可能有人會問，AI在遊戲中不是很早就
應用了嗎？
是的，其實有電子遊戲就有AI。
在遠古的年代的遊戲Pong，你的對手就是AI；
紅白機年代的中國象棋遊戲，你的對手就是AI；
超級瑪麗那隻怪物也是AI。
這裡的AI指的是遊戲中對手使用的智能，所以AI很早就應用在遊戲中了。
但在本篇中討論的，是近幾年來逐漸發展起來的，基於深度學習(也有基於運籌學和博弈論等學科)的AI技術。
應該說，本文討論的AI會範圍會更大一點，並不止步於怪物、NPC的智能。
我希望通過這篇文章，看一下現在AI到底能為遊戲行業帶來什麼。
我會列出一些當前的技術引用，也會有一部分我自己的想法。
最後恐嚇一下我的同事們，你們會被AI替代嗎？
AI為啥這麼火？
AI近幾年有多火，我就不作論述了。但為什麼AI這麼火呢？不同的人可能有不一樣的看法，這裡只講一下我自己的看法。
現在我們說的AI技術，大部分跟深度神經網絡有關。我認為AI之所以火了，就是因為深度神經網絡的加持。
深度神經網絡獨有的解決問題的方式，使得人類解決問題的能力提高了一個新檔次。
所以，我希望用比較簡單的語言來描述一下，深度神經網絡是什麼，好讓大家了解，為什麼AI技術會突然獲得高速的發展。
其實要明白深度神經網絡並不難，大家可以把神經網絡看作是一個函數。函數的一個重要功能，就是把兩個東西對應起來。
在以前，我們要電腦識別一個手寫數字「8」，那麼程式設計師就需要寫一個函數。
函數裡面需要寫一堆規則，例如：
圖片有兩個圈
圓？有多圓？
上面那個大下面小
有多大？有多小？半徑是多少？
有時候上面那個圈可以不完全閉合也算...
天，那算什麼圓？
我們如果要去識別一個手寫數字的圖片8，需要寫很多很多規則，有時候幾乎寫不完。
也就是說，在我們現實世界裡，有些人類明明能模糊地了解，但說不上具體規則，不可描述東西。
不可描述就意味著，這個函數沒法寫，也意味著無法通過編程實現。
深度神經網絡改變這一點。
神經網絡會先隨機初始化網絡的權重，就是先隨便弄一個魔法函數Magic'(x)。
我們期望Magic函數的功能是輸入圖片8，輸出分類8
一開始，Magic'(x)和我們要的Magic(x)並不相同。所以輸出不一定是對的，也就是說Magic'(x) = y', y'不等於我們要的y。
也就是說，把圖片8放到這個Magic'(x)裡，網絡可能識別的出8的概率可能只有40%，而並不是100%。
通過調整參數，減少loss，讓Magic'更靠近Magic
這和我們想要網絡識別出8有很大的差距呀，因為我們想f能識別出這些圖片是8的概率是100%。
我們稱：y'和y之間的差距叫loss。
但這沒關係，通過反向傳播，調整f(x)的參數權重，讓loss最小化，也就是讓y'和y之間的差距減少。
這個過程我們稱為學習或者訓練。
當loss足夠小的時候，y' 和y 的差異就不大了。也就是說，f(x)的功能和我們要的F(x)相當！
如果以上的話沒明白，那不要緊。你只要明白兩點：
深度神經網絡本質上說是個函數。
有了深度神經網絡，我們可以把以前不能描述規則的函數造出來。
這就是人類科技樹拓寬的一大原因。
遊戲性
回到遊戲中，我們以前為遊戲角色做AI，會用腳本，行為樹，狀態機等方式。
這些本質上就是在描述怪物的行為，例如看到某個角色，就做什麼動作；到了某個時間，釋放某個技能。
但這些行為可以足夠豐富而完整地描述嗎？
越複雜的行為，我們就需要複雜的行為樹；越多的狀態，我們就需要越多的狀態機。
但當複雜度到了一定程度，人類可能很難理解了自己創造的行為樹了。
但神經網絡可以，他們製作出的AI不但成功戰勝了遊戲，還戰勝了人類。
目前，AI在這方面最重要的技術叫強化學習
最有名的可以算是以下幾個：
徵服Atari遊戲—— Deep Mind
最前沿：當我們以為Rainbow就是Atari遊戲的巔峰時，Ape-X出來把Rainbow秒成了渣！
徵服圍棋——Alpha GO
AlphaGo
徵服德州撲克——Pluribus
機器之心：AI攻陷多人德撲再登Science，訓練成本150美元，每小時贏1000刀
(Pluribus沒有用上深度神經網絡，用的更多是博弈論CRF為基礎的剪枝)
徵服麻將——微軟 Suphx
真雀神，微軟亞研推出超級麻將AI，還上了專業十段
徵服星際爭霸——Alpha Star
陳雄輝：淺談AlphaStar
徵服王者榮耀——絕悟
騰訊：騰訊AI「絕悟」打王者，把職業選手幹掉了
現在的AI已經能把人類花式吊打了！甚至到了有人已經發表AI威脅論的程度了！
但請容我先潑潑冷水，神經網絡的訓練可不是套套公式就能實現的。神經網絡訓練的要求都非常高。
首先，AI訓練消耗大量資源，包括時間和算力。
跟李世石對戰的版本稱為AlphaGo Lee，是一個分布式系統，運行在Google雲上，使用了 48 個TPU，總耗能約10000W。
而圍棋雖然看上去比較複雜，但和其他遊戲來說還算是簡單的了。畢竟圍棋是個回合制遊戲。如果像星際這樣的複雜遊戲，則需要更多。
另外，AI在開發過程中有不確定性。
我認為算力和時間並不是一個主要因素，至少在遊戲製作下不是。
畢竟當前的算力下，很多算法已經能擊敗人類。而且算力必然會不斷提升。
但深度學習還有一個不能忽略的因素：深度學習算法帶有不確定性。
AI的學習能力除了與算法有關，也與環境有關，也和參數有關，不同參數之間可能是天差地別。
調整參數，然後等待AI的訓練，根據結果再調整參數。可能經過漫長的等待才能獲得大成。
所以很多搞深度學習的人會把自己比喻成煉丹師。
但這種不確定性正在逐步減少，因為算法是不斷更新改進的。從DQN到SAC，就是一個不斷解決實際問題，讓算法更強，更快，更穩定的過程。
以上，我們對強化學習(Reinforcement Learning)進行了一些介紹。那麼強化學習能夠帶給遊戲什麼呢？
我認為強化學習在遊戲中應用應該有一個前提：這項技術並不是為了擊敗玩家，而是為了增強玩家在遊戲中的體驗。
經過強化學習的AI作為玩家的對手或者敵人，上限是很高的。
我們可以通過弱化，把AI調整成適合當前玩家技術水平的難度。
有趣的事情就發生了。
以前我們為了調整難度，通常會從數值入手。
攻防血決定了難度
但如果用強化學習的方法，我們還能開闢另外一個維度的難度，讓遊戲更豐富。
提醒：AI不可預知性會更強。
不像已經設定好的行為樹，AI的不可預測性將會增強。這讓AI更像「人」，當然是件好事。但設計師對AI的掌控也會降低，意味著對玩家體驗的控制的精確性也會相應降低。
但數值會消失嗎？我想並不會的。
因為數值是很直觀，大部分玩家都需要數值，數值在很多遊戲中決定了難度。
我不會告訴你：遊戲公司需要賺錢，數值是核心。
強化學習並不會完全替代數值和技能設計，但會給設計師多一項控制難度的工具。
在強化學習方面國外的deepmind和openAI等公司處於領先地位，但更多是從事基礎算法研究。
國內有一家專注於AI+遊戲的公司——超參數。超參數的CEO劉總正是騰訊AI Lab總經理、圍棋AI「絕藝」、王者榮耀AI「絕悟」的團隊負責人。
(曾經有幸拜訪劉總，劉總是個非常有遠見並且很nice的人。在AI+遊戲這方面啟發了我許多，產生寫這篇文章的想法，感謝。)
如何評價手機遊戲《輪到你了揭秘篇》？
關卡生成和輔助設計
由於深度神經網絡足夠強，而且行為更接近人類。我們可以用這樣的AI輔助我們生成一些關卡。
例如三消遊戲、Roguelike類遊戲。
我們可以通過一定的規則生成關卡，然後用AI進行測試。
我們生成的關卡是否能通過？通過率是多少？或者說容錯率是多少？
新的英雄、卡牌的足夠強還是太逆天呢？新英雄的行為是否足夠豐富，還是一招打天下？
國內已經有公司已經這樣做了。聞說這家公司已經被字節收購了。
預計未來將會在一些小遊戲中應用到強化學習AI，因為小遊戲狀態相對簡單，要求算力較低；同時算法也比較成熟。我自己也試過用AlphaZero的算法實現一些小遊戲的AI。
網易遊戲《花與劍》中的籌算小遊戲
事實上，AI如果足夠豐富，小遊戲的體驗層次也會得到提升，一些原來並不適合做成遊戲的桌遊，也能成為線上的遊戲了。
卡牌類、回合類遊戲也將會很快用上強化學習進行輔助設計。
故事性
遊戲的故事性包括美術、文案、配樂等部分。我將嘗試從遊戲製作流程，當前有什麼AI技術能幫助到各個崗位的同學。
我們先來說說美術。
1.美術
原畫階段
永遠的PS，Adobe在這方面走得很遠。
【官宣】Adobe 2019史詩級加強，官宣的
視頻看著就是舒服！
我認為AI在這方面能幫助美術同事減輕很多不必要的工作壓力。例如把人物從背景摳出來這些煩而不難的工作，在AI的加持下將會變得更簡單，操作將會變得越來越智能。
對了，二次元的老婆，可以直接批量生產。
機器之心：想用StyleGAN生成老婆？來看看這個小哥的復現細節吧
這裡用到的是對抗神經網絡GAN。這項技術甚至可以讓你的老婆生成不同的表情。
建模
2D轉3D的GAN，通過照片，原畫直接生成3D模型，可能在不遠將來就能實現。這不是神筆馬良？
但這項技術目前還不夠成熟，距離實際生產應該還有一段距離吧。
AI科技大本營：AI做不了「真」3D圖像？試試Google的新生成模型
動作
現在角色動作很多時候，還必須由動作設計師逐個骨骼調整。而動作捕捉技術雖然成熟，但價錢挺貴的。
那能不能加起兩三臺手機就能做出輕量級的動捕系統呢？
答案是目前還沒有。但我估計未來不久就可以做出來。
人臉識別或者目標檢測算法，可以跟蹤屏幕上的物件。將其映射到3D骨骼上應該也不是難事。
在擴散一下思維，只需要找到適合的
視頻，就能把動作套到模型上。
想一下，做怪物獵人就不用再動捕了，直接在動物世界找個片段就好。(說笑)
《怪物獵人世界 Iceborne》金獅子動作捕捉幕後花絮
現在表情已經可以捕捉了。
其實表情演出，已經能大大豐富遊戲的戲劇性。
蒙皮貼圖
通過GAN和風格轉換技術，做到輸入一張圖，按照該圖的風格配色，應該很成熟的功能了。
一波：淺談風格遷移（二）任意風格遷移
ICON
輸入icon的文字，加上遊戲風格。
通過nlp + 知識圖譜 + GAN的結合或許已經能實現了。
如果用在遊戲製作，可能會較為粗糙。但如果是讓玩家自己生成家徽，戰旗等圖標，或者是個好主意。
2.文案
利用GTP2.0技術，可以進行一小段文字的擴寫。
外國有人已經做成了遊戲，不過還不夠成熟。
但如果加上知識圖譜呢，或許效果會不錯。
給AI一段故事，就能變成漫畫，這個來自人大微軟和北影的AI，要啟發
電影人的靈感
量子位：誰說AI寫故事邏輯亂？試試這個文字冒險遊戲，情節豐滿緊湊，我進去就出不來了
這就是就是沒有靈魂的文字。但一些邊角料的文字，甚至大量沒靈魂的外包文字將會被AI替代。
但，個人認為，一種全新類型的遊戲可能會從這點開始萌芽。
3.配音
Google AI的Duplex 和 蘋果的siri
Google AI-Duplex打電話 谷歌人工智慧中文字幕_嗶哩嗶哩 (゜-゜)つロ 乾杯~-bilibili
個人認為，現實玩家一般來說比較複雜，讓AI完成對話任務估計要求挺高的，不容易。
但或者我們可以用某人的聲線，通過AI為我們的文本進行配音。
雖說配音是門藝術，但一些邊角料的配音AI還是能勝任和支持的，並且我們不能低估AI發展的速度。
4.音樂
音樂可以自動生成，並且太多了。
量子位：用AI作曲，現在你也可以
5.商業化
例如某款遊戲會不斷更新，並且推出新的道具，老道具會打折出售。
那我們應該為某個玩家優先推送那一條信息呢？
利用大數據我們可以對玩家的需求更有把握。就像淘寶一樣。
遊戲人何去何從？
說到這裡，相信很多同事都要把我給殺了。AI這擺明搶飯碗吧！
的確，AI不但在搶勞力工作的飯碗，很大一部分重複型的智力勞動都會被搶走。
說句狠點的，目前遊戲製作中的外包都會消失。
但個人覺得，遊戲人有一種東西，AI是搶不走的。
對體驗的敏感度
現在用計算機生成一個二次元老婆是很簡單的事。甚至都不用畫。
但作為一個角色，你認為怎樣的二次元老婆會受到市場的喜愛？假設AI能寫很流暢的劇情了，足夠打動玩家嗎？假設馬良的神筆真的可以出現，那麼玩家喜歡怎樣的風格呢？
最近在玩Ori2，在Ori2中有三段逃亡關卡，仔細聽，每個關卡的BGM雖然旋律一樣，但編曲都不相同。
第1、3段用了很重的鼓點，來營造氣氛。
但第二段卻用了弦樂，為什麼？
這是因為第二段的操作更多是長按操作，弦樂和長按操作更加配合。
這些微小的體驗差距，最終只有遊戲的設計者才能判斷。
AI能讓遊戲製作變得簡單，但怎樣的遊戲會讓玩家喜愛，讓自己喜愛？這歸根到底是體驗的敏感度。
魯迅曾經說過：當AI發展起來，最有價值的人將會分為兩極。
面向技術：能掌握高精尖技術的高端人才。
面向人：能掌握人的心理，喜好的人。包括溝通、營銷、設計、當然也包括一些手工匠人(賣情懷)。
還有能連接這兩極的人。