人工智能和游戏化学习

人工智能和游戏化学习

作者：刘羽羽

文章来源：百度百科

 

人工智能它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机

科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等，研究成果已经广泛地用于了各行各业，当然也包括游戏。我们玩电脑游戏，

主要是为了得到一种放松，一种享受、以及在现实生活中无法得到的一种快感。这需要电脑游戏能制作得符合玩家的口味，游戏的主题能够吸引玩家深入，游戏的规则和结果能够使得玩家满意。而在这一切中人工智能技术扮演了新的重要角色。

深度学习在游戏AI中的应用这样一个话题。

NPC的驱动粗分可以分成低级、中级、高级、特高级，这样几个类别。当然，按照其它的方式分也未尝不可，这里主要是针对实现方式和应用场景的一个粗略划分。

低级NPC通常说的是一些游戏中所谓的杂兵，不涉及什么情节，也没有什么所谓的策略作为驱动。基本上就是按照一定的设计好的路线行进，并直接攻击游戏主角。这类游戏很常见，尤其是老的单机游戏中，绝大部分就是这类NPC。

中级NPC常见于游戏群战中的配合型NPC。这类机器人会有一定的事先编号的策略作为驱动，并且有简单的应变能力。当然，这些都是人类事先设定好的策略内容。比如优先攻击血量较低的游戏主角，比如在自己血量过少的时候会优先进行回血等等，通过这些行为完成一定的活动序列差异。但是场景非常单一而且确定。

高级NPC是指网游中的高级团战中的配合。像王者荣耀、或者英雄联盟一类的游戏有着丰富的走位、加血、加防御、减速……等等复杂的影响盘面的因素。这些因素对于人来说都是需要长期摸索和练习才能在不同场景中得以良好配合的，所以这类NPC的策略是比较难编写的，至少很难找到一个相对确定的能够保证较高胜率的策略编写思路。

特高级NPC泛指那些带有较强的博弈性的对抗策略。在这种NPC需要对长期的盘面演变有较好的全局能力，通常更难直接编写。如果尝试使用穷举的方式去做搜索来充当策略的话，其时间复杂度通常也是普通的计算单元难以承受的。所以，如果期望NPC在复杂环境中有比较好的表现那么就需要有更合适的方式，例如让NPC自己在大量的游戏过程中自己学习最好的方式并逐步进化。

 

1.人工智能的差距：

这种情况下人工智能在游戏AI中的应用就越来越受到人们的关注。当然，人工智能的差距主要是体现在游戏环境的差距上。不同的游戏的NPC训练其难度是不一样，当然是越简单的场景越容易训练，体现出来的就是输入的维度差距。少的游戏只有几个维度，而一些较复杂的场景就有数万个维度抑或更多。

除此之外，人工智能的差距还体现在另一方面，那就是在这个过程中，人对训练过程的参与程度的高低，我们当然是期望人为参与程度越低越好。越低说明这种模型或者方式的“自主性”越强，那么未来其自己进化的场景泛化性也就会越大。

 

2.高级人工智能的套路

对于这一类需要使用训练(自学习)的方式来进化的NPC来说，基本套路是固定的。如果能够在全局范围内，将模型转化成为一个求最大值或者最小值的问题那么就可以通过凸优化或者凹优化的方式来解决。那么在这个建立模型的过程中就要设定好整个模型的评价函数，并在策略的调整中使得评价函数取得极值。在落地的过程中可以使用经典的统计方法来做，也可以用神经网络来拟合策略，当然也可以使用人工智能中比较经典的强化学习的套路来做实现，这些都是可以选择的路径。可以使用经典的统计模型的多为概率性的博弈游戏，例如德州扑克、二十一点等等这些。不过这些模型在规则确定的情况下是几乎只能按照静态概型的情况通过排列组合来做计算的，所以局限性也比较强。如果使用神经网络算法(深度学习)来做游戏AI也是可以的，由于神经网络拥有很高的VC维，也就本身超强的拟合能力，所以是可以用来应对复杂场景的。那么在这其中最容易想到的就是使用卷积神经网络作为落地工具。卷积神经网络有着很好的特征提取的特性，收敛快，适合输入为大量像素的情形。

 

3.电脑游戏与人工智能的关系

 电脑游戏从诞生以来，由于其强大的模拟现实作用，越来越受到人们的喜爱。随着现代计算机、网络、虚拟现实、人工智能等技术的发展，游戏的拟人化越来越逼真。高度的拟人化使得现代电脑游戏能够模仿人类社会中的各种情形，并把这些情形通过视觉、听觉、甚至触觉等多种感官反映到人的大脑，从而对人们的现实生活产生巨大冲击。无论是什么游戏，游戏玩家都希望在游戏中能够体验到现实中无法体验到的刺激，得到现实中无法得到的满足，人们在玩电脑游戏的时候，也希望游戏中的其他角色能够拥有某些程度上的智能。这些智能可以使得人们能够在游戏的同时得到满足，以使人在进行游戏中不觉得孤单。然而，这种智能必须得到控制。如果游戏中的机器角色的智能明显高于玩家的能力，玩家会有很强烈的挫败感，之后便会放弃这样的游戏。技术也是必不可少的。在游戏中，太强或太弱的人工智能都是不合适的。那何种程度的人工智能才是合适的呢？回答这个问题首先要考虑怎样的机器可以算作智能机器。这里就不能不提人工智能之父图灵。图灵在1950年提出了“图灵实验”的概念，他认为能够通过图灵实验的机器是具有智的。

 

4.人工智能在游戏中的作用

 人工智能在游戏中的目标主要有五个：一是为玩家提供适合的挑战；二是使玩家处于亢奋状态；三是提供不可预知性结果；四是帮助完成游戏的故事情节；五是创造一个生动的世界。这个生动的世界可以是类似现实生活中的世界，也可以是与现实世界完全不同的世界。但不管何种世界都要求有一整套能够自圆其说的游戏规则。

 在游戏制作过程中，实现人工智能的关键主要有：虚拟现实与拟人化、动画效果与机器角色场景感知、机器角色的机器学习和进化、玩家与机器角色之间的平衡性、人工愚蠢技术、确定性人工智能技术与非确定性人工智能技术的互补。人工智能在游戏中应用的技术非常之多。

 

5.对游戏过程的反思：

反思可以帮助学生理解游戏并不单纯是游戏，而是一种学习活动，如果不进行反思，不能保证是否发生了真实的学习。在所列举的案例中，每个案例中都有明显的反思总结活动。游戏化学习中的反思可以分为游戏中的反思和游戏结束后的反思，游戏中的反思是学生调节自已游戏行为的重要方法，教师应作为信息的提供者、决策顾问来帮助同学反思，而且教师要管理、监控整个游戏进程，选择适当的时机和场景组织讨论，确保学生在游戏中有反思行为发生。在游戏结束时，教师帮助学生整理游戏学习成果，对个人游戏的过程进行梳理和总结，为个别学生分享游戏经验提供机会。

 

6.注重游戏学习的现实意义：

研究性学习非常注重学习对学生的现实意义。力图使学习回归现实生活，对学生的真实生活起作用。所以对于游戏化学习来说，也应该注重游戏化学习结果向真实生活中的迁移。

 

http://www.tuicool.com/articles/AB7RBnQ