游戏关卡生成中的人工智能
人工智能可以自动构建游戏关卡、地图和世界，而不是手动放置每堵墙和敌人。
概述
This procedural content generation gives games near-infinite variety and helps small studios ship huge worlds.
深入探讨
程序内容生成 (PCG) 几十年来一直为游戏提供动力，从《Rogue》（1980 年）的地下城到《无人深空》的 18 万亿颗行星。经典方法使用噪声函数，例如地形的 Perlin 噪声，以及房间和任务的语法和规则集。较新的浪潮是通过机器学习的 PCG (PCGML)，其中模型从现有级别进行学习。方法包括生成可玩的马里奥风格关卡的 GAN、通过最大化乐趣或难度来设计关卡的强化学习代理，以及波函数折叠（一种约束解算器，可平铺地图以使相邻部分始终适合）。一个核心挑战是保证关卡实际上是可完成和平衡的，而不仅仅是视觉上合理，因此设计师将生成器与自动游戏测试机器人配对。
技术洞察
波函数折叠是一种流行的工具，它将关卡构建视为一个约束难题：它从叠加的每个图块开始，然后反复将最低熵单元“折叠”为单个图块，并向外传播邻接规则，就像解决数独一样。相反，基于学习的方法在样本级别上训练生成器；鉴别器或适应度函数检查输出，而搜索技术（如进化算法或质量多样性（MAP-精英））则推动多样性和可玩性。
战略影响
构建选择
应用级设计决定了人工智能是否能改善实际结果。
团队与工作流程
良好的工作流程集成可以创造用户值得信赖的生产力收益。
风险与安全
范围明确的用例可以减少变更疲劳和实施风险。
人工智能在游戏关卡生成中的未来
世代正在从离线资产创建转向实时的、玩家自适应的关卡，根据您的游戏方式重新调整难度和布局。大型语言和扩散模型开始根据文本提示生成任务、对话和 3D 资源，让设计师能够描述地下城并获得草稿。预计人工智能提出并由人类策划的“混合主动”工具，加上对可解决性的更强保证，因此生成的内容无需手动修复即可交付。
现实世界的实施
《无人深空》通过算法和种子按程序生成大约 18 亿个独特的行星。
Minecraft 使用噪声函数和生物群系规则为每个种子构建无尽的、多样化的世界。
洞穴探险和其他 roguelike 游戏每次运行都会从模块化房间模板中组装出新鲜的地下城布局。
设计师使用波函数折叠来自动平铺相干地图，使每块都适合其邻居。
风险与防护栏
将损坏的流程自动化可能会加剧现有问题。
团队可能会过度自动化并消除所需的人工判断。
如果不持续评估输出，质量可能会出现偏差。
实施路线图
绘制当前工作流程并确定摩擦最大的步骤。
在完全自动化之前定义人工检查点。
对用户进行提示、升级路径和质量标准方面的培训。
跟踪任务级结果以确认持续价值。
不断探索
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Game Level Generation quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
常见问题
What is AI in Game Level Generation?
人工智能可以自动构建游戏关卡、地图和世界，而不是手动放置每堵墙和敌人。这种程序化的内容生成方式为游戏提供了近乎无限的多样性，并帮助小型工作室打造巨大的世界。
“程序内容生成”(PCG) 在游戏中意味着什么？
PCG 使用算法和规则自动生成游戏内容，而不是让设计师手动放置每个元素。
波函数折叠算法如何构建地图？
波函数崩溃将地图视为一个约束难题，选择最低熵的单元格，修复其图块，并传播仍然允许的邻居，类似于数独。
人工智能生成的关卡所面临的主要挑战是什么？
一个关卡可能看起来不错，但不可能完成或不公平地困难，因此一个关键的挑战是保证可玩性，通常使用自动游戏测试机器人。
哪种经典噪声函数被广泛用于生成自然的地形？
Perlin 噪声和类似的梯度噪声函数可产生平滑、自然的变化，非常适合地形，适用于《我的世界》等游戏。
与旧的基于规则的一代相比，PCGML 增加了哪些内容？
PCG 通过机器学习在示例级别上训练模型，以便生成器可以学习人造内容的风格和结构，而不是仅仅依赖于手写规则。