圖片來源：視覺中國

AI以其強大的功能戰勝人類，Dota玩家、LOL玩家都拜倒在AI之下……。

你以為AI這麼簡單就完了？當你還在鼓吹AI打遊戲（演算法）的強大之處的時候，可愛的AI已經開始偷摸摸的進行遊戲策劃了，這意味著……以後可能以後你不僅遊戲打不過AI，而遊戲策劃的“飯碗”也要被AI搶去了。

沒錯，如今AI已經開始策劃超級馬里奧的關卡了。

這位“策劃大大”誕生在由一個六位研究者組成的團隊中，成員來自多特蒙德大學、美國西南大學、倫敦大學瑪麗皇后學院、加利福尼亞大學及哥本哈根IT大學，它能用生成對抗網路（GAN）自動“設計”海量的超級馬里奧關卡。

並且，這個超級馬里奧關卡策劃AI還能充分保證新關卡的可玩性，讓每個關卡在開始的時候都相對簡單，而後逐漸增加難度，保證玩家“沉迷遊戲，無法自拔”。

AI是如何策劃好超級馬里奧的關卡的？

首先，GAN學習現有的超級馬里奧關卡，get到關卡策劃這一技能後，生成網路開始生成關卡，然後將“作業”案例提交給判別網路，由判別網路進行把關，判斷“作業”是否為一個合格的馬里奧關卡。

不合格的“作業”將被打回去重做，直到這一關合格為止。

GAN學習的並不是每一關的畫面，而是用專有符號系統表示的“遊戲地圖”。地圖以“方塊”為單位——有金幣的方塊、可以頂碎的磚塊、當地基的磚塊、管道的磚塊等，遊戲地圖中的每個方塊都有獨特的表示方式，比如怪物方塊編號為5，用大寫的E來代指。

當然，正常的關卡遊戲都有一個特點——每一關都比前面那一關難一點。

超級馬里奧也透過潛變數進化（latent variable evolution，LVE）的方法，對遊戲關卡的複雜程度進行設定，使得AI策劃的超級馬里奧能夠從“一馬平川”到出現管道、山溝、以及複雜的元素設定。

遊戲AI發展，可不是策劃那麼簡單

其實，除了策劃，遊戲AI的界定是包羅永珍的。隨著AI逐漸滲透進遊戲領域，AI能夠做到的遠不止策劃、NPC、資料監控、雲計算等部分，智慧相對論認為，遊戲AI的發展有著“三步之遙”。

遠古時期的指令碼AI

遊戲中的AI其實有著相當久的歷史了，可以說只要遊戲中不是隻有“玩家”這一種變數，那麼另一種變數就是一種AI的表現形式，最常見的例子就是玩家所要對抗的“敵人”，畢竟絕大多數遊戲中都是有敵人存在的。

所謂的敵人，其實更多情況下就是遊戲NPC或者說是“人機”，其執行模式是由演算法提前預設好，並根據情況進行相應的反應和操作。

但是，在早期的演算法都難以稱之為AI，因為其行為方式是完全固定的。比如，FC版超級馬里奧中的板栗仔、烏龜等NPC，只是傻傻的往一個方向走，碰壁後才會掉頭。

“稍微”高階一點的AI能引入了一些隨機的因素，比如超級瑪麗裡扔錘子的烏龜，其扔錘子、起跳的時間帶有一定的隨機性，讓玩家不好預判。

這就是遠古其實的AI，老式遊戲很大程度上是兩者的結合，比如遊戲“困獸鬥”中的怪物會出現隨機走位，也會在一定情況下向玩家的方向移動，有著一套相對較為固定的程式指令碼。

這其中最為典型的代表就是AI遊戲的鼻祖——《吃豆人》。

作為“全世界賣得最多的街機遊戲”，“吃豆人”大家再熟悉不過了。但它是“現代遊戲AI鼻祖”這件事，恐怕知道的人不多。去年，日本網站“電ファミニコーゲーマー”釋出了一篇文章，內容是“吃豆人之父”巖谷徹和日本遊戲AI開發者三宅陽一郎的對談，巖谷徹首次公開了《吃豆人》的設計策劃書，並從設計的角度闡述了遊戲中那些性格各異的怪物是如何被創造出來的。

在其中就談及，“吃豆人”遊戲中的4個“幽靈”怪物就分別有自己的行為模式：紅色的一直跟在玩家屁股後面的，粉色的以玩家行進路線的下一個路口為目標，藍色的則再進一步，以下一個路口後的路口為目標（預判），最後橙色的完全隨機行動。

多數量、多型別的怪物使得玩家在初次接觸遊戲時不那麼容易摸清楚敵人的行為方式，這也一定程度上保證了玩家的遊戲體驗。

中階時期的有限狀態機和行為樹AI

什麼是有限狀態機和行為樹？其實，就是我們高中所學的IF or Else判斷句組合，只是在大型遊戲程式中，為了開發、修改的便利，對這些if-else進行了包裝，形成了2種不同的套路。

有限狀態機的行為模式

所謂狀態機就是以電腦AI的“當前狀態”為主體，透過編寫不同狀態之間的轉換條件從而控制電腦AI的行為。而行為樹則以電腦AI的“行為”為主體，透過編寫判斷條件，使得電腦AI每一次詢問“我現在該幹啥？”時透過一系列的判斷得出“現在應該XXX”的結論。

行為樹AI的執行邏輯

雖然這種遊戲AI的編寫方式雖然已經可以做到非常複雜、強大，但是畢竟是由設計者提前設計好的，而設計者不可能做到面面俱到，總會有一些特殊、詭異的場景沒有放到狀態機、行為樹中，從而形成“漏洞”。

一旦玩家摸清了AI的規律，或者發現了設計者沒有考慮到的情形，就可以利用這些漏洞玩出花樣，輕則速通，重則觸發各種詭異的bug。

例如紅警2中玩家不展開基地車電腦就不會造兵，因此玩家可以直接使用初始兵力利用操作打敗電腦的初始兵力直接獲勝（蘇聯最後一關甚至可以以此直接使用初始給的基洛夫空艇過關）。

這一切，也督促著遊戲AI進行進一步的發展和完善。

機器學習：演算法驅動下的互動創新

如何讓遊戲AI更加智慧？目前在AI遊戲界主要透過有限狀態機、蒙特卡洛決策樹、神經網路、遺傳演算法的方式進行解決。

在傳統遊戲中，最為廣泛使用是有限狀態自動機（FSM），一種專家型的預程式設計演算法。

具體而言，FSM演算法需要設計師整理歸納NPC可能遇到的所有可能情況，再逐一安排針對反應；但缺陷在於可預測性，玩家在多次試探後就覺得索然無味。這種演算法最早出現在1989年釋出的Sim City中。

目前，最為先進的AI遊戲技術當屬於遺傳演算法。

所謂的遺傳演算法，是基於達爾文進化論提出的一種決策計算模型，計算機在模擬自然進化過程中尋求最優解。

體現在遊戲上，就是NPC會根據以往的經驗去最佳化策略，新一輪的進攻的“敵人”會接收“犧牲者”的意志，並針對玩家的過往策略逐個擊破。這意味著越強大的玩家將面臨越強大的敵人，並且沒有盡頭。

遊戲AI的發展，將走向何方？

從目前發展來看，AI是否已經如火如荼的進入了遊戲行業了呢？其實並不是。遊戲AI的發展僅僅只是較於AI初期有了一定程度的進步，但是AI就像一個寶藏，其中能夠應用於遊戲中的結合點還需要我們不斷去發掘。

智慧相對論認為，AI遊戲的發展需要“真心”做遊戲。所謂的“真心”，就是玩家在遊戲過程中，極度專注，且全身心投入，連貫流暢的享受遊戲體驗，並不斷享受成功喜悅的一種情緒及心理狀態。

在微觀層面，AI需要匹配適合玩家水平的遊戲體驗。從敵人的戰術搭配，關卡設計等給玩家提供心流體驗。

在宏觀層面，AI需要保持高度的個性化，對玩家資料的量化標準需要進一步細分。從而在遊戲的整個過程中合理調整難度，激勵，獎勵，目標，劇情等，使玩家一直有玩下去的動力且不會出現焦慮或無聊的情緒。

總的來說，

遊戲AI必然是遊戲產業發展的一大藍海

，至於怎麼使用才能切近使用者，進而培養使用者忠誠度和粘性，這還需要遊戲AI進行更多的嘗試。

【鈦媒體作者介紹：文/柯鳴，智慧相對論（aixdlun），深挖人工智慧這口井，評出鹹淡，講出黑白，道出深淺。】