論述遊戲AI設計的未來發展趨勢

2000年的遊戲開發者大會清楚呈現的一點趨勢是:在開發者、製作人和管理人士心中,遊戲AI最終“實現自己的目標”。遊戲AI如今已被視作遊戲設計過程的重要組成元素,而不再被歸到項目計劃的次要位置,由兼職實習生利用暑假時間完成。在很多人看來,遊戲AI已變得和遊戲圖像引擎所包含的功能一樣重要。換而言之,遊戲AI如今已變成“製作清單”上的重要事項,我們從會議的反應及關於此內容的問卷調查中就能發現這點。

本文主要分享我、Neil Kirby及Eric Dybsand關於遊戲AI的看法。這有助於探究開發者所面臨的問題、他們所採用的技術,及他們對於行業未來發展的看法。文章還涉及我過去1年通過網站收集的問卷調查結果。

資源——不再是問題

之前,我曾在其他文章中提到,AI開發者越來越多地參與至遊戲設計過程,協助團隊製作出更優質的AI元素。我還提到,許多項目將越來越多的程序員分配到遊戲AI製作,AI程序員也逐漸享有更多的CPU資源。

從這次的會議來看,資源戰爭基本已經結束。近80%的會議參與者表示,他們在當前及之前的項目中都配備至少1位全職AI工作人員;有近1/3的人士表示,他們目前有2位或更多開發者全職負責AI內容。編程資源的提高在過去幾年裡主要體現在業內AI質量的提升,就行業和市場實況來看,我們未來甚至有望看到整個團隊都投身AI工作的現象。

AI開發資源調查(from gamasutra)

AI開發資源調查(from gamasutra)

更有趣的地方在於開發者獲得的CPU資源數量。開發者稱他們現在通常能夠得到25%的CPU資源(遊戲邦注:這比1999年提高250%)。若你將CPU操作能力的提高考慮在內,其趨勢就會變成更明顯。

很多開發者還表示,大家對於遊戲AI的態度也發生轉變。前幾年大家的理念是“(AI)只要不影響幀速率就行”,但如今整個遊戲團隊慢慢覺得AI和其他遊戲元素一樣重要。有些程序員表示,許多開發者都向團隊成員這樣表示,“新圖像功能只要不減緩AI速度即可。”這顯然說明遊戲AI已受到廣泛關注。

開發者同時也沒有承受資源壓力。有些開發者依然歡快地表示他們將幾乎100%的電腦資源都投入到電腦AI中,但他們還稱這能夠帶來更深刻的玩法,但不一定是更優質的玩法。幾乎所有開發者都為AI投入大量資源,部分原因是為了更好利用CPU,但也是為了將AI過程從其餘遊戲引擎中分離出來。

AI開發者依然不滿3D圖像芯片過多運用CPU資源,稱圖像程序員不再像過去那樣需要如此多CPU資源。

近年來的趨勢

於1998和1999年GDC誕生的眾多AI技術過去1年來持續保持發展勢頭。近幾個月問世的基於有趣AI的遊戲證明,行業水平已有明顯提高。下面就來看看幾個主要發展趨勢。

人造生命。 自1999年GDC以來最突出的發展趨勢也許就是許多遊戲紛紛採用人造生命(A-Life)技術。從Maxis的《模擬人生》到CogniToy的《Mind Rover》,開發者發現,A-Life技術讓他們能夠靈活地在遊戲角色中呈現栩栩如生的行為。

the sims(from gamesradar.com)

the sims(from gamesradar.com)

A-Life技術來自於對真實生物體的研究。 A-Life旨在通過硬編碼規則、基因算法和群集算法等方式模仿人類行為。開發者無需編寫各種相當複雜的行為,而是將問題分解成更小元素。這些行為通常同遊戲角色進行的決策層次存在某種聯繫,這些決策旨在判斷他們要如何實現目標。低級別編碼行為和角色需求間的互動令高級“明智”行為能夠在沒有復雜編程的情況下形成。

此方式的簡單性及其所帶來的驚人行為令眾多開發者在過去1年中難以對其視而不見,很多遊戲紛紛採用此技術。 《模擬人生》無疑是大家最熟悉的一款。這款遊戲運用被Maxis聯合創始人和遊戲設計師Will Wright稱作“智能地形”的技術。在這款遊戲中,所有角色具有各種動機和需求,地形提供各種方式滿足玩家的這些需求。各地形會向附近玩家發布其能夠提供的信息。例如,當飢餓角色靠近冰箱時,冰箱的“我有食物”消息發布促使玩家決定從中拿些東西。食物會自己告訴玩家其需要進行烹飪。因此角色在遊戲的逐步指引下進行操作,只受到簡單的物件程序的驅動。

開發者顯然深深著迷於此方式的發展潛力,廣泛討論此話題。此理念顯然也適合其他遊戲題材。例如在第一人稱射擊遊戲中,既定房間會出現許多碎片彈,旨在“示意”NPC幫助玩家角色。然後NPC會變得非常緊張,對房間產生“糟糕感覺”(遊戲邦注:所有這些都旨在強化遊戲體驗,讓其變得更逼真和有趣)。若干開發者頗關注此技巧,所以我們未來會看到更多A-Life出現在遊戲中。

探險。 和以往會議不同,此次GDC開發者並沒有過多談及探險內容。 A*算法依然是最佳探險算法,雖然各項目會做出相應調整。開發者稱需要在遊戲中融入探險元素的遊戲都會運用一定的A*算法。多數遊戲還採用影響地圖、吸引-衝擊機制以及群集模式。總體而言,遊戲社區已順利解決此問題,如今開始瞄準特定遊戲的具體執行方式。

開發者越來越習慣於他們的探險工具,我們開始看到結合地形分析的複雜探險內容。地形分析是比簡單探險內容更複雜的問題,其AI需要研究地形情況,尋找各種自然特徵——閘口處和埋伏地點等。全面地形分析能夠給予遊戲AI各種關於遊戲地圖信息的“解決方案”,專門解決複雜探險問題。地形分析能夠讓AI的地圖知識更基於地點,這能夠簡化許多AI任務。遺憾的是,當遊戲採用隨機地圖(此功能頻繁出現於當前的遊戲中)時,地形分析就變得越發艱鉅。隨機生成地形讓開發者無法手動“預先分析”地圖,然後將結果直接植入遊戲AI中。

過去發行的很多遊戲都嘗試地形分析元素。例如,Ensemble Studios完全調整《帝國時代》續作《Age of Kings》的探險模式,遊戲採用相當複雜的地形分析元素。影響地圖用於辨別重要地點,例如金礦及創建相關建築物的最佳地點。他們還被用於標記集結待命區和進攻路線:AI劃分既有敵人的影響,所以他能夠找到深入敵人區域的路線,避開所有潛在警報。

另一巧妙運用地形分析模式的遊戲是Red Storm的《Forc​​e 21》。開發者利用可視圖表將游戲地形分解成若干界限分明但存有聯繫的區域;然後AI就能夠運用這些更大區域進行高級探險及指引車輛。通過將地圖劃分成“我能夠進入的區域”和“我無法進入的區域”,AI能夠向其組成成員發布更高級的操作指令,將執行任務留給組成成員。這反過來能夠帶來額外好處:組成成員能夠利用A*算法解決更小的局部問題,將更多的CPU留給其他AI活動。

結構。 和探險主題密切聯繫的是組成成員的結構——開發者採用此策略讓軍隊的表現更逼真。雖然會上只有少數開發者真正需要在他們的遊戲中融入結構元素,但此話題引起頗多關注。多數融入結構元素的開發者都基於嚴格規則係統落實這些聚集方式,旨在確保各成員處於他們應該停留的位置。有位正在製作運動遊戲的開發者稱自己正在研究“劇本”模式。

狀態機制和分層AI。 基於規則的簡單限定和模糊狀態機器(FSM和FuSM)依然是開發者的選擇工具,令那些更“學術”性的技術黯然失色,例如神經網絡和基因算法。開發者發現簡單性促使這些方式通俗易懂,易於調試,它們在結合A-Life遊戲中的封裝遊戲中表現更突出。

開發者正在尋找運用這些工具的新方式。出於許多相同的原因,A-Life方式被用於將復雜AI決策分解及簡化成若干易於定義的步驟,開發者在AI設計上更多采用分層方式。 Interplay的《Starfleet Command》和Red Storm的《Forc​​e 21》就是採用此模式,通過高級“海軍上將”或“將軍”向旗下的戰略小組發出常規活動和進攻指令。在《Forc​​e 21》中,這些小組基於戰略層面組合而成;每個小組都有一個“謀士”,旨在詮釋收到的指令,然後將其變成各交通工具的具體操作和進攻指令。

會上眾多投身策略遊戲的開發者表示,他們計劃或已將此分層模式運用至他們的AI引擎中。這不僅是更逼真的呈現方式,而且將故障排除過程變得更簡單。很多開發者採用此方式的原因是他們能夠提高遊戲在戰略層面的吸引力,允許玩家自定義AI,謀劃策略,同時排除那些玩家偶爾會遇到的低水平“任務式”AI。這是我們從策略遊戲中看到的另一備受玩家青睞的趨勢——見證遊戲的各種“帝國模組​​”,例如《Stars》、《Empire of the Fading Suns》和《Alpha Centauri》。

emperor-of-the- fading-suns(from sztab.com)

emperor-of-the-fading-suns(from sztab.com)

AI SDK是否有所幫助?

GDC 2000圓桌會議的一大討論話題是AI SDK的可行性。 AI開發者目前能夠接觸到的軟件開發工具至少有3種:

* Mathématiques Appliquées的DirectIA,這是個代理工具包,其通過狀態機器創建各種突發行為。

* Louder Than A Bomb的Spark!,這是個邏輯模糊的編輯器,主要服務AI引擎設計師。

* The Motion Factory的Motivate,這能夠賦予動畫角色相當複雜的動作/反應狀態機制特性(遊戲邦注:這被運用至Red Orb《波斯王子》的3D版本及其他作品中)。

許多開發者之前都沒有發現這些工具,因此對它們的特性非常感興趣。但在那些有經驗的開發者看來,這些工具的作用並不那麼顯著,儘管問卷調查結果顯示,目前有1-2個開發者正在評估DirectIA工具包。不過許多開發者表示,未來行業也許將出現更多有效的SDK。

談到潛在功能,許多開發者都覺得提供簡單群集或探險功能的SDK最能滿足他們的需求。有位開發者表示,他希望在AI腳本中看到標準化的“機器人式”語言,雖然這點獲得的共鳴很少。此外,他們還表示開發者願意掏錢購買的SDK工具包應觸手可及。多數開發者覺得價格不是問題;如今開發者已習慣投入大筆資金購買工具包、SDK和模型等元素。這意味著若有人能夠製作出靈活配合開發者需求的AI SDK,他們的產品就會很有市場。

逐漸淡出的技術

自去年圓桌會議來就日益突出的情況是,越來越多“非傳統”AI技術,例如神經網絡和基因算法(GA)的影響開始逐漸衰弱。過去幾年裡,開發者主要談論他們在設計和開發過程中如何挖掘這些技術,但今年的會議更多著眼於如何將更傳統的模式發揮得更好。這裡涉及的原因很多,但主要歸​​結於這些模式已被開發者更好地掌握,並且性能表現“更突出”。開發者似乎想要更多著眼於如何更好運用此模式,傾向將相關理論的探索留給學術領域。

基因算法在過去1年裡受到嚴重打擊。會上沒有任何開發者將此方式運用於自己當前的項目中,許多開發者覺得,其優點被過分誇大。雖然去年有一組成員表示他們打算嘗試將GA方式運用至遊戲調試中,但試驗過的開發者今年表示,此方式作用不大。 GA方式主要被運用於《Creatures》和《Petz》系列之類的“生活模擬”遊戲中。

一個例外情況是A-Life持續受到開發者的青睞。從協助指導成員結構的群集算法(遊戲邦注:包括《Forc​​e 21》、《Age of King》和《Homeworld》)到面向物件的慾望/滿足感方式(《模擬人生》),開發者逐漸發現這些技巧令他們的遊戲變得更栩栩如生,融入更多“意料之中的意外”的意味。

未來發展

圓桌會議的有趣之處在於,總是會談到行業未來發展,今年還則特別談到遊戲AI的發展趨勢。和以往一樣,開發者呈現的看法各不相同,但其中也存在若干普遍看法。

所有開發者都認為,遊戲AI將依然是遊戲的主要組成要素。當前發展勢頭不會被新湧現的“炫酷”3D圖像引擎所淹沒,CPU和3D顯卡特性的持續提高將繼續給AI開發者帶來更多力量。和去年一樣,開發者都覺得行業會繼續慢慢遠離單一而刻板的規則模式,轉而通過各種方式創造更多有目的性的靈活AI。可以說,可拓展AI將繼續得到更多關注和支持,主要體現在第一人稱射擊遊戲領域和更複雜的策略遊戲。

學術和辯論觀點將繼續影響遊戲AI領域,雖然有時學術領域似乎從開發者身上學到更多。多數情況下,開發者都覺得,有關AI的學術研究非常有趣,但無法真正幫助他們製作遊戲,而學術領域的研究人員覺得遊戲領域的快速發展趨勢令人稱羨,雖然相關技術並未得到充分證實。

遊戲AI領域無疑依然是遊戲開發中最具創新性的領域之一。我們很清楚哪些研究成果和工具將幫助我們進行開發工作。鑑於CPU限制條件已被完全克服,如今優質遊戲AI日漸成為設計過程的組成要素,AI開發者有望看到更富創新性和實驗精神的未來。

可視圖像

遊戲AI開始探索的一個有趣領域是地形分析。地形分析主要處理此簡單任務:探索地圖,尋找下步合理操作,讓AI發現各種地形特徵(遊戲邦注:例如丘陵、山脊和凸點)的戰略和策略價值,將此認知融入計劃中。幫助完成此任務的一個工具就是可視圖像。

可視圖像是非常簡單的概念,原先主要用於機器人操作空間。其運作模式是:假設你看到一張中間有丘陵,四周被樹木環繞的牧場地圖。地圖以相應形狀的幾何圖形代表此丘陵和樹木。此場景的可視圖像以幾何圖形的頂點代表圖像的頂點,設定頂點間的圖像邊界,相應幾何圖形頂點之間總是存在清晰的路徑。各連接線的粗細相當於兩個對應幾何圖形頂點的距離。這呈現簡單地圖,其中你能夠通過探險算法穿越地圖,同時避開障礙。

但可視圖像也存在些許問題。它們只提供粗糙連接信息,基於此圖像所創建的路徑看起來有點呆板。此外,開發者需要投以特別關注,防止最小組成成員運動時碰到幾何圖形的邊緣,因為可視圖像生成的路徑不會考慮組成成員的大小。但這依然是將地形分解成簡單區域的最直接方式,它們被運用於探索、埋伏及地形生成內容中。

遊戲邦注:原文發佈於2000年11月1日,文章敘述以當時為背景。

本文來自:http://gamerboom.com/archives/46101

英文原文:http://www.gamasutra.com/view/feature/3570/ game_ai_the_state_of_the_industry.php

 

特別注意:本站所有轉載文章言論不代表本站觀點,本站所提供的攝影照片,插畫,設計作品,如需使用,請與原作者聯繫,文章轉自alibuybuy

Comments are closed.