本文首發(fā)網(wǎng)易游戲?qū)W院APP、由“網(wǎng)易互娛AI Lab”供稿，GameRes經(jīng)授權發(fā)布。

【游戲平衡篇】

一、前言

AI或許能成為游戲產(chǎn)業(yè)未來破局點？

近日，《2020年1-6月中國游戲產(chǎn)業(yè)報告》發(fā)布了。報告顯示，今年上半年，中國游戲產(chǎn)業(yè)實際銷售同比增長22.34%，實現(xiàn)了逆勢增長。然而，報告也指出了隨著游戲市場擴張，人口紅利已逐漸消失，用戶規(guī)模增長放緩，游戲行業(yè)競爭已愈發(fā)激烈。

（數(shù)據(jù)來源：中國音像與數(shù)字出版協(xié)會《2020年1-6月中國游戲產(chǎn)業(yè)報告》）

伴隨著用戶爭奪戰(zhàn)的，還有越來越嚴格的游戲監(jiān)管政策。2018年版號限制以來，游戲版號發(fā)放數(shù)量持續(xù)下降。監(jiān)管層有意通過控制數(shù)量引導行業(yè)創(chuàng)新與品質(zhì)升級。

針對這種趨勢，“游戲出?！焙汀霸朴螒颉痹俣瘸蔀闊狳c話題。但不論哪種選擇，對于游戲廠商而言都是一場優(yōu)勝劣汰、適者生存的考驗。而AI或許能夠為游戲開發(fā)者們加速游戲創(chuàng)新、打造精品游戲、創(chuàng)造更優(yōu)體驗，搶占更多的市場份額提供更多可能性。

二、AI能夠解決游戲設計難題

在游戲發(fā)展的早期，AI其實就已被用于解決游戲設計難題了，如上世紀80年代風靡全球的經(jīng)典街機游戲《吃豆人》。

在這款游戲里，玩家需要躲避四種不同顏色怪物的追擊，同時吃掉迷宮里的所有豆子。這4種不同顏色的怪物采用了不同的追擊算法，因此不會排著隊追擊玩家，而是從不同路徑、以不同方式對玩家進行圍追堵截。在《吃豆人》中，游戲角色第一次表現(xiàn)出了豐富的個性。此外，游戲還采用了Meta AI，針對不同水平的玩家動態(tài)調(diào)整難易程度，以提供更個性化的游戲體驗。

（圖片來自1980年撰寫的《吃豆人》設計策劃書：4只怪物在不同狀態(tài)下的行動模式設計表）

隨后，越來越多的電子游戲開始將AI技術與游戲結合。在這些游戲里，AI大多扮演的還是游戲中的怪物或Boss的角色，主要目的是為了帶來更好的游戲體驗和控制難易程度。

近年來，隨著視頻游戲的不斷發(fā)展和技術的更迭進步，AI在游戲中開始有了更多的角色和功能。比如在《巫師3》里，AI可以基于設定好的動作和場景自動生成過場動畫，其中的鏡頭位置、角色表演內(nèi)容和動作變化等都是AI自動完成的。

在這篇文章里，我們將重點將從游戲平衡性的角度，一起探討AI是如何輔助游戲設計的。

三、AI幫助增強游戲平衡性

隨著人工智能技術，尤其是強化學習技術的不斷發(fā)展，我們?nèi)粘８邮煜さ幕蛟S是新聞里稱霸各類型游戲的AI：零封圍棋世界冠軍柯潔的AlphaZero，在星際爭霸中擊敗99.8%的玩家的“AlphaStar” ，在電競游戲中擊敗世界冠軍的Dota2 AI “OpenAI Five”，以及在六人無限制德州撲克中擊敗人類職業(yè)選手的Pluribus……

然而游戲AI的目的并非完敗人類，而是為了提供旗鼓相當?shù)膶?zhàn)體驗，保證游戲難度平衡，讓玩家享受到競技趣味。下面將從戰(zhàn)斗機器人、測試機器人和游戲匹配幾方面來解釋游戲AI是如何幫助確保游戲平衡性的。

• 戰(zhàn)斗機器人

小怪、BOSS、NPC等由電腦控制的游戲機器人不僅是游戲中的必備角色，有時甚至可以成為游戲的一大賣點。如日本游戲廠商 From Software 開發(fā)的《魂》系列和《只狼：影逝二度》，其高難度的關卡戰(zhàn)斗設計曾引起玩家的廣泛討論，并激起了很多游戲高手的挑戰(zhàn)欲望。

《只狼》

而在PVP游戲中，自動化的戰(zhàn)斗機器人也有多種用途，如空閑時段的排位補位機器人，給連敗玩家送福利的溫暖局機器人，以及新手指引、進階練習中的陪練機器人等。

然而，實現(xiàn)一個機智有趣的游戲機器人并非易事。簡單地通過調(diào)整游戲角色的數(shù)值來調(diào)節(jié)AI強度并不適用于所有的游戲，過難或過易都會引起玩家的反感，大大降低游戲的樂趣。我們真正需要的是一個智能靈活、難度適中的游戲AI。這意味著開發(fā)者需要針對游戲中可能發(fā)生的不同情況，設計合理的AI行為邏輯，并通過角色的控制接口展現(xiàn)具體的游戲內(nèi)行為。

傳統(tǒng)上，業(yè)界在開發(fā)游戲NPC或Bot時采用的是規(guī)則驅(qū)動的方式（如狀態(tài)機、行為樹，或GOAP\HTN等更復雜的效用系統(tǒng)），人為定義的條件會觸發(fā)預先設計好的游戲行為，條件越多，行為越復雜，角色看起來就更智能。規(guī)則驅(qū)動的局限性也很明顯，主要體現(xiàn)在兩個方面：一是規(guī)則很難涵蓋所有的情況，設計出來的機器人表現(xiàn)就會比較僵硬；二是需要大量的人力去設計實現(xiàn)復雜的AI行為邏輯。

以強化學習為代表的人工智能技術則恰好能夠突破以上兩個限制。我們可以構造出一個以游戲狀態(tài)為輸入，角色控制動作為輸出的神經(jīng)網(wǎng)絡模型，通過訓練的方式擺脫對人工設計的依賴，同時獲得一個更加聰明的機器人。

UE4 的行為樹

典型的強化學習交互流程

強化學習是一類不依靠數(shù)據(jù)，在與特定環(huán)境的交互中不斷試錯，發(fā)掘最優(yōu)策略來解決給定任務的人工智能方法。與圖像種類預測、機器翻譯等深度學習任務不同，強化學習模型并不需要提前準備好的數(shù)據(jù)。模型會作為一個角色參與到游戲中，針對游戲中可能發(fā)生的各種情況（State），嘗試不同的動作（Action），并根據(jù)游戲的反饋（Reward）調(diào)整行動策略，直到模型可以完美地完成設定的任務。得益于神經(jīng)網(wǎng)絡強大的泛化能力，強化學習模型除了能夠用于研發(fā)Bot和NPC以外，甚至能夠處理像星際爭霸這種每幀理論可選操作多達10^26的復雜游戲。

DeepMind 介紹星際爭霸的操作復雜度

另外，對比下圖游戲AI的開發(fā)流程，我們可以看出，通過強化學習，游戲AI設計實現(xiàn)的人力成本，變成了設計模型的人力成本和訓練模型的機器成本。因此，當期望得到的游戲AI足夠復雜時，強化學習方法將更具成本優(yōu)勢。

傳統(tǒng)AI開發(fā)流程

強化學習AI開發(fā)流程

• 測試機器人

保證游戲戰(zhàn)斗系統(tǒng)的平衡性一直是游戲開發(fā)的難點之一。比如，在MOBA游戲中新加入一個英雄后，游戲策劃既要保證這個角色自身的技能和數(shù)值設計符合預期，又要確保該角色與其他英雄配合時不會存在無解的套路，不然同樣會影響競技的公平性。而這個過程通常需要大量人力去反復進行游戲測試和設計調(diào)整。

上文提到，強化學習能夠通過在環(huán)境中不斷試錯得到一個強大的游戲AI。而基于這種“不斷試錯”的特性，我們可以將強化學習模型轉(zhuǎn)變成為一個強有力的自動化游戲測試工具。

具體來說，首先我們可以訓練得到一個近似高端玩家水平的游戲AI，再通過與其他現(xiàn)有角色的AI進行模擬戰(zhàn)斗，就可以在角色上線之前模擬真實的對局數(shù)據(jù)，并以此來調(diào)整角色的設計，評估角色加入后對游戲平衡性的影響。同時，如果游戲環(huán)境中存在的漏洞，模型也非常有可能在海量的探索嘗試中發(fā)現(xiàn)并加以利用，間接地幫助我們挖掘出隱藏很深或是極端操作下才會觸發(fā)的游戲bug。

此外，對于一些相對簡單的游戲環(huán)節(jié)，比如MMORPG游戲中的一個小副本任務，利用搜索算法或者適量的人類玩家數(shù)據(jù)進行監(jiān)督學習，還能夠快速生成測試跑圖機器人。

• 戰(zhàn)力評估與智能匹配

相信很多玩家都有過被隊友坑，或被對手完虐的體驗。通過AI的匹配機制，我們可以準確評估玩家水平、匹配水平相當?shù)年犛岩约皩κ?，保證對戰(zhàn)的公平性，改善玩家的游戲體驗。

相比傳統(tǒng)ELO等方法，Trueskill2可以綜合先驗信息（如裝備購買情況、游戲經(jīng)驗值等）和后驗信息（如局內(nèi)擊殺數(shù)、被擊殺數(shù)、斷線逃跑情況等），通過概率圖模型讓消息在整個模型中傳播，不斷修正對玩家水平的評估，在幾個對局內(nèi)就獲得對玩家水平的準確估計。

Trueskill2原理圖

而在水平匹配的基礎上，玩家可能對社交也有相應需求。我們可以通過AI算法分析玩家用戶畫像，再進行相應匹配，就能夠滿足玩家更高層面的追求。

以上就是關于AI如何增強游戲平衡性的一些分享~

【游戲環(huán)境篇】

要問每一個FPS游戲玩家心中的痛是什么？“知道對手開掛卻又制裁不了”絕對算得上一個回答。例如，玩守望先鋒時遇到鎖頭掛，無論怎么蛇皮走位，都會被外掛瞄準頭部一頓掃射，憑人類的反應完全無法抗衡，簡直叫人抓狂。

毫無疑問，一場精彩刺激的對局中如果出現(xiàn)了外掛、辱罵等惡意行為，必然會破壞玩家正常的游戲體驗。AI可以通過圖像識別或用戶畫像分析來打擊游戲外掛，也能夠基于語音語言識別技術過濾臟話等敏感信息，讓游戲環(huán)境更加公平公正、清潔有序。

一、外掛打擊

游戲外掛五花八門、層出不窮，比如競技類游戲的全圖作弊器、數(shù)值修改器等外掛，RPG游戲存在的自動掛機、自動刷野等外掛。傳統(tǒng)應對方案就是在客戶端打各種安全補丁，但道高一尺魔高一丈，外掛插件也會隨之迭代，令各大游戲廠商苦不堪言。

比如吃雞游戲的透視掛, 無論玩家躲在房間里還是掩體背后, 都會被開掛者一覽無余。本質(zhì)上，開掛者是對客戶端進行了非法修改，使游戲畫面展現(xiàn)了本不該被獲知的信息。而AI能夠定期或在滿足特定條件時（如某位玩家在無視野情況下將對手槍槍爆頭），對游戲畫面進行檢測，從而讓外掛行為無處遁形。

吃雞游戲中的透視掛

利用AI進行圖像識別打擊外掛，其基本的原理結構是卷積神經(jīng)網(wǎng)絡(Convolutional Neural Networks, CNN)。CNN通常是一個多層的網(wǎng)絡，能夠通過卷積(convolution)這種數(shù)學操作來“觀察”圖像中的各個區(qū)域。而每塊區(qū)域的計算輸出會經(jīng)過非線性的激活函數(shù)，并在更高層進行匯總，直到在最高層得到目標輸出。針對反外掛，CNN的輸出可以是一個二元判斷，即游戲圖像是否有外掛嫌疑。只要在訓練時給AI看過足夠多的外掛圖片，AI就能記住這類圖片的特點，并對于外掛進行無死角監(jiān)控。

卷積神經(jīng)網(wǎng)絡

類似地，AI還可以對于玩家上傳的圖片如頭像進行違規(guī)審核，阻止其中的色情暴力內(nèi)容。未成年人防沉迷用的人臉識別同樣是基于類似的原理，只需要將輸入從一張圖片變成兩張圖片，保證用戶實時驗證的人臉和注冊人臉為同一個人即可。

二、聊天內(nèi)容過濾審核

游戲聊天公屏界面里不受控制的言論會帶來很多潛在的風險，辱罵、色情、政治、暴力、廣告破壞了游戲環(huán)境，影響玩家正常交流，困擾著很多游戲工作室。傳統(tǒng)解決方案為采用關鍵字過濾，但是玩家的表達方式在不停演化。簡單的關鍵字識別很容易利用字符填充、諧音、俚語等方法繞過。對于有利可圖打廣告的灰色產(chǎn)業(yè)工作室，更是新說法層出不窮。

在這種情況下，我們就可以借助AI模型強大的泛化能力來識別敏感信息，例如基于TextCNN和Transformer的分類器。TextCNN是卷積神經(jīng)網(wǎng)絡在文本分類上的應用，其結構簡單、性能快，適用于聊天內(nèi)容短，非法特征明顯、信息集中的情景。

TextCNN原理圖

Transformer則是google在2017年提出的網(wǎng)絡結構，相較于TextCNN它的結構更加復雜也更加靈活。Transformer的self-attention結構根據(jù)上下文內(nèi)容的關聯(lián)程度自動調(diào)節(jié)每個字的權重，使得特征信息得以凸顯。Multi-head Attention將字向量分成多段，每一段分別與不同的Attention矩陣計算，允許模型捕捉更多樣的語境信息。

游戲內(nèi)的圖文信息體量巨大且繁雜，傳統(tǒng)方式或許難以有效識別和過濾敏感內(nèi)容，但深度學習憑借極強的學習能力，能夠從容做出應對，創(chuàng)造一個更有秩序的游戲世界。

關于AI如何改善游戲環(huán)境的一些技術分享到這里就結束啦。

【畫面質(zhì)量篇】

對玩家而言，畫面是接觸游戲后的“第一印象”，甚至很大程度上可以決定玩家究竟是“一見鐘情”還是“不感興趣”。因此，精美的畫面已成為各類游戲表現(xiàn)力的保證。

例如，作為無數(shù)資深游戲玩家心頭“白月光”的次世代游戲《刺客信條：起源》中，優(yōu)秀的畫面一直是其吸引眾多玩家的最大特色之一。除了細致的人文風貌刻畫外，每一個形象鮮活自然的NPC也進一步增強了游戲的代入感。

但制作精良的游戲通常意味著強大的游戲美術支持，而強大的美術資源背后則是高昂的時間成本和巨額的制作費用。AI的一系列技術，能夠幫助減少動畫制作的成本和時間，讓更精美的游戲畫面成為可能，從視覺層面提升玩家的游戲體驗。例如，AI語音驅(qū)動角色面部動畫技術和角色動作控制技術。

一、AI語音驅(qū)動角色面部動畫技術

談到角色面部動畫，大眾更為熟悉的技術是面部動捕，傳統(tǒng)的面部動捕技術需要配備專業(yè)動捕設備和演員進行拍攝，還會產(chǎn)生高昂的費用。但實際上，除了面部動捕技術以外，還有一種成本更低、適用場景更多的AI黑科技——語音驅(qū)動角色面部動畫技術。

語音驅(qū)動面部角色動畫技術框架

首先，我們需要建立一個足夠量的語音和對應的面部表情動作序列數(shù)據(jù)，基于這些數(shù)據(jù)訓練出一個端到端的深度神經(jīng)網(wǎng)絡模型。不論是從語音到表情和口型標簽，還是從語音直接到三維角色的面部表情控制器，該模型都可以取得相當不錯的泛化能力，基本可以做到一個模型就能處理不同性別、年齡、語言的語音數(shù)據(jù)。

管純基于語音的面部動畫在精度和效果上距離面部動捕還有一些距離，但受限于成本，以本世代3A游戲的體量，不可能每個NPC都有動捕的待遇。利用該技術，一方面，可以用極低的成本讓游戲里的所有人物都具有一定的表情動畫；另一方面，在國際化背景下，很多游戲是擁有多語種配音的，目前還沒有游戲工作室會奢侈到為一種語言的配音單獨動捕一套口型動畫，利用該技術可以快速生成跟不同語言發(fā)音匹配的口型動畫，也可以為玩家提供更本地化的體驗。

二、AI面部動捕技術

除了上文提及的語音驅(qū)動角色面部動畫以外，我們將AI與圖形學算法結合還能獲得一種輕量級面部動捕技術，以制作更為生動的角色面部表情動畫。只需要一個單目攝像頭（普通RGB攝像頭或RGB-D攝像頭均可），在不需要設置任何面部標記點的情況下，該技術就可以實時將演員的面部表情遷移到虛擬角色上，且支持任何類型的表情制作方式（如骨骼動畫、blendshapes、live2d、貼圖動畫等）。

目前業(yè)界主流大面部動捕套件都基于mesh-based tracking框架，基本原理都很類似，核心算法上世紀九十年代已經(jīng)被提出，只是當時的AI技術還未進入深度學習時代，人臉特征檢測的性能還不能夠滿足動捕要求的大精度，還是依賴人工在演員面部標記marker點。該方式能夠獲得超高精度的結果，但是使用條件非?？量?、易用性較差。AI面部動捕技術同樣基于mesh-based tracking框架，但從數(shù)據(jù)、到算法、再到工具鏈，實現(xiàn)了一套完整大輕量級面部動捕系統(tǒng)。

事實上，對于很多手機游戲而言，輕量級面部動捕設備都更加合適。一方面由于包體限制，很多游戲只會給主角或者非常重要的NPC制作面部表情動畫，需求不大。另一方面，相比PC和主機游戲來說，手游的研發(fā)周期較短，項目組沒有太大意愿在面部東部上投入太多精力。AI面部動捕技術降低了使用條件，保證一定精度的同時，提升了易用性和速度，能夠提升美術生產(chǎn)的效率，同時還能夠滿足策劃和營銷同學對虛擬偶像直播和游戲UGC玩法等內(nèi)容的需求。

三、角色動作控制技術

角色動作和狀態(tài)的切換流暢度也是影響畫面表現(xiàn)力的重要因素之一。傳統(tǒng)的、基于狀態(tài)機的角色動畫控制系統(tǒng)中，開發(fā)一套體驗完美的動作器，實現(xiàn)平滑自然的動作生成，其復雜程度其實超乎玩家想象。在一些動作型3A游戲中，一個主角的動畫狀態(tài)機輕易就可以包含幾千個動作節(jié)點，這些節(jié)點之間的跳轉(zhuǎn)和過渡規(guī)則完全依賴游戲開發(fā)人員的經(jīng)驗手工指定，其開發(fā)和維護的復雜度可想而知。

正是在這一痛點驅(qū)動下，育碧提出了Motion Matching技術，該技術將研發(fā)人員從復雜的動作過渡規(guī)則中解放出來，只需要關注目標動作本身。給定一個目標動作和一個動捕動作庫，Motion Matching會根據(jù)角色的當前姿態(tài)、運動速度、運動方向等信息、自動從動捕動作庫中優(yōu)化出一個能從當前姿態(tài)自然過渡到目標動作的動作序列。

從事算法工作同學可能會對上述流程感到熟悉。是的，如果拋開三維骨骼動畫底層的技術原理，角色動畫其實就是一組描述每個骨骼點平移和旋轉(zhuǎn)信息的序列數(shù)據(jù)。上述動作過渡問題，其實就是針對序列數(shù)據(jù)的插值或補全問題，這也是AI技術最擅長處理的領域之一。

AI動作控制效果示意

我們可以利用AI技術、設計一個針對骨骼動畫數(shù)據(jù)的特殊網(wǎng)絡結構，并利用大量動捕數(shù)據(jù)對該模型進行訓練，從而賦予該模型從角色的當前狀態(tài)、環(huán)境信息、歷史狀態(tài)、用戶控制信號等信息、自動預測下一幀動作的能力。雖然目前該技術在游戲中落地還面臨不少工程上的困難，但是相比于Motion Matching技術，AI技術無疑賦予了角色動畫控制更多的想象力。憑借深度神經(jīng)網(wǎng)絡強大的泛化能力，AI模型可以從海量數(shù)據(jù)中抽象、總結出關于動作的深層次邏輯，從而實現(xiàn)更自然地動作切換和過渡、以及跟所處環(huán)境更好的適配。

除此之外，AI賦能美術還有更多玩法，例如基于音樂自動生成舞蹈動畫；基于已有時裝模型和參考時裝圖，快速產(chǎn)出時裝貼圖或給游戲裝備“換裝”；基于少量游戲人物頭部模型，快速批量生成各種差異化較大的人物形象；或快速判定或轉(zhuǎn)換游戲圖標的風格等等。

隨著游戲行業(yè)3A大作的不斷出世，玩家對游戲畫面和沉浸感的要求也越來越高，想要在盡量降低成本的基礎上提高游戲畫面質(zhì)量，AI必然是最佳解決方案之一。

關于AI賦能游戲美術的分享就到這里。