概述
遊戲 AI 控制非玩家角色 (NPC)，使他們能夠可信地導航、戰鬥和反應。它將狀態機等數十年歷史的技術與新的生成模型相結合，讓角色能夠說話和即興創作。
電玩遊戲 NPC 行為中的 AI 著重於實際部署：將模型功能轉化為可靠的日常工作流程，提供可衡量的價值。
深入探討
NPC 行為是最古老的應用人工智慧領域之一，但大多數「遊戲人工智慧」根本不是機器學習。經典敵人使用有限狀態機（閒置、巡邏、追逐、攻擊）和行為樹，設計師精心設計這些行為樹以獲得可預測、可調的樂趣。尋路依靠 A* 演算法來導航地圖。具有里程碑意義的例子包括 F.E.A.R. 的目標導向行動計劃 (GOAP)，它讓士兵進行側翼和協調，以及光環系列的分層行為系統。遊戲人工智慧通常被故意“簡化”，因此它感覺公平且可擊敗，而不是無情地優化。最近，工作室正在嘗試使用大型語言模型來支援動態對話，讓 NPC 回應開放式玩家語音，而不是固定的對話樹，如 NVIDIA 和 Ubisoft 的技術演示中所示。
技術洞察
行為樹將簡單的操作組合成具有選擇器和序列的分層、可重複使用邏輯，為設計人員提供了精細控制。 A* 尋路使用成本加啟發式估計來搜尋導航網格，以找到有效的路線。相反，GOAP（在 F.E.A.R. 中使用）為代理提供了目標和行動庫，在運行時規劃序列，以便行為出現而不是編寫腳本，從而產生戰術情報的外觀。
掌握電玩遊戲 NPC 行為中的 AI
遊戲 AI 控制非玩家角色 (NPC)，使他們能夠可信地導航、戰鬥和反應。它將狀態機等數十年歷史的技術與新的生成模型相結合，讓角色能夠說話和即興創作。電玩遊戲 NPC 行為中的 AI 著重於實際部署：將模型功能轉化為可靠的日常工作流程，提供可衡量的價值。為了建立深入的理解，請將電玩 NPC 行為中的人工智慧視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地執行的操作與仍需要專家判斷的操作分開。
在實踐中，在視頻遊戲 NPC 行為中使用人工智慧的強大團隊專注於工作流程結果，而不是模型演示，並儘早定義人工檢查點。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
應用級設計決定了人工智慧是否能改善實際結果。同時，將損壞的流程自動化可能會加劇現有的問題。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
應用級設計決定了人工智慧是否能改善實際結果。
應用級設計決定了人工智慧是否能改善實際結果。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
良好的工作流程整合可以創造使用者值得信賴的生產力效益。
良好的工作流程整合可以創造使用者值得信賴的生產力效益。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
範圍明確的用例可以減少變更疲勞和實施風險。
範圍明確的用例可以減少變更疲勞和實施風險。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
F.E.A.R. 的士兵使用目標導向的行動計劃來包抄、掩護和協調攻擊
光環系列中的敵人透過分層行為系統撤退、重組和對手榴彈做出反應
A* 尋路功能讓無數遊戲中的 NPC 繞過障礙物到達玩家身邊
NVIDIA ACE 和 Ubisoft 示範使用 LLM 讓 NPC 與玩家進行即興口頭對話
實施模式
電玩遊戲中的人工智慧 NPC 行為實踐
F.E.A.R. 的士兵使用以目標為導向的行動計劃來進行側翼包抄、掩護和協調攻擊。
F.E.A.R. 的士兵使用以目標為導向的行動計劃來包抄、掩護和協調攻擊。當團隊預先定義品質閾值、為邊緣情況保留人員升級路徑並追蹤一段時間內的生產力增益和錯誤成本時，通常會獲得更好的結果。
電玩遊戲中的人工智慧 NPC 行為實踐
《光環》系列中的敵人透過分層行為系統撤退、重組和對手榴彈做出反應。
《光環》系列中的敵人透過分層行為系統撤退、重組和對手榴彈做出反應。當團隊預先定義品質閾值、為邊緣情況保留人為升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
電玩遊戲中的人工智慧 NPC 行為實踐
A* 尋路功能讓無數遊戲中的 NPC 繞過障礙物到達玩家身邊。
A* 尋路功能讓無數遊戲中的 NPC 繞過障礙物到達玩家身邊。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
電玩遊戲中的人工智慧 NPC 行為實踐
NVIDIA ACE 和 Ubisoft 示範如何使用 LLM 讓 NPC 與玩家進行即興口頭對話。
NVIDIA ACE 和 Ubisoft 演示使用 LLM 來讓 NPC 與玩家進行即興口頭對話 當團隊預先定義質量閾值、為邊緣情況保留人工升級路徑並隨著時間的推移跟踪生產力提升和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
將損壞的流程自動化可能會加劇現有問題。
團隊可能會過度自動化並消除所需的人工判斷。
如果不持續評估輸出，品質可能會出現偏差。
實施路線圖
繪製目前工作流程並確定摩擦最大的步驟。
繪製目前工作流程並確定摩擦最大的步驟。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在完全自動化之前定義人工檢查點。
在完全自動化之前定義人工檢查點。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
對使用者進行提示、升級路徑和品質標準的訓練。
對使用者進行提示、升級路徑和品質標準的訓練。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
追蹤任務級結果以確認持續價值。
追蹤任務級結果以確認持續價值。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。