游戏资讯

经超参数科技授权转载

本文从游戏中的随机性内容切入，通过“是否重要”和“是否有用”这2个问题区分出了3类游戏，分别探讨了AI在其中能够发挥的价值。指出“探索”和“模拟”元素带来的开放性和自由度，是尤为适合AI应用的。

我们曾提出：

“学术界把游戏AI的研究意义上升到了对AGI（通用人工智能）的探索。基于游戏中可控的环境、充足的训练数据，AI可以在虚拟世界里试验感知、决策、合作等多项能力，甚至与物理世界形成打通；另一方面，前沿研究也牵引着游戏AI在工业界探索更广泛的运用，在游戏的设计、生产、分发、运营等多个环节提供价值，比如内容生成、玩家模拟、玩家建模等，目的则都是围绕着如何提升玩家在游戏中的体验。”

事实上，如果把“AI”狭义地定义为“基于机器学习”而非“基于规则脚本”的AI，我们不难发现：虽然学术界的AI，如玩星际的AlphaStar、玩Dota的OpenAI Five、玩王者的“绝悟”、玩德扑的Pluribus等等，层出不穷；但在工业界，AI始终处于一个辅助的角色。无论是地图/资源生成、冷启动陪玩、动态难度调整甚至反外挂，都还是更偏幕后，与游戏本身的成败之间不是直接的关系。

OpenAI Five战胜Dota2世界冠军OG

怎样才能让AI走到幕前，成为一款游戏成功的核心要素呢？显然，需要找到一个可以让AI发挥巨大价值的地方。我们认为，游戏中的随机性内容可能是一个落点。

在考虑AI是否能真正帮助到某款游戏中的随机性内容时，有以下2个问题需要回答：

1） 是否重要：随机性内容是否对游戏的核心体验有巨大作用？

2） 是否有用：基于AI的随机性内容能否比基于规则脚本的更有竞争力？

基于上述2个问题，就可以把游戏中“随机性内容的AI化”分为3类：不重要；重要但不够有用；重要且有用。我们逐一展开。

第一类游戏

这类游戏中，随机性内容对核心体验帮助不大。典型的品类包括Racing（竞速类）、FTG（格斗类）、ACT（动作类）、FPS（第一人称射击类）、RPG（角色扮演类）。

Racing、FTG游戏中的随机性内容主要体现在敌人AI的行为，而核心体验主要关注「操作手感」和「战斗深度」。我们不妨把游戏过程类比为拳击训练，操作手感来自于对基本格斗技巧的驾驭能力，而战斗深度则取决于拳击教练（对手）的水平上限。敌人AI通过动态难度变化，虽然能在一定程度上解决“找不到合适的对手”的问题（也即战斗深度），但对操作手感是毫无帮助的。因此，不能算是对核心体验有巨大作用。

Racing游戏的核心体验在于操作手感

而其余的几类游戏，随机性内容对核心体验的价值就更小了：同样以敌人AI作为随机性内容的ACT和FPS游戏，其核心体验几乎完全倒向了「操作手感」；RPG游戏中的随机性内容体现在道具随机掉落（增加探索深度）和随机遇怪（防止玩家疲劳），而核心体验主要是「玩家在游戏中的角色投影」。可以看到，这些随机性内容都无法服务于核心体验。

第二类游戏

这类游戏中，随机性内容影响核心体验，但AI无法有效提升其竞争力。换句话说，传统的规则脚本就能实现得八九不离十了。这里的典型品类包括SLG（策略类）和Survive（生存类）。

SLG游戏以《文明》、《三国志》、《全战》为代表，其中的随机性内容主要有以下几类：资源的随机分配能够让玩家能够不断获得新鲜的体验；突如其来的随机事件能够对玩家的既定计划提出挑战、让玩家保持专注；富有挑战的对手AI能够给玩家带来持续的刺激和不断提升自我的动力。这些内容对于玩家「渴望运筹帷幄，提升策略深度&自由度」的核心体验来说，都是很重要的。但问题是，基于机器学习的AI（相比规则脚本）所带来的随机性内容具有很强的不可控性，对于追求掌控感的SLG玩家来说，可能反而是不好的体验。《全战三国》中，规则随机生成的剧情已经出现了吕布被平民打成重伤、刘备鞭打士卒这些让人哭笑不得的戏码，如果进一步用机器学习来做，可能就从SLG游戏变成TVB了。

《全战三国》中出现的随机事件

Survive游戏以《饥荒》、《全境封锁》、《美国末日》为代表，其中的随机性内容和SLG类似，但作用不完全相同：资源的随机分配带来了策略差异，避免玩家掌握固定套路；NPC AI一方面能提升游戏的真实感和沉浸感，另一方面也有机会通过个性化，让不同实力的玩家获得成就感。考虑到此类游戏的核心体验是「在有限资源的环境中生存所带来的紧张刺激感」，如何控制好玩家积累资源的速度——前期不至于快速饿死、后期不至于屯粮太多——是一个值得费心的问题。通常情况下，设计师会依赖固定规则或随机算法对玩家可使用的资源进行控制，从而塑造合适的压力积累/释放节奏。比如《饥荒》中的季节变换（冬季资源产出下降/消耗上升）和科技树消耗（前期非必要/后期消耗大量资源），比如《矮人村庄》中根据玩家资源储量的动态入侵设计等等。由于这些随机性内容想实现的目的都相对明确，规则脚本就能基本实现，基于机器学习的AI很难表现出技高一筹。

《饥荒》中冬季来临时资源变得匮乏

第三类游戏

这类游戏中，AI终于能大展拳脚，体现出其独特的价值了。典型的品类包括AVG（冒险类）和SIM（模拟类）。

AVG游戏比如《塞尔达》、《神海》、《恶魔城》等，其中的随机性内容主要是道具、事件、NPC等可供探索的内容，服务于玩家「渴望探索无边世界」的体验诉求。乍看之下机器学习AI能带来的直接帮助并不大，但丰富的可探索内容显著拉高了制作门槛，导致AVG类游戏一度成为“大厂专属”。直到近年来Roguelike模式的兴起，中小开发团队利用随机地图/关卡生成，另辟蹊径地解决了内容生产力的问题，才使得市面上AVG类游戏得以百花齐放。比如《巫师传说》通过提炼设计规则，让AI自动完成整个关卡的搭建。只要玩家愿意玩下去，就有无穷尽的关卡可供探索。当然，这些关卡肯定不如人工设计的关卡精妙，随机性的存在也会导致不同玩家的游戏体验不可控，AI在这里还有很大的发挥空间——也许把地图生成算法放在服务器端、对每个玩家的行为数据进行学习，AI也能化身成为一名资深关卡设计师。

《巫师传说》中的Roguelike地图

SIM游戏比如《荒野大镖客》、《GTA》、《模拟人生》等，其中的随机性内容主要体现在环境（天气/交通/可交互物等）、事件和NPC AI。这些随机性内容在AI的加持下，能够形成更丰富/更真实的交互体验，满足玩家「在虚拟世界中体验第二人生、释放天性」的诉求。比如在《大镖客》里，玩家与NPC之间有着丰富的交互选项——问候、买卖、惹恼、掏枪、抢劫、启动任务、逼问秘密等等，根据交互对象而改变。同时，玩家可以完全按照自己的心情办事，打牌打到一半不爽了怎么办？直接站起来挨个点名。

《荒野大镖客》中自由的交互方式

相比第二类游戏，我们不难发现，第三类游戏主打开放、自由等关键词，其中的随机性内容也因此更为宽泛，并非指向某一明确目的。这也导致如果仍要使用规则脚本来制作内容的话，会耗费大量的资源。《GTA》、《大镖客》的开发时间都在5年以上、开发成本也达到了上亿美元；《最后生还者》中惊艳的同伴AI艾丽，单这一个角色的上线前优化就花了半年时间。规则脚本带来的高额成本，直接导致游戏中的地图大小、NPC数量、交互复杂度等等维度都受到限制。这些「效率低谷」都有机会成为AI的用武之地。

总结

从上面的分析可以看出，AVG中的“探索”元素和SIM中的“模拟”元素，由于其较强的开放性和自由度，可能是更适合AI发挥的场地。以最近大热的开放沙盒游戏《Kenshi》为例，在这款融合了《骑马与砍杀》、《模拟人生》、《辐射》、《神界：原罪》等多种元素的游戏中，玩家可以真正地为所欲为。从采矿种田到圈地建城、从偷鸡摸狗到下海经商、从单打独斗到称霸一方，所有能想到的玩法几乎都能在这款游戏中实现。

主播“王老菊”的《Kenshi》 游戏截图

即使加载缓慢、画面粗糙、Bug频现，即使大部分NPC都傻得可爱，《Kenshi》中的开放世界还是给了玩家耳目一新的感觉。试想一下，如果通过AI的加持，能够以相对较小的开发成本，让游戏中的随机性内容更加丰富、海量NPC的行为更加智能，这类游戏的可玩性一定会更上一个台阶，甚至可能让玩家把单机游戏玩出MMORPG的感觉。

到了那个时候，可能会有一个新的游戏品类诞生，我们姑且称它为——AIG。

关注微信公众号：游戏陀螺（shouyoushouce）,定时推送，游戏行业干货分享、爆料揭秘、互动精彩多。