机器学习让游戏角色更加生动形象，带来不一样的游戏体验

机器学习适合做什么

机器学习当前在很多领域，都取得了相当巨大的进步。从应用领域来看，机器学习在“信息识别”、“数据预测”、“复杂控制”几个方面，展现出很大的能力。

比如“信息识别”领域，依赖于大数据的训练，现在的图形识别已经非常完善了，手写数字的识别仅仅是类似Hello World一类的简单应用；

“数据预测”领域百度对于世界杯的预测达到令人吃惊的100%准确率，将来这种技术在各种据别历史数据的预测应用上，将有长足的发展，比如广告的推荐系统、财经数据的决策系统等等；

“复杂控制”方面，自动驾驶的技术经历了十几年的研究，剩下的似乎只有识别硬件的成本问题了。

然而，以上这些技术，相当一部分来源于“大数据”，或者叫“监督学习”的训练，也就是说，实际上这些机器的智能是来源于人类积累在数据中的“智慧”。机器仅仅是在“模拟”人类的某种思考判断，而这种模拟采用的更多是类似“查询搜索”的方法。——不过说回来，人类的经验几千年来，都是记录在书本上，需要用另外一个大脑来学习，然后才加以运用；而机器学习跳过了人脑这个阶段，从经验直接到应用，确实是一个伟大的进度。可以增加一点想象的是，以后所有“需要经验”的事情，已经是可以用电脑来代替了，比如医生看病。不过那些需要“创造”或者“发现”的事情，比如艺术创作，理解和发现客观规律，还是需要人脑。所幸是机器学习在“无监督学习”领域，能协助人类更好的去理解和发现世界的特征，这个方面也是非常有用的，但现在似乎应用领域并不非常活跃（也许是我的了解还不够广泛）。

［机器学习预测房价的例子］

AlphaGo在围棋领域战胜人类，给了我们很大的想想空间，我们会想：机器是否也能像人类一样理解游戏规则，从而玩游戏呢？我个人的理解，实际上现在还是不行的。如“监督学习”的模型下，机器只能通过大量的人类的“经验数据”，来模拟人类的游戏行为，但无法独立做出判断和思考；如果使用“深度学习”，确实会有一种“超越人类”的错觉，但是无法忽视的是，“深度学习”需要一种高度抽象，模拟游戏胜负规则的公式，来指导机器的自我对弈。在围棋、象棋这类已经发展了数千年的游戏领域，“子力计算”等游戏模式经验，已经能相当准确的描述这个游戏了。而对于其他的一些比较复杂的游戏，要高度抽象的用数学模型来概括一个游戏，还是需要人类大量的思考。这也是为什么深度学习在一些规则简单的游戏中，还能表现的比较好，而另外一些比较复杂的游戏上，就需要大量的人工干预才能稍微像样的原因。

［AlphaGo是用了人类的游戏经验的］

所以我认为，机器学习在现阶段，最成熟的应用，是利用“监督学习”的方法，对于大量人类的“经验”大数据进行模拟思考的方面。这个方向处理用于“理解”客观世界，也可以“模拟”人类对于复杂环境的行为，这两者是几乎一样的。

游戏角色AI在开发上的困境

机器学习很容易让人联想到在游戏中的角色AI。一直以来游戏中NPC或怪物的AI问题都是一个游戏比较难解决的问题。比如游戏的角色行为过于单一，让玩家乏味；或者游戏角色容易因为BUG陷入一些卡死的境地。为什么游戏角色AI会有这些问题？大体不外乎几个原因：其一是描述一个完整的AI非常的繁琐，环境越复杂，AI逻辑流程越容易出现漏洞；其二是为了游戏角色AI的目标非常多样化，很多游戏角色并不是越“聪明厉害”越好，而应该是作为一个“演出系统”，来让玩家体验游戏世界的工具。

［一套简单的游戏行为，就需要一个复杂的行为树］

现在比较流行的游戏角色AI开发方法，无外乎“状态机”和“行为树”两种，而这两种在数据结构上，是可以无损转换的，也就是说本质上是一样。这两个技术，都是为了帮游戏开发者，更准确、更完整的表述AI逻辑判断的数据结构。但是游戏本身的逻辑复杂度，还是要由程序员一段段的去理解，然后才能编写成程序。在另外一些游戏中，会用到一种叫“面向目标的路径规划”的技术，实际上是“状态机”的一种升级技术：利用A*等寻路算法，来自动生成“状态”之间的逻辑路径，而无需一开始就以人工输入的方式全部输入进去。这种技术因为是在运行时产生状态机图，所以表现出来的行为会更加丰富和准确，较少会陷入一些“没有事先预测到的状况”从而陷入逻辑卡住的情况。

但是不管状态机和行为树如何努力，从开发者角度来说，都必须通过人脑来抽象和理解游戏世界的规则，和各种可能的情况。加上游戏AI很多时候是需要一种“表演”效果，要用代码和逻辑去“模拟”出一场表演，是相当繁琐的工作量。（如果以深度学习技术来说，实际上也无法做出这种表演效果，因为这种表演的逻辑行为，往往不是“最优”的选择，甚至是相当“差劲”的）

所以，归根结底，游戏中的AI的困境，是由于工作量的原因造成的。由于我们没有很好的生成“游戏行为”的工具，导致我们的游戏行为往往不够好。

机器学习如何应用在游戏角色AI的开发上

在机器学习领域，学习人类的行为，并且应用于合适的场景，是“监督学习”下最常见、最成熟的技术之一，经典的应用就是“自动驾驶”。相对于自动驾驶需要昂贵的雷达设备，才能“感受”现实世界，在游戏中所有的数据都唾手可得，这种监督学习的应用更是没有任何障碍。

假设我们的游戏，已经把基本的游戏规则开发好，游戏场景也已经布置好，剩下的就是如何置入游戏角色。就好像一部电影，场景、道具都已经到位，摄像机和剧本都已经准备好，那么剩下的就是演员的表演了。按照以前的做法，我们需要用复杂的状态机系统，去操控那些游戏角色演出，而现在，我们可以让策划（或者其他开发人员）直接去操控游戏中的角色，去真实的以游戏的操作行为，去让游戏角色做出演出行为，而机器学习的程序，就好像录像机一样，可以通过记录我们操控的角色的行为，去学习如何模仿我们的操控。当我们表演的足够丰富后，机器学习就可以完全取代人工的操控，做出一些和预设相同的行为特征。

如果我们的游戏能像上面的方法去开发角色AI，我们将会在游戏AI行为工具上，得到一次巨大的进步。我们不再需要通过人脑去抽象和转化游戏的“表演”，而是可以直接去“扮演”，这样除了可以节省大量的“程序员”的开发工作外，对于调试AI行为，表达更丰富的角色行为特征（性格），也是有相当大的好处。

［游戏开发在很多方面已经越来越接近电影制作］

显然，如果完全用“游戏”的形式来取代AI开发，即便在机器学习的支持下，可能还会有很多不足之处，比如“人工表演”可能无法覆盖所有的游戏场景环境。但是只要能节省下工作量，我们还是可以利用旧的状态机技术，来定义比较“完整”的逻辑环境，弥补那些可能存在的漏洞。不过我相信，随着对游戏测试的深入，机器学习会能更快更好的应对这些逻辑漏洞，毕竟“玩”几把游戏，比用写代码然后调试，要快的多。

游戏角色AI的业务价值

现在的成名游戏中，确实有那么一大批是似乎对游戏角色AI“没有必要性需求”的，比如我们常见的MOBA类游戏。在棋牌类游戏中，我们也不太希望用一个厉害的AI让我持续的输钱。但如果设想一下，如果我们的策划能比较低成本的生产“AI”，那么我们的游戏就会脱离“玩具”的层面，变成一种可以“表演”的产品。我们常常说IP对游戏的重要性，而真正能体现出IP的，往往是故事体验，这就需要一套很好的“表演”系统。

从另外一个角度说，如果我们的游戏除了精彩的PVP内容，还有很多优秀的PVE内容（所谓的单机体验内容），那么玩家也许会慢慢倾向对我们所生产的PVE内容来付费。从电影市场这么多年的发展来看，优秀的“表演”还是会有很大的市场的。从知识产权保护的角度来看，游戏玩法很容易被抄袭（PVP主要是玩法），但PVE内容却很容易得到保护。除了利用海量用户去激活PVP的收入，在PVE方面的开发，也许是一个新的市场空间。（从《阴阳师》这类产品能明显感受到这股市场的潜力）

［巫师3不仅仅是一部互动电影，也是一个玩法优秀的游戏，更是一个超级IP］

总结

如果我们能利用机器学习技术，开发出更通用的游戏角色AI工具，那么可能让游戏拓展出新的PVE游戏市场，对于游戏IP的输出也有非常明显的作用。