Eidos 探索機器學習遊戲 AI：不再靠寫死行為樹，讓 Boss 聰明又好玩

玩動作遊戲被 Boss 虐得想摔手柄，或者嫌敵人太呆像在按劇本走位，大概是每個玩家都經歷過的事。以往要把敵人的反應調得恰到好處，背後是一群策劃和程式設計師在龐大的程式碼樹裡反覆拔河。

在 Unreal Fest 2022 上，來自遊戲工作室 Eidos-Sherbrooke 的機器學習專家 Romain Trachel 和 Alexandre Peyrot 拿出了一個新玩法：他們試著用機器學習模型，接管遊戲敵人的大腦。

把虛幻引擎當感官，機器學習當大腦

傳統的遊戲 AI 大多依賴行為樹。策劃要一層層羅列變數和分支條件，一旦要調整難度，就得在無數個邏輯分叉裡找平衡，改動起來牽一髮而動全身。

Trachel 和 Peyrot 的做法把這套邏輯拆開了。他們利用虛幻引擎原生的環境查詢系統（EQS）收集空間環境資料，當作 AI 的眼睛和耳朵；後端的機器學習模型則充當大腦，根據這些感知資料即時決定該怎麼行動。

他們在現場演示了一款類似《吃豆人》的俯視角貓鼠追逐遊戲。玩家在地圖上收集光球，敵人負責追擊，但敵人的巡邏和圍堵全都沒有寫死指令碼。如果策劃想讓敵人追得更兇，只需要在 EQS 測試裡調高一個參考數值，不需要去重寫底層的決策分支。

AI 太聰明，反而不是好事

很多人以為用上 AI 就能做出完美敵人，但做遊戲最怕的恰恰是 AI 太有效率。

兩位研究員曾測試過一個多輸出模型，它不僅能預測玩家的路線，還能推算玩家吃球的得分節奏。結果這個高智商模型學會了最務實的一招：直接蹲守在關鍵光球旁邊守株待兔。從勝率上看這很聰明，但從遊戲體驗來說，玩家被伏擊得毫無還手之力，樂趣直接歸零，最終這套方案根本沒敢拿出來展示。

Trachel 和 Peyrot 坦言，他們的目標不是造出像 Deep Blue 或 AlphaStar 那樣碾壓人類的怪物，而是給開發者減負。遊戲測試公司 Modl.ai 的聯合創始人 Julian Togelius 也持類似觀點，他們五年來一直用機器學習 Bot 在遊戲裡四處亂撞，尋找畫面 Bug 和無法通關的死局，目前還在研發能跨遊戲模擬真實玩家習慣的深度學習模型。

為什麼重要

我們認為，這項實驗最大的價值不是技術有多顛覆，而是它找準了遊戲 AI 的真需求：玩家要的從來不是最強的對手，而是最好的陪練。

在競技領域，AI 可以不擇手段拿最高分；但單機和動作遊戲本質上是一場心理按摩。如果把勝負當唯一目標，AI 會像那個守球的敵人一樣無聊到底。Eidos-Sherbrooke 這套方案聰明的地方在於，它沒有把老工具推倒重來，而是將機器學習塞進虛幻引擎現有的 EQS 框架裡，把程式設計師從繁雜的行為樹微調中解放出來。

不過隱患也很明顯。黑盒化的機器學習模型天然缺乏確定性，遊戲策劃最在乎節奏的掌控權。如果 AI 偶爾抽風做出怪異舉動，排查和修正的成本可能比改傳統邏輯還要高。短期內，這項技術更實際的落地場景大機率不在遊戲正式版的 Boss 身上，而是在 Modl.ai 那樣的自動化測試和難度驗證裡，幫團隊提前把枯燥的死角試個遍。