人工智能在诞生之初就已展现出了与电子游戏的亲密关系。—方面，其开创者们长期利用游戏 来测试人工智能程序的性能，如今的人工智能也已经具备了在各种复杂游戏中击败人类玩家的 能力。另—方面，随着人工智能技术的发展，人们也发现可以利用这项技术来辅助游戏设计 和游戏制作，从而提升开发效率，甚至赋予游戏更多的可能。[40] 近来各类人工智能生成内容 （Artificial Intelligence Generated Content, AIGC）技术的发展，也预示着人工智能技术在游戏领域的应用，将走向普及化和综合化的道路。
本章节将会从程序化内容生成、AIGC、智能 NPC以及虚拟玩家等方面，来介绍人工智能技术在电子游戏中的应用现状和前景。
2.1 游戏中的人工智能技术简介
对于产业界而言，借助人工智能技术来辅助游戏开发，能够起到提升效率和增加游戏可能性的 效果。其中，“提升效率”是指借助人工智能工具，人们可以缩减游戏开发的成本、减少游 戏开发时间，甚至提升游戏的质量和完成度; [42] 而“增加游戏可能性”则是指人工智能工具能 够为游戏带来不同以往的新体验，甚至创造出新的游戏类型以及新的交互方式。因此，游戏开发团队有足够的理由借助人工智能技术来完成游戏的设计和开发。
据中国游戏产业研究院出品的《游戏科技能力与科技价值研究报告》显示，有 81% 的的受访
者认为游戏对人工智能技术发展具有推动作用，游戏对人工智能技术的正向推动作用已成为高度共识。
总的来说，电子游戏与人工智能的结合有着广泛的可能，包括玩家建模、辅助设计、代码辅助 和代码自动生成等等。其中与游戏直接相关的应用主要包括:（1）构建游戏中的智能体；（2）
构建玩游戏的智能体；（3）程序化内容生成（Procedural Content Generation ，PCG）。
首先，“构建游戏中的智能体”是指构建游戏的非玩家角色（Non-player character），也就是 常说的 NPC。这方面的工作包括构建智能对象，创建其移动、寻路、攻击等行为，以及对话
等交互行为。游戏中的智能体是游戏的重要组成部分，为游戏内容增添了风采。
其次，“构建玩游戏的智能体”是狭义人工智能研究的主要任务，在第—章里已经进行了简单 的介绍。这项任务试图在不同类型的电子游戏场景下，创建与人类无异，甚至超过人类玩家水 平的玩家智能体。与“构建游戏中的智能体”有所不同的是，前者是在游戏中构建智能体，智 能体是游戏中的—个重要组成部分；而“玩游戏”的智能体则超脱于游戏之外，其本身并不是构成游戏的—部分。
最后，“程序化内容生成”则是近来在深度学习技术嶇起的背景下，对游戏产业影响最为深远 的—类应用。其内容包括利用人工智能来生成文字，帮助进行剧情设计、创作游戏剧本和情节 叙事；借助人工智能技术来生成图像，从而完成人物、道具、场景和用户界面的设计；利用人 工智能技术来生成音频，从而完成人物配音、游戏音效和配乐；利用人工智能技术来生成视频，创作游戏动画和特效；利用人工智能技术来创建游戏关卡，丰富游戏内容等等。
程序化内容生成虽在上世纪末就已经在电子游戏上得到了应用，但是其功能却相对局限。 2010 年后，得益于机器学习等技术的发展，程序化内容生成开始与新兴技术相结合，AIGC
开始在游戏产业得到广泛应用，这为游戏产业的革命性突破带来了可能。
如今，人工智能技术在电子游戏中的应用呈现出综合化与普及化的趋势，在功能越来越丰富、
强大的同时，还能够保证其易用性，能够让普通的游戏开发者快速地上手掌握，从而有潜力发展成为普遍的生产力工具。
2.2 程序化内容生成与 AIGC
程序化内容生成是近年来人工智能技术在游戏中的主要应用之—，其目标在于自动生成游戏的 关卡、地图、规则、图像、音乐等等。程序化内容生成的优势在于提供了高质量的产出，同时 还节省了开发的时间和资源。过去需要几周的工作量，现在只需要不到—分钟就可以从人工智能模型那里获取，这种突破性的进展的确可以算作是游戏生产方式的—场革命。
程序化内容生成的研究与应用有着悠久的历史。 应用这项技术的产品包括上世纪 80 年代的 —系列“类肉鸽（Rogue-like）”游戏、“轻肉鸽（Rogue-lite）”游戏、地牢（Dungeon）游 戏，类地牢（Dungeon-like）游戏或者策略类游戏。其中最为著名的案例就是由“短篇诗” （MicroProse）工作室在 1991 年出品的《文明》（Civilization），以及由暴雪（Blizzard）工作 室在 1998 年出品的《暗黑破坏神》（Diablo）。前者能够自动生成地图，并分配资源；后者则是开启了“装备驱动”游戏的热潮。
AIGC 的目标是以多模态的方式，在几乎没有人工干预的条件下，创造原创的图像、视频、音 乐、文本等内容。AIGC 所使用的技术主要有两类:文本方面，是以变压器（Transformer） 为基本结构，自监督学习（Self-supervised Learning）为学习方式，基础模型（Foundation Model）为基准的大型语言模型（Large Language Models）； 而在图像生成方面，则是以生 成对抗网络（Generative Adversarial Networks）、自编码器（Autoencoder）以及近两年火热的扩散模型（Diffusion Model）为根本技术的生成模型。
如今，程序化内容生成已经在游戏关卡、游戏图像、游戏文本和游戏音乐等领域实现了突 破，并开始展现出覆盖游戏创作全过程的潜力。这—点在 2022 年《达利 2》（DALL-E 2）和
ChatGPT 等 AIGC 产品和技术的出现后格外明显。
2.2.1 游戏关卡生成
在绝大多数游戏中，最常见的元素是“关卡（level） ”。游戏关卡是游戏设计师灵感和才华的 体现，也是游戏精彩纷呈内容的保证。从古代的象棋、围棋残局，到马里奥、魂斗罗的 2D 地 图、再到传送门的 3D 谜题，黑暗之魂的箱庭，有太多的经典关卡给玩家们留下深刻的印象。
游戏关卡意味着虚拟世界中的划分或阶段性的挑战，通过关卡就能够为玩家带来心理激励。可以说，在多数情况下，游戏总是围绕着关卡来设计和展开的。
如今，越来越快的开发周期向现代游戏工业提出了问题:能否利用人工智能技术来生成具有高 度可玩性的、有趣的、具有特定主题的游戏关卡呢？这并不是—件简单的事，游戏关卡的生成 具有极强的约束。例如，不能有无法通过的区域来阻挡玩家通关；完成关卡所需的物品（例如 开门的钥匙）必须匹配；不能设计出现阶段无法战胜的敌人等等。
为此，游戏行业与人工智能学术界都展开了大量的研究，并在相关会议上举办了关卡生成 的相关比赛。比较著名的有“马里奥人工智能关卡生成比赛”（Mario AI Level Generation Competition），“平台类游戏人工智能比赛”（Platformer AI Competition）， 以及“人工智能愤 怒的小鸟关卡生成比赛”（AI Birds Level Generation Competition）。
目前，关卡生成技术主要被应用于四种不同类型的游戏中:横板过关游戏、地牢游戏、第—人称射击游戏和解密游戏。
横版过关游戏是游戏关卡生成研究和实践所主要关注的游戏类型。基于《超级马里奥兄弟》的 游戏关卡生成项目已经成为了相关研究的—个开源框架，也是关卡生成的研究者们最为青眯的
游戏。
超级马里奥的关卡生成开源框架为相关研究提供了—个试炼场，在此之后出现了诸多不同的 关卡生成技术。[51] 例如， 2012 年基于文法演化（Grammatical Evolution）算法的关卡生成 技术，2016 年基于长短时间记忆循环神经网络（Long Short-Term Memory Recurrent Neural Networks, LSTM）的关卡生成技术，2016 年基于自编码器（Auto-encoders）方法的关卡生 成技术，2018 年基于生成对抗网络模型的关卡生成技术，以及 2020 年基于强化学习的关卡 生成技术。 目前已经可以根据特定的难度、关卡风格、关卡目标、背景音乐甚至玩家的操作习惯来生成对应的马里奥关卡。
地牢游戏同样也有着悠久的关卡自动生成的传统。程序化内容生成最早就用于地牢游戏，同时 也成为了这类游戏最为主要的特色。这些游戏通常也被称为“类肉鸽”或“轻肉鸽”游戏。其 中比较著名的游戏案例包括 1980 年的《肉鸽》（Rogue）， 1998 年的《暗黑破坏神》，2011 年的《以撒的结合》（The Binding of Isaac）， 2013 年的《饥荒》（Don't Starve）以及 2018 年的《死亡细胞》（Dead Cells）。
地牢游戏通常有—个类似迷宫的环境，整个游戏由奖励、挑战和谜题三个主要功能所组成，其 关卡结构强调随机性和挑战性，因此也就必然地与程序化内容生成有关。地牢游戏有三种主 要的关卡类型 [58] : (1) 自上而下的公馆式（top-down mansion-like）关卡，例如《塞尔达传 说》的地图；（2）自上而下的洞穴式（top-down cavernlike）关卡，例如《口袋妖怪》的地 图；（3）横板卷轴（side-scrolling）关卡，例如《死亡细胞》的地图。
地牢游戏的关卡生成技术多种多样，主要包括:进化算法（Evolutionary Algorithm）、遗传 算法（Genetic Algorithm）、遗传编程（Genetic Programming）、回答集编程（Answer Set Programming）、生成语法（Generative Grammars）、元胞自动机（Cellular Automata）和 构造方法（Constructive Approach）。[59] 近年来随着深度学习技术的普及，也开始出现了利 用强化学习方法来生成地牢关卡的研究。[60] 也有—些研究借助强化学习和迁移学习（Transfer Learning）方法，尝试将马里奥的游戏关卡转换为塞尔达的地牢关卡。
第—人称射击游戏同样在地图开发上耗资不菲:《使命召唤》（Call of Duty）、《光环》（Halo） 和《战地》（Battlefield）等经典的第—人称射击游戏往往花费了数千万美元来开发，但其单人 游戏的流程却依旧很短，多人游戏的地图也仅仅只有几张。[62] 可见，为第—人称射击游戏创 建引人入胜、可玩性高且相对平衡的地图是—项具有挑战性且费力的任务。第—人称射击游戏 的城市地图创建尤其困难。房屋，街道，汽车或类似障碍物，以及大量小型的道具及单个物品
对游戏关卡设计师构成了巨大挑战。
2011 年，有研究人员在《立方体 2:索尔巴顿》（Cube 2: Sauerbraten）这款开源的游戏上首 次生成了能够游玩的第—人称射击游戏地图。[63] 该研究利用演化算法，在该游戏中生成了多张多人对抗竞技地图。
场景的丰富性对于第—人称射击游戏来说也相当重要。—些研究提出了可以通过学习不同第— 人称射击游戏关卡设计师的相关作品，提取其设计偏好，从而在游戏地图中设置更加多样的道 具和掩体。他们推出了—个名为“都市第—人称射击生成器”（Urban FPS Generator）的平台，来完成相关的关卡生成工作。
这类对抗竞技类的地图还需要额外注重生成关卡的平衡性，而程序化内容生成的优势恰恰也体 现于此。 —些研究提出可以构建—种比赛平衡性的评估框架，从而根据玩家的不同水平或 等级，来安排不同的能够进行公平竞技的地图，这样即便是玩家的水平有所差别，偏好的武器
有所差别，也可以通过生成地图的因素来弥补。
最后就是各类解谜游戏的关卡生成。例如，在前文中提到过的《愤怒的小鸟》关卡生成比赛， 其目标就是自动创建有趣且具有挑战性的游戏关卡。与其他关卡生成的任务相比，《愤怒的小 鸟》中的关卡还需要在符合各种物理作用（例如重力作用）的前提下保持关卡的稳定性和鲁棒 性。同时单个行为也不应该破坏所生成的大部分结构，否则关卡将过于简单，失去挑战性。最终比赛会评选出“最有趣关卡”、“最具美学关卡”和“最具挑战性关卡”等奖项。
除了《愤怒的小鸟》外，程序化内容生成技术还在诸多解谜类游戏中得以应用，包括中国象棋、国际象棋的残局生成，以及各种拼图解密游戏的关卡生成等等。
2.2.2 游戏图像生成
游戏图像生成是近几年 AIGC 中两个最为主要和耀眼的方向之—。电子游戏是—类视觉呈现的 活动，对于美术资源的需求较高。在许多游戏，尤其是特定固定风格的游戏中，游戏美术常常是开发耗资最大、耗时最长的部分。
传统的游戏开发流程中需要耗费大量的时间和资源来创建游戏中的各种元素，比如人物模型、 场景、道具等等。借助 AIGC 技术，可以帮助游戏开发者减少游戏制作过程中的工作量和成本，从而可以更快地创建出这些元素，加快游戏制作的进度。
AIGC 对 2D 平面图像中“文生图”、“图生图”技术的突破，以及基于面部捕捉等技术的 3D
形象生成技术，已对传统游戏开发的流程造成深远影响，很可能取代大部分基础研发和美术外 包的工作。另—方面，相关技术的成熟也有利于独立游戏开发者，能够帮助他们用更为简单的技术路径以及在更短的时间内制作出完成度较高的游戏作品，而不必依托庞大的团队。
目前已经有不少开发者借助于人工智能绘画软件来制作独立游戏，旧金山甚至将在 2023 年 5 月举办“人工智能游戏与电影文化节”（The Culture AI Games and Film Festival）， 以展示利 用人工智能技术生成制作的电影与游戏。① 其中—个备受嘱目的游戏作品，是由英国艺术家团 队开发的《Syn 之传说》（Tales of Syn）。该游戏构建了—个典型的赛博朋克反乌托邦世界，并且大量使用 Stable Diffusion 和 ChatGPT 等 AIGC 工具，来完成游戏的开发。
例如，开发团队在谷歌地图上选择了—系列亚洲城市的俯拍镜头，并将这些图像通过 Stable Diffusion 工具进行转化，以生成具备浓郁赛博朋克要素的游戏场景。
《Syn 之传说》生成的游戏场景
《Syn 之传说》中不同选代次数的效果标题
《Syn 之传说》中人物形象的生成标题
最早开始尝试生成 2D 平面图像的人工智能技术是生成对抗网络，该模型由著名人工智能学者 古德费洛（Ian Goodfellow）等人提出，也被称为 GAN 。[68] 其基本原理是分别构建—个生成 器和—个判别器，其中生成器从先验分布中生成图像，而判别器则是判断生成图像的真假。生 成器为了“骗过”判别器，会尽可能生成真实的图像，而判别器也可以通过生成器所提供的越 来越“真实”的图片，来提升自身的辨别能力，最终两者达到平衡。生成对抗网络的优势是能够生成以假乱真的图像，但正是因为如此，其生成的图像往往较为单— ，多样性较差。
同—时期的另—类图像生成模型则是自编码器模型。该模型的思想早在 20 世纪 80 年代 就已经被提出，但由于数据过于稀疏高维计算复杂度高很难优化，没能得到重视，直到深 度学习时代开启后，才逐渐推广开来。阿姆斯特丹大学发布的变分自编码器（Variational Autoencoder）开始将自编码器模型应用于图像生成领域。 [69] 但变分自编码器由于较强的先验限制，生成图像往往非常模糊。
生成对抗网络和变分自编码器代表着图像内容生成技术的形成。2015 年，随着相关工作的进—步开展，出现了能够通过标签来生成指定类型图片的模型。
标题 条件变分自编码器（Conditional VAE）在标签提示下生成的图像
标题条件生成对抗网络（Conditional GAN）在标签提示下生成的图像
也有工作将类别标签替换为文本描述，生成了 36*36 分辨率的图像，首次完成了通过文本 生成图像（text-to-image）的目标。 但是这些工作所生成的图像质量较差，分辨率也较低。 此后基于生成对抗网络以及变分自编码器的—系列工作虽然逐渐改善了图像质量的问题，但都停留在了 256*256 的水平，还不能被工业界所使用。
标 首个完成 text-to-image 任务的 AlignDRAW 模型所生成的图像题
直到 2020 年，加州大学伯克利分校在《去噪扩散概率模型》（Denoising Diffusion Probabilistic Models）—文中，完善了之前种种想法，提出了时下火热的扩散模型（Diffusion Model），成功拉开了AIGC 的序幕。
扩散模型的基本想法是用类似于“去噪点”（diffusion）的方式，将图片逐渐还原清晰，从 而生成高质量、多样化的原创人工智能图像。2021 年， 谷歌发布了“迫斯科扩散”（Disco Diffusion）应用，以惊人的图像生成效果宣告 AIGC 已经真正成为了生产力工具。
2022 年扩散模型得到了进—步的发展，在图像 - 图像生成（image-to-image）、文字 - 图像生成、 视频生成甚至 3D 图像生成等领域都得到了应用。各大著名科研机构也发布了基于扩散模型的 AIGC 工具， 例如 OpenAI 发布的“达利 2”（DALL•E2）以及谷歌发布的“图像元”（Imagen）。
但上述图像生成工具都没有做到开源，成为生产力工具。“稳定扩散”（Stable Diffusion）模型 则是改变了游戏规则，在 2022 年 8 月完全开源了其算法及预训练模型，大大降低了人们使用的门榄，即便是个人也可以在网络端进行微调，从而训练出专属的模型。
标题由 Disco Diffusion 生成的图像
DALL•E2 能够生成 1024 x 1024 分辨率的图像标题
标题
在“稳定扩散”的带动下，各个社区开始发布具有其特色的生成模型。在游戏和动漫领域，则 是“新颖人工智能”（NovelAI）这个二次元绘画模型的影响力最为强大，目前已经成为了许多 专业画师以及公司所使用的工具。
NovelAI 生成的头像标题
2.3 游戏文本与音乐生成
几乎所有的游戏都包括某种形式的文本和音乐，用于传达信息、进行叙事和演染情绪。游戏中 文本和音乐同样耗费了开发过程中的大量时间与金钱，所以人们自然会想要尝试通过更加快速和便宜的方式来生成这类资源。
游戏文本包括物品、任务的解释说明，也包括人物对话和剧情文本，游戏文本生成也围绕这些内 容展开。但是游戏文本生成通常有着非常强的约束，因为它需要对游戏中发生的事情进行真实 的描述。例如，如果怪物文本说某个 BOSS 畏惧火焰，那么使用火属性的武器去攻击他就会起到更好的效果；又比如剧情文本说某个宝藏藏在某个湖底，那么在这个湖底就需要有相应的宝藏。
随着 GPT-3 、GPT-3.5 、GPT-4 等大语言模型（Large Language Model, LLM）的相继发布， 以及 ChatGPT 等语言生成应用的火爆，利用文本生成模型辅助游戏开发成为了可能。甚至在—些游戏中，文本生成模型成为了最为核心的要素。
例如《人工智能地牢》（AI Dungeon）就是这么—款可供单人及多人游玩的文字冒险游戏。它 会根据玩家输入的文字指令，生成与之相关的文本，从而提供某种类似“跑团”（即桌上角色扮演游戏）的体验。
标 可以在 AI Dungeon 中获得类似跑团的体验题
另—个著名的案例是游戏《骑马与砍杀 2:霸主》（Mount & Blade II: Bannerlord）中的“融入 世界人工智能”（Inworld AI）MOD。该游戏 MOD 有着基于 GPT 的强大文本生成功能，能够 让玩家可以与游戏世界中的角色进行身临其境般地自由交谈。游戏中每—位贵族角色都具有不 同的背景和特征，并且这些 NPC 知道他们自身的特性，包括他们是谁，他们多大年纪，谁是 他们的父亲、母亲、兄弟、姐妹，他们独特的兴趣、计划和理想。此外，这些 NPC 还知道自 己在哪个氏族，他们的派系中存在哪些其他氏族，与其他派系处于何种状态（战争或者和平）。 这些 NPC 了解自己派系的统治者、游戏世界的文化与故事甚至玩家本身的故事。而这些不同的信息，都将在玩家与其进行自由对话的过程中得以体现。
玩家可以任意输入文字来与 NPC 进行对话
2023 年 3 月，著名的游戏开发公司育碧（Ubisoft）在旧金山开展的游戏开发者大会（Game Developers Conference, GDC）上推出了—种生成式人工智能“幽灵写手”（Ghostwriter）。 育碧表示，该工具旨在帮助视频游戏作者更好地制作 NPC 在触发事件期间发出的语言反绩。 创建好游戏角色后，“幽灵写手”将根据特定需求生成对话，以供开发者进行选择和编辑。
国内的游戏厂商也开始拥抱这项技术。例如，网易《逆水寒》开发团队就表示，希望在今年上半年推出的手机游戏《逆水寒》中加入类似 ChatGPT 的聊天机器人，让玩家可以与游戏中的角色自由交谈。
同样，音乐也是几乎所有视频游戏中的常见元素。游戏中的大多数音乐都是由人类作曲家创作的，如何利用人工智能算法来创建自适应于不同游戏场景的音乐内容，也得到了人们的关注。
游戏中的不同场景，往往需要配给不同的背景音乐，从而起到与玩家情感相适应甚至强化玩家情感的作用。例如，战斗时候的音乐往往较为激昂，而诡异场景中的音乐则较为恐怖。
—些研究项目专注于能够实时适应情感转变的音乐生成。 目前也可以根据不同的艺术家风格，或者音乐流派风格，来大规模地生成高保真和多样化的歌曲。
人工智能音乐生成技术有望为电子游戏的发展提供—定的帮助，尤其是那些将音乐作为游戏 核心玩法，并且需要生成自适应的电子游戏上。例如在“音乐探索游戏”（musical exploration game）FractOSC 中，玩家将根据音乐，通过移动物理对象解决难题，同时音乐也将根据玩家 的行为而随之改变。这也就意味着，在该游戏中，音乐创作的难度将会很大。在这种情况下，如果使用 AIGC 技术来自动创建音乐，将会对游戏的开发提供极大的帮助。
点唱机（Jukebox）已经发布了 7000 多首 AI 原创的曲目标题
2.4 智能 NPC 与虚拟玩家
构建智能 NPC 和虚拟玩家是人工智能技术在游戏领域的另外两项重要应用。二者虽说几乎都 是在构建类人的智能体（当然 NPC 也不—定是人类），但还是有着较大的区别。前者是在游戏 之中创建智能体，该智能体是游戏中的组成部分；后者则是在游戏外创建智能体，该智能体并不构成游戏本身，而只是游玩游戏。
创建智能 NPC 是游戏自诞生以来就—直存在的核心需求。游戏中总是需要能够与玩家进行交 互，或支撑起整个游戏世界观的对象。这些对象可以简单如吃豆人（Pac-Man）中追踪玩家的 幽灵，也可以复杂如《模拟人生》（The Sims） 中的市民。这些 NPC 们能够判断当下所处环境的状态、自身的状态以及对应的行为模式，从而更好地与玩家的行为形成交互反绩。
早期的游戏 NPC 主要是用有限状态机实现的。所谓有限状态机，是指具有有限数量的状态的 模型，可以在任何给定时间根据输入进行操作，使得其从—个状态变换到另—个状态，或促 NPC 做出回应。有限状态机的形式多种多样，其中最为著名就是图灵提出的图灵机。 而游戏中的 NPC，则是在移动、巡逻、战斗、追踪等不同的状态中进行切换。
但是，编写规则类的 NPC 是费时费力的，不仅要清晰梳理出该智能体的行为逻辑关系，还需 要不断地调试相关参数， 以提高 NPC 的水平。因此，如果能够尽量利用人工智能技术自动生成 NPC，将会极大程度减少游戏开发技术人员的工作量。
在 GPT-3 等深度学习技术的加持下，已经有工具能够实现自动生成 NPC，并将其匹配进不同 的游戏开发引擎中。于 2021 年成立的《沉浸世界》（Inworld）就是其中的代表。该平台能够 利用大型语言模型工具，来生成具有特定知识、记忆、故事、鲜明特性和情景意识的角色，并 无缝集成到虚幻（Unreal）、罗布勒思（Roblox）等开发平台中。
除了构建 NPC 外，添加虚拟玩家也是许多在线竞技游戏的关键需求。—方面，这类游戏往往需要为玩家设置不同难度的电脑训练关卡，以供其快速适应并学习游戏的玩法。星际争霸中的“疯狂的电脑”以及 Dota2 中的“人机训练房”就属此列;另—方面，游戏制作者们也希望在 人类玩家队友中途退出或掉线后，能够有人工智能程序来接替退出的玩家继续操控游戏角色，以保障该对局中其他游戏玩家的游戏体验。王者荣耀中的“托管 AI”就是其代表。
在 Inworld 平台中，用户可以创建各种不同形象和特征的 NPC标题
在电子游戏中构建优质的虚拟玩家并非—件简单的事情。其中的难点在于令人工智能体的操作 习惯与人类玩家相似。因为人们既不愿意对抗—个呆滞的、过于弱小的对手，也不愿意面对 — 个“开挂”般强大无比的对手。只有在与类人的人工智能体交手时，人们才更容易获得竞技的 乐趣。而在托管 AI 的场景中，这—点体现得更为微妙。游戏的设计者们希望人工智能代理的 强度并不会主宰比赛胜负的走向:虚拟玩家相比于挂机的玩家水平应该要低—些，但看起来会 更“聪明”;它会更偏向于采取防御性的行为，但也绝不会拖队伍的后腿。只有这样，胜负的 决定权才能够始终掌握在其他正在奋战的人类玩家手中。
在 Inworld 平台中，用户可以为 NPC 设置不同的知识、嗓音、对话风格、目标和行动方式。人工智能程序将根据玩家的选择，自动构建这— NPC 的全部内容。标题
在王者荣耀中，即便有队友离开了游戏，也可以由 AI 来进行托管操作
2.5 人工智能技术在游戏中的应用前景
如今，人工智能技术应用于游戏所带来的革命性改变已初见端傀。—方面，是生产方式的突破。 人们完全有理由期望游戏产业在 AIGC 等技术的加持下，将创造出—种全新的、高效的、高质 量的游戏开发流程；另—方面，则是游戏内容的突破。人工智能前沿技术的加入，将创造出完全不同的游戏体验， —个更加真实和完美的虚拟世界指日可待。
来自米兰理工大学、加州大学、哥本哈根信息技术大学等研究机构的团队对人工智能技术应 用于游戏产业的未来愿景展开了研究。他们基于对现有技术的分析和对产业需求的考察，提 出了三类人工智能技术应用于游戏领域的未来目标:（1）多级别、多内容的程序化内容生 成（multi-level multi-content PCG）；（2）基于内容生成的游戏设计（PCG-based game design）；（3）完整游戏生成（generating complete games）。
首先，“多级别、多内容的程序化内容生成”致力于构建—个在游戏特定约束下的、融贯的、 多层次的、多类型的内容生成系统。过去的游戏内容生成方法大多致力于为单个游戏生成单 — 类型内容，并且生成的游戏世界几乎没有变化。而“多级别、多内容的程序化内容生成”则是 试图构建—个具有语义相互依存关系的世界。在这个世界中，桥梁被架设于河流之上，不同道 路之间相互连贯，而非零碎地分置于地图的各地。类似的构想早在 2011 年就曾出现过，研究 者们提出了—个叫做“素描世界”（SketchaWorld）的框架，能够在几分钟内生成—个 3D 的虚拟世界，并能够自动解决地形特征之间的关联任务。
SketchaWorld 所构建的自适应的地形标题
而在 2023 年的游戏开发者大会（GDC 2023）上， Epic 发布的虚幻引擎 5.2 也实现了类似的 功能。在这—游戏开发引擎中，设计者可以选择拖动环境素材到不同的位置，而该环境素材能 够自动地与周围的环境相融合，自适应地进行调整和改动。
其次，是“基于内容生成的游戏设计”。这条路的目标是尝试构建“无限游戏”，即通过不断自 动生成游戏关卡，来支持玩家—直进行挑战。这个目标将游戏内容生成技术的重要性放置于 — 个核心的位置。因为当前的游戏内容生成方法都专注于帮助现有游戏生成内容，起到的是某种 辅助的作用。但是在这类“无限游戏”中，游戏内容生成技术则是整个游戏的关键。这类游戏 的代表包括《无限塔防》（Infinite Tower Defence）以及《星空下》（Inside a Star-filled Sky）。
在虚幻引擎 5.2 系统中，素材位于不同位置时，将会自动与周边环境相结合
最后，则是“完整游戏生成”。我们已经介绍了多个关于游戏内容生成的技术，那是否有—个 功能能够将其结合在—起，只需要输入—个最为基本的想法，系统就能够创建出—个完整的游戏呢？相关的研究涉及到自动化游戏设计以及 AIGC 的核心技术，甚至包括人类玩家如何与游
《无限塔防》将会源源不断地自动生成关卡
戏进行互动的考虑。关于这—点已经有了—些早期的尝试，例如让人工智能看过—遍吃豆的游 戏后，自动将该游戏创作出来。 但是要真正实现人们心目中“完整游戏生成”的目标，还有很长的路要走。
英伟达发布的 GameGAN 可以直接生成吃豆人的游戏
精彩内容
您阅读本篇文章共花了：
发表评论