人工智慧與遊戲簡史| 36氪遊戲人工智慧行業研究 ②

人工智慧正成為重塑產業效率的利器。在安防、金融、醫療、法律、教育等信息化程度高的領域，那些機械性、重複性高的勞動正逐漸被機器部分替代。在基本上完全數字化的千億沒有規模的遊戲行業，人工智慧是否有可能產生更大的影響？

這個問題我們也很好奇，於是打算系統地做一系列的行業研究和梳理。

吸引我們做這個系列的原因並不複雜。一是因為遊戲行業巨大的市場規模和可觀的營收及利潤。2016年全球電子遊戲收入首次突破1000億美元，中國遊戲玩家達到6億人，市場規模達到246億美元，超過了美國的241億美元。一是因為遊戲行業的數字化程度非常高，數據量也十分可觀，除了遊戲本身全部是電子化的，一款DAU在百萬的遊戲每天產生的文本日誌數據至少可以達到數十G，基於遊戲的網路輿情數據也未能得到有效挖掘，這意味著AI也有可能發揮價值。

本文是這個系列的第二篇，主要列舉了人工智慧與遊戲的歷史。本文參考了互聯網上的諸多資料，也在下文給出了相關的出處或者鏈接。

自電子遊戲誕生，人工智慧技術就如影隨形，是遊戲不可分割的一部分。即使是今天看來有些「古老」的Pong、 Pac—Man ( 吃豆人）背後，也有所謂的人工智慧的身影。

只不過人工智慧在遊戲中的含義與目前我們常說的人工智慧並不太相同。通常我們所說的人工智慧主要是指強人工智慧（讓機器能夠模擬人類的思維方式）和弱人工智慧（利用AI技術解決生活中的各類問題）。

關於常被提及的「遊戲AI」，則主要是為了讓玩家有更具沉浸感的體驗。這裡我們引用日本SQUARE ENIX 的首席AI研究員三宅陽一郎氏的一個觀點來做解讀。遊戲中的智能指的是根據環境來協調自身運動的功能，即理解環境，並決策行動。遊戲中的AI就是將這個決策過程的部分標準設計成簡單的模型，常見的有基於行為（Behavior）的AI和基於狀態（State）的AI，對應的是遊戲中常見的術語行為樹和狀態機。本文大部分內容更偏向於後者。

一

早年，人工智慧並不受遊戲開發者重視。一是當時的計算機性能有限，機器無法運行複雜的演算法模型，遊戲也比較簡單，多為休閑娛樂性質的遊戲，尤其是「桌上遊戲」 （board game）。

1952年，A.S.Douglas設計了一款三連棋遊戲Tic-Tac-Toe ，兩人輪流在一有九格方盤上劃加字或圓圈, 誰先把三個同一記號排成橫線、直線、斜線, 即是勝者。這款今天看來十分樸素的遊戲，被認為是第一款允許機器參與的遊戲。

同一時間，IBM 的 Arthur Samuel（被譽為「機器學習之父」）設計了一款可以學習的西洋跳棋程序，能通過觀察棋子的走位來構建新的模型，並用其提高自己的下棋技巧。在和這個程序進行多場對弈後，Arthur Samuel發現程序的棋藝變得越來越好。

此後，遊戲人工智慧的研究多集中在類似的遊戲方向，尤其是國際跳棋（Checkers）和國際象棋。這一方向第一次被普通大眾關注是在1994年，當年8月加拿大Jonathan Schaeffer教授率團隊編寫的跳棋程序Chinook Checkers，單挑人類數學家、世界冠軍Marion Tinsley，後者在40年職業生涯中只有9負，人稱恐怖選手的數學家Marion Tinsley。2007年，國際跳棋的問題已經被機器徹底解決。

這一方向在普通大眾心中第一次高光時刻則是在1997年，IBM的Deep Blue深藍以4：2戰勝了國際象棋世界冠軍卡斯帕羅夫。雖然最後深藍 「 慘遭肢解」 ，一半送進史密森尼博物院，另一半歸美國計算機歷史博物館，但卻給整個世界極大的震撼。

這一方向近期最大的新進展就是AlphaGo。2016年3月，Google旗下DeepMind公司開發的人工智慧程序AlphaGo，4：1戰勝世界圍棋冠軍李世石。2017年5月，AlphaGo又以3：0戰勝人類排名第一的選手柯傑。

這類遊戲都是完美信息下的博弈，即對弈雙方都看得見棋盤和走子變化，基礎演算法是搜索。如果將下棋的每一步看做搜索的一個決策點，搜索過程形成一顆樹，樹展開每個可能的走子，從中尋找最佳的走法，獲取使對方不利己方有利的勝算。這樣搜索的空間是很龐大的，尋找最佳走法所需花的時間很長，從三連棋、五子棋、國際跳棋、國際象棋、圍棋，搜索的空間依次大幅提升。而人類不斷攻克這些難題，背後除了機器算力的提升，也有演算法的不斷優化與進步。

二

電子遊戲興起，開發者也開始嘗試將人工智慧應用到電子遊戲中，尤其是第一人稱射擊遊戲 （FPS）和即時策略類遊戲（RTS），主要的應用則體現在NPC（非玩家角色）行為控制、虛擬攝像機的決策。

很多人都認為這方面的技術進展比較緩慢，但研究遊戲人工智慧的馬爾他大學副教授 Georgios N. Yannakakis 和紐約大學副教授Julian Togelius 都認為，其實技術的提升一直是在進展的。

《神偷》（Thief ，1998）

《神偷》系列的第一部《神偷：暗黑計劃》是由Looking Glass Studios開發的，採用了自研的「Dark」引擎。根據公開的資料，「Dark」引擎雖然在圖像方面比不上同一時間的「雷神之錘（Quake）2」或「虛幻（Unreal）」引擎，但在人工智慧方面它的水準卻遠遠高於後兩者，遊戲中的敵人懂得根據聲音辨認你的方位，能夠分辨出不同地面上的腳步聲，在不同的光照環境下有不同的目力，發現同伴的屍體後會進入警戒狀態，還會針對你的行動做出各種合理的反應，你必須躲在暗處不被敵人發現才有可能完成任務，這在以往那些純粹的殺戮遊戲中是根本見不到的。《神偷》系列的第二部《神偷II：金屬時代》在AI方面又有了進一步的提升。值得一提的是，為了提升遊戲的畫質，工作人員還犧牲了自己的休假時間來用數碼相機拍攝了2000多張紋理素材照片。

《半條命》（Half-Life，1998）

作為FPS經典遊戲，《半條命》在技術上的突破可圈可點。 Valve在Quake和Quake II引擎的混合體之上，添加了兩個重要的特性：一是腳本序列技術，可以令遊戲以合乎情理的節奏通過觸動事件的方式讓玩家真實地體驗到情節的發展，這對於很少注重情節的第一人稱射擊遊戲來說意義重大；第二個特性是對人工智慧引擎的改進，《半條命》中敵人的行動與以往相比明顯有了更多的狡詐，不再是單純地撲向槍口。

《黑與白》 (Black and White, 2000)

EA 2000年推出的遊戲《 黑與白》在機器學習的運用上也有不少創新與突破。一般來說，遊戲中使用機器學習多是使用學習後的「結果」，但《黑與白》則運用了機器學習的「過程」，讓AI適應玩家或者模仿玩家。遊戲主要使用了增強學習的演算法，由玩家扮演反饋提供者的角色，來影響遊戲中生物的表現。此外，《黑與白》採用了隨機環境貼圖、可變更地形、圖形渲染、邊緣反鋸齒消除等軟體技術，遊戲畫面表現力驚人。

《極限競速》（Forza Motorsport ，2005）

微軟推出的《極限競速》系列在模仿學習的運用上有創新。遊戲中的Drivatar?技術是遊戲中所有人工智慧車手的基礎， 通過這一技術，玩家可以培養自己的智能車手，學習玩家的駕駛技術和風格，組建車隊進行比賽。

《最高指揮官》（Supreme Commander 2，2010）

《最高指揮官2》早在發布之前，開發商Gas Powered Games就對外透露，《最高指揮官2》中的人工智慧將會非常強，使用神經網路，可以不斷學習玩家的行為，適應玩家的行動。

三

PCG （Procedural content generation ，過程自動生成）是程序生成遊戲內容的簡稱，一般使用隨機數或者偽隨機數的技術，由開發者配置一些生成的規則，然後由生成演算法自動去生成遊戲世界，從而降低遊戲開發的工作量。早年，因為計算機性能較低，PCG的內容也非常簡單，多是隨機地圖，近年來，隨著遊戲技術的提高、計算機性能的提升，PCG的作用，尤其是在視覺、素材方面的作用也越來越大。

1980 年發售的一款迷宮類 RPG 遊戲《Rogue》是最早使用程序生成技術的遊戲之一，因此後來還專門衍生出一個專有名詞「Rougelike」，這類遊戲的地圖基本由程序自動生成。

視覺內容生成一直是PCG的重要方向，生成的內容也多種多樣。比如《Petalz》中的花、《銀河系軍備競賽》（Galactic Arms Race ）中的武器、《Audio In Space》 中的武器。這三部遊戲中的PCG主要使用了神經網路技術。《虛幻競技場3》（Unreal Tournament 3) 中武器也使用了PCG技術，但因為同時使用了採用強制搜索策略，生成的效果更優。

近年來《無人深空》（No Man"s Sky）、《 幽靈行動 荒野》（Ghost Recon：Wildlands）等都是PCG的代表。其中，最引人關注的是非《無人深空》莫屬，這款遊戲中從環境、生物、太空船到音樂基本都是由程序自動生成的。

另外《星戰：前線》中，幾乎所有的建模都是由照片生成的，也是一個重要的創新。為了使遊戲畫面達到「照片級」的效果，製作組成員"上山下鄉"，去雨林採集了大量遊戲場景的照片，通過Photogrammetry（攝影測量法）這一技術，將照片導入電腦並由製作人員用3D建模還原出照片中的場景。

人工智慧的一些其他研究也有在遊戲中運用。其中在自然語言處理技術的運用上，2005年發行的第一人稱3D遊戲《Facade》做了有益的嘗試。遊戲中，玩家扮演一對婚姻危機中的夫婦的一個朋友，拜訪夫妻的寓所，通過輸入英語語句與他們交談，遊戲會使用錄製好的聲音回答，玩家說的話會不同程度地影響這對夫婦的關係——讓他們和解或離婚或甚至激怒他們。

本文是我們剛剛開始進行的研究，若有錯誤歡迎指正 （微信：15300063873），也歡迎補充新的案例。如果你對該話題感興趣，歡迎與我溝通討論（syq@36kr.com），也歡迎郵件聯繫我們申請加入微信討論群（申請入群請通過郵件流程，註明你的觀點和想要加群討論的理由，直接微信申請恕不通過，敬請諒解）。