目录
游戏AI是什么？
游戏AI和理论AI
但是值得注意的是，但是游戏AI与理论研究的AI那些有所不同。
我们平时所熟悉的人工智能，大多数是指理论AI。（例如深度学习，机器学习）而游戏AI往往很少应用到理论AI那些神经网络、深度学习等等理论AI所流行的技术。
智能的假象
游戏AI主要是程序员预先定义编写好可能发生的行为，而不具有理论人工智能那种自我“学习”的特性。
因为游戏AI主要职责是模拟出智能行为，而并非学习
（例如：街道上会避让车的人群，天空中乱飞的小鸟，来回巡逻的守卫，兵线上的小兵...）可以说游戏AI是智能的假象。
要是游戏功能需要自我学习，尽可能做出最优策略，更应该使用理论AI（也是我们熟悉的那个人工智能），通过神经网络，深度学习等流行技术实现。
例如：围棋AI阿法狗，DOTA2的OPENAI
（更新）游戏AI和机器学习
以前觉得机器学习要应用于游戏AI，还远得很。
最近看到一些资料后，也尝试玩了玩Unity机器学习，才发觉机器学习占领游戏AI的可能性和趋势。 这让我对游戏AI和理论AI的看法有了变化，因此下面介绍也会提到机器学习。因此现在看来，理论AI可以归纳为游戏AI的一部分。游戏AI应该分为人工制作的和机器学习训练的。
介绍一些游戏AI
4X游戏AI
《群星》《文明》《王国风云》等为代表的4X游戏，战略游戏的一种，其主要的四个游戏目的分别是：
eXplore（探索），eXpand（扩张），eXploit（掠夺），eXterminate（毁灭）。为了让玩家在4X进程中受到阻挡，4X游戏AI必须得足够聪明做出决策，
但又同时为了不让玩家觉得无法胜利，它往往不是采用最优策略，而是使用更“人性化”的策略， （例如反应延迟，走的路径稍微扭曲，模糊决策等做法）。《求生之路》系列
作为一款FPS游戏，很难说《求生之路》里的怪物有多智能——它们本来就该是愚蠢而凶猛的。真正有技术含量的是它的“导演系统”，AI Director作为后台的核心，会根据玩家在游戏中的具体表现调控游戏的节奏。怪物出现的地点、数量，何处刷新道具等等，配合上根据形势动态变换的音乐，给了用户更真实的游戏体验。
角色扮演/沙盒游戏中的NPC
在一些自由度较高的游戏中，为了让玩家更好的融入这个世界，游戏会对NPC进行很多详细的设定。比如在《巫师》系列中，每个NPC都有自己的性格设定，包括会话数据库，让他们可以进行丰富的动作和对话。在GTA这种沙盒游戏中更是这样。
游戏AI 需要学些什么？
下面列出部分游戏AI所需掌握的知识和简要介绍：
自治智能体
智能体，通俗点意思是含有AI的对象物体。这些对象往往拥有自治动作（即什么情况就该做出什么反应）。在《看门狗》《GTA》里，街上走路的人或者开动的汽车,就是一个自治智能体。主角开车如果冲向它们，这些自治智能体能够自行判断并做出躲开的动作。
群体智能
如其名，与自治智能体相对，“群体智能”一般用于编队的AI或者集群的AI。例如足球游戏里，AI操控一方所有球员互相配合传球踢球。又或者射击游戏里，AI操控一支小队通过战术进攻据点。
感知
智能体所能获取的信息应该总是有限的。引入“感知”的概念，用以模拟智能体的感官，从而让智能体能获取一定程度的信息，用于之后的决策判断。
可参考：
状态机（重要）
“状态机”是一种表示状态并控制状态切换的设计模式，常常用于设计某种东西的多个状态。
例如一个人有站立状态，跑动状态，走路状态，蹲下状态，开火状态等... 当应用在游戏AI时，它也可以作为AI的决策结构（以前老游戏的AI决策结构几乎都是采用状态机）。可参考：
可参考：
行为树（重要）
“行为树”是一种以树状结构表达的决策模式，也是一种设计模式。这也是现代游戏AI最常用的决策结构。
可参考：
寻路/搜索/规划（重要）
“寻路”是游戏里极为常见的操作，常用的算法有A* 算法，当然更优化的话则是依赖规划网格的寻路。
可参考：
“搜索”其实应该跟寻路并在一起，只是游戏AI有可能还会用到图搜索。
在《群星》里，通过一条条“航路”连接千千万万个星球，这时候AI就要每次在决策派遣舰队时， 需要考虑到达这张“图”的各个星球的权值和最优期望。“规划”则是游戏的预处理，例如提前构建路线，划分区域等，以便游戏进行后利用预先处理好的数据进行高效的算法操作。
可参考：
黑板
“黑板”简单来说就是可访问的共享数据，用于多模块间的数据共享。编写游戏AI引擎时，往往避免不了各模块之间的通信，而使用黑板模式无疑是极好的选择
可参考：
模糊逻辑(不常用)
为了让游戏AI更人性化，模糊逻辑很有必要。做游戏AI往往不是做最优解，而是做像人类的解。
在某些时候，例如：某个AI战斗结束后，判断如果子弹数量少，则回基地取弹药， “子弹数量少”这个条件就可以做成一种模糊逻辑条件。可参考：
杂项技巧
这里主要是各种各样的杂项技巧，或者欺骗玩家的障眼法，也是老鸟们所说的“Trick”。
通过“抖动”,"平滑"等技巧可以增强拟人性，让AI愚笨的像个人。脚本驱动（重要）
使用脚本可以随意编写出逻辑代码而无需再次编译，从而极大减少修改逻辑的成本。
游戏AI的逻辑修改往往很频繁，使用脚本编写AI逻辑无疑是必要的。 此外游戏程序最常用的脚本语言——Lua.可参考：
机器学习（有潜力）
机器学习训练出游戏AI的优势在于：
- 机器学习训练出的游戏AI,模型可能数据庞大，但是这完全可以部署于服务器。
- 目前绝大部分游戏AI都是人工制作，工作量庞大。机器学习可以解放生产力，放台主机训练让其自己培养出更实的AI。
但缺点也是有的：
- 过于复杂的环境，或者需要复杂交互的AI几乎很难训练出来（例如开放世界RPG游戏的NPC，它们都得有自己的一套复杂剧本台词和NPC行为）
因此目前看来，机器学习训练出来的AI可用于简单交互的AI，例如看到人就跑的小动物，更复杂的是会遵守交通规则的路人/车辆。
若对Unity的机器学习插件感兴趣：
游戏AI 基本设计
实际世界的智能：
一个正常的智能体，得先感知到周围的事物，才能思考下一步该做什么，才能做出反应行为。基于这个便自然而然分出以下三个模块：
- 感知
- 决策
- 行为
感知
一般的游戏AI，首先需要获取到感知的信息。
例如：
- 一个NPC的视野范围内看到了有一个丧尸。
- 一个丧尸听到了玩家的脚步声。
- 足球队队员之间的传达配合信息。
class AgentPerception {public: //进行一次感知探测 void check(); //访问感知目标结果 Information& getCheckResult()const;private: //...}; 决策
决策模块一般通过分析感知信息，进行计算，输出接下来想要做的行为的结果。
例如：
- NPC决策模块检查了这个丧尸，判断到它是自己的敌人，所以输出了逃跑的决策。
- 丧尸决策模块检查了这个玩家，判断到它是自己的敌人，所以输出了扑过去攻击的决策。
- 中锋决策模块检查了前锋的带球情况，判断到它想传球，所以输出了要去对应的位置接球的决策。
可以把决策模块想象成一个大脑（为了类比，可以把下面的“决策模块”字样看成“大脑”）：
决策模块能够获取智能体模型的感知信息，分析之，并返回行动决策。class AgentBrain{ public: //计算得出智能体的决策 Decision caculate(Agent* agent){ //获取感知信息 Information& information = agent->mPerception.getResult(); //根据感知信息，让寄主执行行为 if(information...){ return Decision(MoveTo, ...);//移动到...的决策 } if(information...){ return Decision(Attack);//攻击决策 } //.... } private: //... }; 行为
一般的游戏模型应该提供相应的行为接口,然后行为模块负责处理决策，执行对应的行为。
//一个智能体类例子class Agent{public: //智能体的各种行为接口 //... void moveTo(cosnt Vector3& pos); void attack();protected: //智能体的各种变量 //.... Vector3 mPosition; //当前位置 int mAttack; //攻击力 ViewPerception mPerception; //视野感知模块}; class AgentAction{public: //处理决策，让智能体执行对应行为 void doAction(Agent* agent,const Decision& decision);}; 小结
这样，一种简单基本的设计就浮现了：
- 感知模块
- 决策模块
- 行为模块
初步介绍到此结束，下一篇博文将详细介绍感知。
参考
[1]《游戏人工智能编程案例精粹》
[2] FINNEY的博客
游戏AI 系列文章：