們的大致年齡……了解這些內容，遊戲設計師可以設計多種不同的遊戲體驗，並通過對不同玩家的 A/B 測試，為他們提供最好的體驗。

人工智慧企業 Recognant 的 CEO Brandon Wirtz 則用《星際大戰》來舉例說明，如何在遊戲中用人工智慧來講述故事。在《星際大戰》中，開場激動人心，劇情高漲，然後歸於寧靜，為即將出現的劇情進行反差鋪墊。如果玩駕駛遊戲，在雷古納·賽卡（Laguna Seca）賽道比賽，也是同樣的方式：直行之後進入彎道，瞬間提升興奮水平。《生存之旅》（Left 4 Dead）中的人工智慧，則用遊戲中的殭屍角色使玩家感到緊張刺激。「在追趕你，逮住你的過程中，一些怪物從頂端跳出來，通過讓你逃跑營造緊張氛圍，每當你認為自己處在安全環境中時，boom，所有的殭屍都出現了。」Wirtz 說，這是因為遊戲一直在監控玩家的控制器以及其他角色的行動。

Adam Fletcher 是一家名為 Gyroscope 軟體，為 App 和遊戲提供人工智慧技術企業的 CEO，Adam 在 GamesBeat 的訪談中提到，監控數據流能使遊戲中的內購提示更加個性化。機器可以監視所有的數據流，從而控制玩家遊戲過程中的某些關鍵點，比如一個遊戲玩家經歷過多次某個事件，遊戲中的酒保角色可以趁機說，「嗨，我碰巧要跟鐵匠的兒子約會，如果你要買這些寶石，我可以給你一些優惠。」

「立即觸發內購提示，現在正是這位玩家容易接受的時間。」Fletcher 說。

Mathur 則表示，作為一個網路，由於有著訪問很多玩家數據的奢侈權力。在很多遊戲中，他們都知道玩家什麼時候最有可能對獎勵做出反應，他們在不同的時刻有著不同的分類方法。「玩家有勝利時刻和失敗時刻，大多數廣告商希望在勝利時刻接觸玩家，但我們有一些具體的例子，是在玩家失敗的時刻接觸並鼓勵他們。我們可以選擇在玩家玩遊戲處於失敗的時刻去展示具體的獎勵。這就是我們關於獎勵的思考。」

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！