[GDC 2013] AI 議程心得

三月在舊金山舉辦的 Game Developer Conference，吸引了全球遊戲業者、遊戲開發者、媒體、以及每年必定出現在路口的 N 牌飲料業者共襄盛舉。不論與會者為何種身分，帶著各種目的來參加活動，GDC 議程的多樣性與深度，幾乎保證大家滿載而歸，這也是門票昂貴的 GDC 仍能吸引超過兩萬人參與的主要原因之一。

當中 GDC 的 AI 人工智慧係指遊戲 AI，而非專指電腦科學領域的 AI，兩邊於存在目的上有很大的區別。對普通玩家來說，遊戲 AI 往往暗指更難打的壞人，而這又分成 更難打 和 更壞 兩個成分，電腦單位逃跑不僅要跑得快，還要懂得在逃跑之前，費心到玩家面前搖個屁股。

會場內的相關講題也不免俗地強調了遊戲與學術領域的界定問題，簡單地說，遊戲 AI 是為了娛樂性而存在的，AI 研發被娛樂性指引，也被娛樂性限制，這點還算多數講者的共識。除了老生常談的內容之外，今年主要有兩個主題與往年不同：AI 協助設計遊戲 (AI-assisted design) 與 單位自主行動 (Steering behaviors)。

• AI-assisted design

AI 協助設計遊戲是指給設計者用的自動或半自動遊戲設計工具。

「電腦! 給我一張容納 20 個 NPC、5 個陷阱、適合兩個玩家用 15 分鐘通關的地圖!」

筆者平日偶爾有關注遊戲自動設計的研究，這類成果過去一直停留在大學實驗室和論文堆裡，尚未聽說務實應用的案例，往年在 GDC 也少有聽聞，畢竟 GDC 是很務實的產業活動，而今年有部分 Studio 拿自家產品分享研發階段的使用經驗，從個人觀點這有指標性意義。

《戰甲神兵（Warframe）》的動態關卡 (Procedural Level)

跟 Diablo 隨機地圖的不同之處在於，特別強調 procedural level 而非 procedural map 因為它包含動態調整難度、自動平衡關卡的環境 AI。為了達成自動平衡，AI 必須幫隨機地圖進一步估測很多要素，例如玩家和敵人遭遇的地點或可能發生熱戰的區域。
 

圖為 Distance Map，從起點到終點的路途，以白色透明度估計可能發生的戰鬥熱度。

除此之外，遊戲也必須在玩家附近合理的位置動態配置一些敵人，因為總不能把敵人都放在地圖小角落吧！於是有了根據玩家行徑產生的熱度圖，估計玩家未來位置的機率，來當成 NPC 生成地點的依據。
 

圖為 Influence Map，玩家預測位置熱度圖。

除了客觀的遊戲世界機制，玩家若能在其中得到好的遊玩體驗 (gameplay)，那可能會是一個 Flow 過程。手工製作的靜態地圖或關卡可以事先慢慢調整，但動態環境具體而言要怎麼達成 flow 過程，或著設計者心中的 gameplay 呢？

我們需要工具，根據預測的玩家行徑以及 NPC 遭遇量，其實能在雇用許多測試者和調整工人之前，程式就進一步闡述玩家在通關過程將會體驗到的激烈起伏，給設計者參考及調整。

以前設計師親手製作關卡，完成後衷心期待能給玩家好的感覺。現在藉由輔助 AI 工具的研發，我們將能更直接地、更精準地觸及遊戲體驗，不像傳統設計過程一般，設計有如隔靴搔癢，只能用膽識跟經驗彌補。

《城市征伐 City Conquest》調整平衡性的經驗

這款結合塔攻與塔防的 iOS 策略遊戲，建物與兵種搭配的平衡性自然是其調整重點，畢竟我們都不希望此類遊戲跟世紀帝國一樣，到後來大家都在 "封快" 對吧？

紅藍兩方城市對戰

可是一堆單位和建築調整起來很辛苦的！於是 City Conquest 藉由實作基因演算法，隨機產生兩套城市，讓他們對戰，勝者的配置 (基因) 留下來繼續雜交突變。開發者會從優化過程中萃取出各種平衡又強大的蓋法，也能從優化後的結果群，理解到某些物件可能太過強勢或弱勢。

上述過程聽起來非常帥氣，但我們也必須理解到優化算法的能力有限，演算法只能保證雙方數值較勁的平衡，比較難關注到「種田美學」，或著更廣義的「布局樂趣」，所以還是需要設計師手動檢視結果，修改物件的配置或評分後，重新投到基因池進行優化循環。由於基因演算法學 CS 的人大致都清楚，就不再此進行詳述。

自動優化和手動優化的循環

就個人所知的範圍，種田美學其實也能某種程度納入優化過程中，類似學術領域的各種 Layout 問題，端看技術實踐到什麼程度。不過 City Conquest 的經驗已經很好地展示出他們如何將參數調整的勞務，從設計過程當中分離，讓人更專注在樂趣元素。他們用兩週的程式開發，取代數個人月的調參數，非常明智。

如果更進一步對自動設計遊戲的研究趨勢有興趣，也許能參考這些論文。自動設計遊戲的領域還很新，有更多尚未務實化的有趣成果給大家發掘，說不定讀了會啟發某些新的遊戲機制呢！

2008 Evolutionary Game Design

2008 An Interactive Game-Design Assistant

2011 Tanagra: Reactive Planning and Constraint Solving for Mixed-Initiative Level Design

2012 Evaluating Competitive Game Balance with Restricted Play

總的來說，Game AI 的服務對象不僅限玩家，連設計者也是它的用戶。GDC 有實例出來意味著遊戲製作的法則起了變動，業者很懂得互相學習的，如果老闆發現能減少人月、提早上市，他一定會這麼做。也許明年我們會看到更多 3A 大作出來炫耀他們如何運用 AI 支援的遊戲設計工具來開發產品。
 

• Steering behaviors

就務實 Game AI 技巧方面，今年主要強調 NPC 個體行為的經驗分享，也可以說那算反對路徑搜索的經驗分享。

因為遊戲程式往往有很多費時的工作要算，通常只能留一點點 CPU 時間給 Game AI，哪能容許讓每個單位都頻繁做全地圖路徑搜索，才懂得自己行動？此時簡單易懂的 Steering behaviors 方法就值得分享了。

以射擊遊戲為例，子彈來了怎閃？我們可以用 A* search 搜尋整個逃命空間，也可以很單純的讓 NPC 朝來犯子彈的垂直方向移動，如下圖所示。如果同樣都達成了智慧閃避的目的，那後者的把戲儼然又快又省，適合遊戲 AI 的需求阿。
 

可是 Steering 導航有兩類大問題，一是逃跑路線多怎麼辦？另一則是群體行動怎麼做？

同時得到多個逃亡方向

若想閃避多個對象，便會得到多個逃避向量，如何調權重、篩選來達到生還且有智慧的行動，便成了主要難點。

Spry Fox 的程式設計師 Andrew Fray 分享了一套簡易框架。我們可以設定八種移動方向，並列出想前進的方向 (追東西) 以及想遠離的方向 (危險地)，稱為 Interest Map 與 Danger Map。

建立 Interest Map

等 Interest Map 建好我們就能挑選最有興趣的方向前進。若應用在射擊遊戲，可以把和彈道垂直的方向視為 Interest，子彈越靠近權重越大。筆者日前正好用類似方法做實驗，有段錄影可秀出 Steering 的行為效果。

不做路徑搜尋，NPC 能閃多久？

好像不錯用了，不過等講者的 Danger Map 也建好之後，適用範圍更廣，例如賽車遊戲！

賽車道的每一圈跑道都能視為一條向量，這樣 Interest Map 就變適合超車的路線，而 Danger Map 成了會撞車的路線，然後讓程式盡量避開所有 Danger Map 的向量，即使那條路可以超車！

我們甚至做更多判斷，如果最內側車道非常有利，但切過去之前，得先跨越兩條 Danger 向量，那就直接放棄。因為...
 

「目標的果實雖然甜美，但過程異常凶險，雖然不一定會出事，還是不要好了！」
 

這種充滿人生哲理的懦夫行為，實作上卻簡單得很：踩過 Danger 向量才能到的 Interest 向量都別碰。
 

賽車手複雜的內心戲，可藉由資料結構成功簡化，你怎能不愛 Game AI？

不過接下來，按 Steering 行為方針，每個單位都只考慮自己的行為，該如何打造出集體行動？又或著 NPC 在地圖上有遠距離目標的時候，怎麼一邊轉舵一邊前往目標呢？此時 Flow field 向量場能幫上忙。
 

典型2D地圖的向量場

如果是靜態地圖，設計者可以提供事前畫好的向量場，讓 NPC 在一般狀況下照指標前進，做到類似巡邏路線的效果。即時性較高或著動態地圖的遊戲，也能隔一段時間產生新的向量場，供 NPC 在 Steering 之餘參考。這樣即便每個 NPC 都走自己的，也能有群體行動的假象！

如果還要做得更擬真，可以讓 NPC 之間有地心引力，彼此相吸、互斥，產生集體行動應有的聚集或發散現象。而 Flow-field 的向量群正好拿來讓所有 NPC 的頭，不約而同地朝向相似方向，好像軍隊一起向前看、向前進似的，非常好用。

以 Steering behavior 搭配 Flow-field 的作法，簡單實作，計算快速，很容易擴充一些個人巧思來添增行為豐富性，算講破不值錢，但卻是遊戲程式不得不用的好招啊。

整串方法組合下來，大家對於一群 NPC 懂得翻山越嶺跑到玩家面前，搖個屁股才快閃的 AI 有想法了嗎? : )

結論

GDC 的 AI 議程內容其實多且雜，個人在此彙整覺得比較有體系、有新意的內容，如果在 GDC 看膩了一堆 AAA 遊戲大作的引擎炫耀文，想尋求思考突破點，不妨關注明年的 AI track，這裡不是賣弄技術的講堂，而是一群樂於分享、擁有 higher mind 的人們嘗試從每個角度切入遊戲。

花幾天參與完精采的議程，收穫滿滿不在話下，但回台之後，筆者不得不反問自己一個問題：

「除了花花綠綠的編輯器之外，我們願意投多少技術能量，去介入遊戲設計的核心？探索遊戲的可能性？」

以 AI 之名，和大家分享一些見聞。
END