成功者总是善于发现 “可学之处”，执着精进；失败者总是善于发现 “不可学之处”，怨天尤人。
郑重说明：本文适合对游戏开发感兴趣的初级及中级开发和学习者，本人力图将技术用简单的语言表达清楚。鉴于水平有限，能力一般，文章如有错漏之处，还望批评指正，谢谢。
最近，人工智能应用chatGPT火遍全球。今天，我想开一个小专题，谈一谈游戏AI。但此AI非彼AI，形式和机制差别巨大，相同的是，两者都创造了价值。
AI，全称为 Artificial Intelligence，是任何可以让机器模拟人类行为的能力。那么，在游戏开发中，是怎么让机器模拟人类的行为的？
一、游戏AI的应用
在游戏领域，AI的应用范围大致应用在以下一些方面：
- NPC决策。我们在玩游戏的过程中，经常会与大量的NPC打交道，真实生动的NPC带来的体验让人心情愉悦。NPC在与游戏玩家交互的过程中，如何模拟人类的反应来做决策至关重要。
- 移动与导航。地图游戏中，移动成为必须。有大量的算法来研究如何智能地模拟人类的移动行为。
- 博弈AI。棋牌或者即时对战类游戏中，存在大量的博弈。近些年知名的AlphaGo就是其中的典型代表。
- 游戏内容生成。在引入工业化生产的现代社会，游戏内容也是一类快速消耗的产品。如何快速有效地生产丰富多彩的游戏内容，也引起了开发商的关注。游戏AI也能辅助开发者生产，如地图生成等。
- 数值平衡性。一些游戏的战斗中，往往涉及大量的技能、效果，互相作用带来了无穷的结果。因此用AI来辅助我们做数值平衡性的跑测，力求公平，避免产生致命的问题也很重要。
二、NPC决策：sense-think-act 模型
决策模型
设想一下，你设计的一款游戏里有一个NPC怪物，我们叫他小木吧：
在游戏开始后，小木应该怎么做决策，来决定接下来做什么呢？
对游戏有过了解的同学应该清楚，游戏内状态的更新和变化都是通过一个叫做循环的东西来控制的。小木身处这样一个循环的世界，要做的也就是自身不停的循环。
在每一次的循环中，小木需要经历三个阶段，我们称为 sense-think-act 循环模型：
- Sense: 在这个阶段，小木需要探测周围世界中的信息，或者被告知周围世界中发生了什么事情。这些信息或者事情会影响它的行为。例如，有危险正在靠近，地上有物品可以拾取，或者受到了攻击。
- Think: 小木需要做出决策，对上述的Sense做出适当的反应，比如应该战斗还是逃跑，亦或是拾取物品。
- Act: 小木需要以上述决策作为目标，来具体实施。比如移动到某个低点，释放技能，或者做出拾取的动作。
每一次的循环中，都依次执行这个 sense-think-act模型，如此无限往复。
与通用AI决策的区别
需要注意的是，游戏内的AI 并不一定要做 “最优” 的决策，而是要有趣或者富有挑战性，要表现的很逼真，拟人，最优解并不一定是设计者需要的。所以类似 AlphaGo 这种超级智能的AI 并不符合游戏中实际的需要。
另外，最优解往往需要大量的训练或者计算，并不能满足游戏中大量AI 对实时性和性能的要求。所以 GameAI 和 实际机器学习中的 AI 还不太一样。
有关 Sense
很多游戏引擎中，会集成主动sense模块。如 UE4 中的感知（perception）：
从图中，我们可以看到很多具体的感知：
- 听觉
- 视觉
- 触觉
- 团队感知
- ...
在游戏中除了每一次思考时主动感知（sense）之外，往往还有另外一类感知：
对事件做出反应（responding to events）。
在每一次的循环中，可以主动感知，每一次的感知间隔（循环间隔）可以是一帧，或者一次思考间隔的时间，如0.5秒。
正是因为有感知间隔，NPC决策往往不够实时。因此，还需要有对被动感知的处理。例如，NPC收到队友的呼救信息，受到攻击等等。通过对事件做出实时反应，NPC的决策才会更真实。
三、AI决策模型的实现
发展历程
对于决策模型 sense-think-act，其实现方式经历了一系列的演变。大致有以下一些方式：
基础决策
1) hardcode
如 hardcode 在代码中一个例子：球拍击球的小游戏AI：
every frame/update while the game is running:
if the ball is to the left of the paddle:
move the paddle left
else if the ball is to the right of the paddle:
move the paddle right
每一帧的循环中，对照 sense-think-act 模型：
- sense 就是两个 if 条件。AI 在 if 中主动从 game 中拉取需要的数据：球是在球拍的左边还是右边。
- think 也体现这两个 if 条件中，体现了决策分支，只不过是 hardcode 的方式，这几个分支是互斥的关系。
- act 就是 move 的操作，会涉及具体的 move 实现，如设置方向和速度等。
2) 配置表
hardcode的方式过于死板了，调整起来非常不方便。游戏中成千上万的AI如果都使用hardcode的方式来实现，基本是无法维护的。
如果使用数据驱动的方式，如配置表驱动，则要更方便，参数可以灵活调整，但是具体的决策项还是要提前通过代码实现好。
3) Script
配置的方式毕竟还是有不少限制。此时，我们可以使用脚本语言如 Lua，其可以实现更为强大的功能。很重要的一点是，它和配置表一样也可以热更新。这对开发调试，以及在线修复或调整AI的逻辑错误等比较重要。
高级决策
在基础决策实现的基础上，又发展出了一些更高级的决策方式，如状态机、行为树、Utility权重决策等，这一部分我们后面再继续阐述。
三、移动与导航
在前面的文章中，我们说明的是AI应用中比较典型的NPC决策模型。
而这里我们要讨论的另一大类，移动与导航，其实是上述决策模型中的 act，因为它非常常用，所以可以作为典型单独讨论。
移动会涉及到速度（velocity）的设置以及方向。在 think 环节，我们可以设置这个 velocity 或者设置其目的地或者追击的 target 等，然后在 act 环节做具体的 move。
导航在游戏中更为常见，涉及到一些经典的寻路算法如：
- A* 算法
- JPS 算法
- NavMesh算法
这些算法如果要应用到地图导航中，还需要涉及地图如何表达的问题。这些我们也会在之后的系列文章中讨论。
关于AI在博弈对战、游戏内容的生成以及数值平衡性的使用，本人经验也不多，以后有研究成果了再单独分享。
关于游戏AI的综述我们就说到这里。
【参考资料】
