是的，其实有电子游戏就有AI。
在远古的年代的游戏Pong，你的对手就是AI；
红白机年代的中国象棋游戏，你的对手就是AI；
超级玛丽那只怪物也是AI。
这里的AI指的是游戏中对手使用的智能，所以AI很早就应用在游戏中了。
但在本篇中讨论的，是近几年来逐渐发展起来的，基于深度学习(也有基于运筹学和博弈论等学科)的AI技术。
应该说，本文讨论的AI会范围会更大一点，并不止步于怪物、NPC的智能。
我希望通过这篇文章，看一下现在AI到底能为游戏行业带来什么。
我会列出一些当前的技术引用，也会有一部分我自己的想法。
最后恐吓一下我的同事们，你们会被AI替代吗？
AI为啥这么火？
AI近几年有多火，我就不作论述了。但为什么AI这么火呢？不同的人可能有不一样的看法，这里只讲一下我自己的看法。
现在我们说的AI技术，大部分跟深度神经网络有关。我认为AI之所以火了，就是因为深度神经网络的加持。
深度神经网络独有的解决问题的方式，使得人类解决问题的能力提高了一个新档次。
所以，我希望用比较简单的语言来描述一下，深度神经网络是什么，好让大家了解，为什么AI技术会突然获得高速的发展。
其实要明白深度神经网络并不难，大家可以把神经网络看作是一个函数。函数的一个重要功能，就是把两个东西对应起来。
在以前，我们要电脑识别一个手写数字“8”，那么程序员就需要写一个函数。
MNIST数据集中的
图片“8”
函数里面需要写一堆规则，例如：
图片有两个圈
圆？有多圆？
上面那个大下面小
有多大？有多小？半径是多少？
有时候上面那个圈可以不完全闭合也算...
天，那算什么圆？
我们如果要去识别一个手写数字的图片8，需要写很多很多规则，有时候几乎写不完。
也就是说，在我们现实世界里，有些人类明明能模糊地了解，但说不上具体规则，不可描述东西。
不可描述就意味着，这个函数没法写，也意味着无法通过编程实现。
深度神经网络改变这一点。
神经网络会先随机初始化网络的权重，就是先随便弄一个魔法函数Magic'(x)。
我们期望Magic函数的功能是输入图片8，输出分类8
一开始，Magic'(x)和我们要的Magic(x)并不相同。所以输出不一定是对的，也就是说Magic'(x) = y', y'不等于我们要的y。
也就是说，把图片8放到这个Magic'(x)里，网络可能识别的出8的概率可能只有40%，而并不是100%。
通过调整参数，减少loss，让Magic'更靠近Magic
这和我们想要网络识别出8有很大的差距呀，因为我们想f能识别出这些图片是8的概率是100%。
我们称：y'和y之间的差距叫loss。
但这没关系，通过反向传播，调整f(x)的参数权重，让loss最小化，也就是让y'和y之间的差距减少。
这个过程我们称为学习或者训练。
当loss足够小的时候，y' 和y 的差异就不大了。也就是说，f(x)的功能和我们要的F(x)相当！
如果以上的话没明白，那不要紧。你只要明白两点：
深度神经网络本质上说是个函数。
有了深度神经网络，我们可以把以前不能描述规则的函数造出来。
这就是人类科技树拓宽的一大原因。
游戏性
回到游戏中，我们以前为游戏角色做AI，会用脚本，行为树，状态机等方式。
这些本质上就是在描述怪物的行为，例如看到某个角色，就做什么动作；到了某个时间，释放某个技能。
但这些行为可以足够丰富而完整地描述吗？
越复杂的行为，我们就需要复杂的行为树；越多的状态，我们就需要越多的状态机。
但当复杂度到了一定程度，人类可能很难理解了自己创造的行为树了。
但神经网络可以，他们制作出的AI不但成功战胜了游戏，还战胜了人类。
目前，AI在这方面最重要的技术叫强化学习
最有名的可以算是以下几个：
征服Atari游戏—— Deep Mind
最前沿：当我们以为Rainbow就是Atari游戏的巅峰时，Ape-X出来把Rainbow秒成了渣！
征服围棋——Alpha GO
AlphaGo
征服德州扑克——Pluribus
机器之心：AI攻陷多人德扑再登Science，训练成本150美元，每小时赢1000刀
(Pluribus没有用上深度神经网络，用的更多是博弈论CRF为基础的剪枝)
征服麻将——微软 Suphx
真雀神，微软亚研推出超级麻将AI，还上了专业十段
征服星际争霸——Alpha Star
陈雄辉：浅谈AlphaStar
征服王者荣耀——绝悟
腾讯：腾讯AI「绝悟」打王者，把职业选手干掉了
现在的AI已经能把人类花式吊打了！甚至到了有人已经发表AI威胁论的程度了！
但请容我先泼泼冷水，神经网络的训练可不是套套公式就能实现的。神经网络训练的要求都非常高。
首先，AI训练消耗大量资源，包括时间和算力。
跟李世石对战的版本称为AlphaGo Lee，是一个分布式系统，运行在Google云上，使用了 48 个TPU，总耗能约10000W。
而围棋虽然看上去比较复杂，但和其他游戏来说还算是简单的了。毕竟围棋是个回合制游戏。如果像星际这样的复杂游戏，则需要更多。
另外，AI在开发过程中有不确定性。
我认为算力和时间并不是一个主要因素，至少在游戏制作下不是。
毕竟当前的算力下，很多算法已经能击败人类。而且算力必然会不断提升。
但深度学习还有一个不能忽略的因素：深度学习算法带有不确定性。
AI的学习能力除了与算法有关，也与环境有关，也和参数有关，不同参数之间可能是天差地别。
调整参数，然后等待AI的训练，根据结果再调整参数。可能经过漫长的等待才能获得大成。
所以很多搞深度学习的人会把自己比喻成炼丹师。
但这种不确定性正在逐步减少，因为算法是不断更新改进的。从DQN到SAC，就是一个不断解决实际问题，让算法更强，更快，更稳定的过程。
以上，我们对强化学习(Reinforcement Learning)进行了一些介绍。那么强化学习能够带给游戏什么呢？
我认为强化学习在游戏中应用应该有一个前提：这项技术并不是为了击败玩家，而是为了增强玩家在游戏中的体验。
经过强化学习的AI作为玩家的对手或者敌人，上限是很高的。
我们可以通过弱化，把AI调整成适合当前玩家技术水平的难度。
有趣的事情就发生了。
以前我们为了调整难度，通常会从数值入手。
攻防血决定了难度
但如果用强化学习的方法，我们还能开辟另外一个维度的难度，让游戏更丰富。
提醒：AI不可预知性会更强。
不像已经设定好的行为树，AI的不可预测性将会增强。这让AI更像“人”，当然是件好事。但设计师对AI的掌控也会降低，意味着对玩家体验的控制的精确性也会相应降低。
但数值会消失吗？我想并不会的。
因为数值是很直观，大部分玩家都需要数值，数值在很多游戏中决定了难度。
我不会告诉你：游戏公司需要赚钱，数值是核心。
强化学习并不会完全替代数值和技能设计，但会给设计师多一项控制难度的工具。
在强化学习方面国外的deepmind和openAI等公司处于领先地位，但更多是从事基础算法研究。
国内有一家专注于AI+游戏的公司——超参数。超参数的CEO刘总正是腾讯AI Lab总经理、围棋AI“绝艺”、王者荣耀AI“绝悟”的团队负责人。
(曾经有幸拜访刘总，刘总是个非常有远见并且很nice的人。在AI+游戏这方面启发了我许多，产生写这篇文章的想法，感谢。)
如何评价手机游戏《轮到你了揭秘篇》？
关卡生成和辅助设计
由于深度神经网络足够强，而且行为更接近人类。我们可以用这样的AI辅助我们生成一些关卡。
例如三消游戏、Roguelike类游戏。
我们可以通过一定的规则生成关卡，然后用AI进行测试。
我们生成的关卡是否能通过？通过率是多少？或者说容错率是多少？
新的英雄、卡牌的足够强还是太逆天呢？新英雄的行为是否足够丰富，还是一招打天下？
国内已经有公司已经这样做了。闻说这家公司已经被字节收购了。
预计未来将会在一些小游戏中应用到强化学习AI，因为小游戏状态相对简单，要求算力较低；同时算法也比较成熟。我自己也试过用AlphaZero的算法实现一些小游戏的AI。
网易游戏《花与剑》中的筹算小游戏
事实上，AI如果足够丰富，小游戏的体验层次也会得到提升，一些原来并不适合做成游戏的桌游，也能成为线上的游戏了。
卡牌类、回合类游戏也将会很快用上强化学习进行辅助设计。
故事性
游戏的故事性包括美术、文案、配乐等部分。我将尝试从游戏制作流程，当前有什么AI技术能帮助到各个岗位的同学。
我们先来说说美术。
1.美术
原画阶段
永远的PS，Adobe在这方面走得很远。
【官宣】Adobe 2019史诗级加强，官宣的
视频看着就是舒服！
我认为AI在这方面能帮助美术同事减轻很多不必要的工作压力。例如把人物从背景抠出来这些烦而不难的工作，在AI的加持下将会变得更简单，操作将会变得越来越智能。
对了，二次元的老婆，可以直接批量生产。
机器之心：想用StyleGAN生成老婆？来看看这个小哥的复现细节吧
这里用到的是对抗神经网络GAN。这项技术甚至可以让你的老婆生成不同的表情。
建模
2D转3D的GAN，通过照片，原画直接生成3D模型，可能在不远将来就能实现。这不是神笔马良？
但这项技术目前还不够成熟，距离实际生产应该还有一段距离吧。
AI科技大本营：AI做不了“真”3D图像？试试Google的新生成模型
动作
现在角色动作很多时候，还必须由动作设计师逐个骨骼调整。而动作捕捉技术虽然成熟，但价钱挺贵的。
那能不能加起两三台手机就能做出轻量级的动捕系统呢？
答案是目前还没有。但我估计未来不久就可以做出来。
人脸识别或者目标检测算法，可以跟踪屏幕上的物件。将其映射到3D骨骼上应该也不是难事。
在扩散一下思维，只需要找到适合的
视频，就能把动作套到模型上。
想一下，做怪物猎人就不用再动捕了，直接在动物世界找个片段就好。(说笑)
《怪物猎人世界 Iceborne》金狮子动作捕捉幕后花絮
现在表情已经可以捕捉了。
其实表情演出，已经能大大丰富游戏的戏剧性。
蒙皮贴图
通过GAN和风格转换技术，做到输入一张图，按照该图的风格配色，应该很成熟的功能了。
一波：浅谈风格迁移（二）任意风格迁移
ICON
输入icon的文字，加上游戏风格。
通过nlp + 知识图谱 + GAN的结合或许已经能实现了。
如果用在游戏制作，可能会较为粗糙。但如果是让玩家自己生成家徽，战旗等图标，或者是个好主意。
2.文案
利用GTP2.0技术，可以进行一小段文字的扩写。
外国有人已经做成了游戏，不过还不够成熟。
但如果加上知识图谱呢，或许效果会不错。
给AI一段故事，就能变成漫画，这个来自人大微软和北影的AI，要启发
电影人的灵感
量子位：谁说AI写故事逻辑乱？试试这个文字冒险游戏，情节丰满紧凑，我进去就出不来了
这就是就是没有灵魂的文字。但一些边角料的文字，甚至大量没灵魂的外包文字将会被AI替代。
但，个人认为，一种全新类型的游戏可能会从这点开始萌芽。
3.配音
Google AI的Duplex 和 苹果的siri
Google AI-Duplex打电话 谷歌人工智能中文字幕_哔哩哔哩 (゜-゜)つロ 干杯~-bilibili
个人认为，现实玩家一般来说比较复杂，让AI完成对话任务估计要求挺高的，不容易。
但或者我们可以用某人的声线，通过AI为我们的文本进行配音。
虽说配音是门艺术，但一些边角料的配音AI还是能胜任和支持的，并且我们不能低估AI发展的速度。
4.音乐
音乐可以自动生成，并且太多了。
量子位：用AI作曲，现在你也可以
5.商业化
例如某款游戏会不断更新，并且推出新的道具，老道具会打折出售。
那我们应该为某个玩家优先推送那一条信息呢？
利用大数据我们可以对玩家的需求更有把握。就像淘宝一样。
游戏人何去何从？
说到这里，相信很多同事都要把我给杀了。AI这摆明抢饭碗吧！
的确，AI不但在抢劳力工作的饭碗，很大一部分重复型的智力劳动都会被抢走。
说句狠点的，目前游戏制作中的外包都会消失。
但个人觉得，游戏人有一种东西，AI是抢不走的。
对体验的敏感度
现在用计算机生成一个二次元老婆是很简单的事。甚至都不用画。
但作为一个角色，你认为怎样的二次元老婆会受到市场的喜爱？假设AI能写很流畅的剧情了，足够打动玩家吗？假设马良的神笔真的可以出现，那么玩家喜欢怎样的风格呢？
最近在玩Ori2，在Ori2中有三段逃亡关卡，仔细听，每个关卡的BGM虽然旋律一样，但编曲都不相同。
第1、3段用了很重的鼓点，来营造气氛。
但第二段却用了弦乐，为什么？
这是因为第二段的操作更多是长按操作，弦乐和长按操作更加配合。
这些微小的体验差距，最终只有游戏的设计者才能判断。
AI能让游戏制作变得简单，但怎样的游戏会让玩家喜爱，让自己喜爱？这归根到底是体验的敏感度。
鲁迅曾经说过：当AI发展起来，最有价值的人将会分为两极。
面向技术：能掌握高精尖技术的高端Kaiyun官方网站app登录 。
面向人：能掌握人的心理，喜好的人。包括沟通、营销、设计、当然也包括一些手工匠人(卖情怀)。
还有能连接这两极的人。
