以《AI War》为例阐述AI元素概念与代码（1）

作者：Christopher M. Park

很多人都对《AI War：Fleet Command》中的AI是如何运行表示好奇，而比起大多数RTS游戏中的AI，我们已经获得了更加现实的策略/战略结果。在本系列文章的第一部分中，我将概述我们所使用的设计原理。（请点击此处阅读本文第2部分）

决策树：大多数RTS游戏中的AI

首先，大多数游戏中的AI系统是基于巨大的决策树（如果A，然 后C，如果B，然后D等等）而运行。这将在某种程度上帮助人类行为，但这却需要更多的开发并最终获得可利用的缺陷。自从1998年以来，在每一款RTS游戏中我最喜欢的例子便是他们是如何围绕着墙进行探索；如果墙体有一道缝隙，那么AI就会总是努力穿过这个洞。人类玩家会在敌人卡住的这个缝附近集结大量单位，玩家其实是利用这个洞作为陷阱来“欺骗”AI。但AI还是会一波又一波地朝那个洞去送活。

这一基于规则的决策树不仅编程工作量大，而且容易被玩家作为漏洞加以利用。而为了模仿人类玩家是如何游戏的，我们就更需要使用这一方法。一开始我使用了决策树，但是很快地我便意识到这有点无聊，因为它只停留在基本的概念层次—-如果我想要与人类对抗玩游戏，我只需要与其他人进行游戏便可。我真正希望的是AI能够基于全新方式而行动，即不同于其他人类所做的那样，就像与Skynet或《Ender’s Game》中的Buggers进行对抗一样。玩家会觉得AI足够新奇且聪明，而因为比起CPU，人类的大脑具有不同的优势与劣势，所以AI在面对恐怖场景时的表现也与人类不同。在小说和电影中有许多关于这种情况的例子，但是在游戏中却并不多。

分散的智能

我所采取的方法（并在游戏开发早期阶段快速获得意想不到结果）便是模拟每个个体单位的智能，而不只是模拟一个完整的控制智能。如果你读过Michael Crichton（游戏邦注：美国畅销书作家和影视导演、制片人）写的《猎物》，你就会发现书里的AI有点像成群的纳米机器人。主要的不同在于我的个体单位比起他的纳米机器人更加聪明，因此在我的游戏中，AI群体的数量通常为30至2000艘舰船，而不像纳米机器人那样多大数百万或数十亿。这也意味着我的单位在获得真实感方面具有零风险。对我来说最大的好处便是可以基于较少的代码和代理获得更加智能的结果。

战略层

对于《AI War》中的AI主要存在三个层面：战略，副指挥官和个体单位。所以这并不是一种真正的群体智能，因为它将群体智能（在个体单位层面）与更多全球化规则和行为整合在一起。AI是如何决定巩固哪个星球，或者决定哪个星球发送电波等都是基于逻辑的战略层——全球指挥官。AI在个体星球中决定如何使用舰船进行攻击或防御是基于副指挥官和个体舰船逻辑的结合。

副指挥官

很酷的是，副指挥官的逻辑是完全突发的。基于个体单位逻辑的代码编写，单位可以做些对自己有利的事，但同时也需要考虑群组中的其他成员在做什么。这是一种群集行为理念，但比起移动更适用于战术和目标选择中。所以当你看到AI将舰船送到你的星球上时，将其分化成2至3个群组，并突然撞击你的星球上的各种目标时，你便会意识到副指挥官行为是从未进行明确编程。这里并不存在像游戏代码那样的内容，但是AI却会执行一些类似的行动。AI会基于这种方式做出一些让人惊讶的聪明事，它也从不会做出那些基于规则的AI所做的低能事。

最棒的一点便是这里并不能耍花招。这并不是说系统非常完美，而是如果玩家找到一种方法去欺骗AI，他们就必须全部告诉我，而我可以快速地在代码中添加一个对立内容。因为我们能够即时掌握相关信息，所以游戏中并不存在任何让玩家去欺骗AI的方法。AI只在主机上的一个单独线程中运行着，所以我会分配给它大量的数据处理工作（使用LINQ—-我的背景是数据库程序设计和ERP/财务追踪/TSQL的收益预测应用，许多都与这里的AI相关联）。使用各种变量意味着它可以在不影响双核主机上任何内容运行的前提下做出最聪明的决策。

模糊的逻辑

模糊的逻辑/随机性也是我们AI的另一大重要组件。创造一个不可预测的AI系统的一大环节便是确保它始终能够创造出有效的选择，但却不一定是100%的最佳选择（因为具有重复性，“最佳”选择也会变得不那么完美）。如果一位AI玩家只创造过完美的决策，那么你便可以通过想出自己的最佳决策（或者在你的势力中创造一个伪造的弱点，如在墙上设个缺口）去攻击他，然后你便可以预测带有更高精确度的AI将做什么——在许多其它RTS游戏中的特定例子中，这种方法的有效性接近100%。基于适当的模糊逻辑设置，我想说在《AI War》中你能够预测到AI将会做些什么的机会不会超过50%，我们的游戏中设置的是较难预测的方法。

智能错误

需要记住，较低难度级别会故意创造一些愚蠢的决策，就像新手们可能会做的那样（如不顾一切地追寻最佳目标）。这会让更低级别的AI仍然看起来就像一个真正的对手，但却不那么可怕。对我来说，为了降低难度而设置AI便是个巨大的挑战。在某种程度上，这只是在阻止较低级别AI执行最佳战术，但同时我还要在它的决策（在较低级别中所做出的决策）中植入一些不是很完美的假设。

略过经济模拟

最后，《AI War》中的AI是遵循着与人类玩家完全不同的经济规则（游戏邦注：但是所有帧数和大多数策略规则却是一样的）。举个例子来说吧，在大多数游戏中，AI一开始都是伴随着2万以上的舰船出现，但是每个玩家一开始只带有4搜舰船。而如果AI的优势能够完全将你压倒，你便会立刻被击退。就像在《超级玛丽兄弟》中，如果每个关卡中的所有坏人同时向你展开攻击，你便会立刻活去（因此它们被分设在不同地方）。如果FPS游戏中任何特定关卡的所有敌人都直接走向你并准确地朝你射击，你便没有生存的希望。

想想你所玩过的FPS游戏，即模拟你在军事行动中的表现—-所有敌人并不总知道你和同盟在做什么，所以即使敌人拥有压倒性的优势，你也可以通过打击关键目标等方法而获胜。我认为这与现实中的许多情况非常相似，但是你在其它RTS游戏的小规模战斗模式中却不可能遇到这样的情况。

我将在本系列之后的文章中对该话题进行详细讨论，因为这可能成为我在创造这款游戏时所做出的最富争议的设计决策。一些人可能会将其当成一种欺骗AI的形式，但是我有这么做的理由。AI船舰所获得的奖励永远不会超过玩家，AI不会拥有有关玩家活动的过多信息，AI并不会因为玩家的任何行动获得奖励或惩罚。关于游戏中的AI的策略和战术代码使用的是与人类玩家完全相同的规则，这也是我们的智能系统真正突出之处。

不对称AI

在《AI War》中，为了提供程序活动去呈现出大卫对抗巨人歌莉娅之感（注：玩家总是扮演着大卫的角色），我为AI的某部分与玩家行为的对抗创造一个单独的规则。AI经济是基于内部加固点，电波倒计时，以及基于玩家行动增加或减少的整体AI进程数。这能让玩家去设置游戏前进的节奏，从而会添加你通常只能在回合制游戏中遇到的另外一个策略层面。这是一种非对称系统，即你在带有类似人类行动的AI的PVP游戏中不可能看到的，但是它却能够有效作用于AI作为敌人的合作类游戏中。

上述内容在读者当中引起很大的反响，然而有人批评我把它写得太入门/太宽泛。确实，作为本系列的开头，我把难度设得比较低。如果你不是程序员或IA爱好者，那么超过这个程度可能不会让你觉得太有趣。

你这是什么意思，你的AI代码就像数据库一样运作？

大部分人提的第一个问题是，我的AI代码怎么可能像个数据库。在之前的文章中，我已经解释了如何使用常见的ROLLUP。这也有助于AI的表现，但那不是我要说的重点。

我使用LINQ来执行游戏AI的目标选择和其他选择，这么做确实相当节省第一层决策的代码（也缩减总体必要代码，我估计我们的游戏AI的决策代码总量不超过20000行）。以下是确定目标选择的一段LINQ查询代码：

var targets =
//30% chance to ignore damage enemy can do to them, and just go for highest-value targets
( unit.UnitType.AIAlwaysStrikeStrongestAgainst ||
AILoop.Instance.AIRandom.Next( 0, 100 ) < 30 ?
from obj in rollup.EnemyUnits
where ( unit.GuardingObjectNumber <= 0 || //must not be guarding, or guard target must be within certain range of guard post
Mat.ApproxDistanceBetweenPoints( unit.GuardingObject.LocationCenter,
obj.LocationCenter ) < Configuration.GUARD_RADIUS )
orderby obj.UnitType.ShipType == ShipType.Scout ascending, //scouts are the lowest priority
obj.GetHasAttackPenaltyAgainstThis( unit ) ascending, //ships that we have penalties against are the last to be hit
(double)obj.GetAttackPowerAgainstThis( unit, usesSmartTargeting ) / (double)obj.UnitType.MaxHealth descending, //how much damage I can do against the enemy out of its total health
obj.IsProtectedByForceField ascending, //avoid ships that are under force fields
obj.NearbyMilitaryUnitPower ascending, //strength of nearby enemies
Mat.ApproxDistanceBetweenPoints( obj.LocationCenter, unit.LocationCenter ) ascending, //how close am I to the enemy
obj.UnitType.ShieldRating ascending, //how high are their shields
unit.UnitType.AttackPower ascending, //go for the lowest-attack target (economic, probably)
obj.Health ascending //how much health the enemy has left
select obj
:
from obj in rollup.EnemyUnits
where ( unit.GuardingObjectNumber <= 0 || //must not be guarding, or guard target must be within certain range of guard post
Mat.ApproxDistanceBetweenPoints( unit.GuardingObject.LocationCenter,
obj.LocationCenter ) < Configuration.GUARD_RADIUS )
orderby obj.UnitType.ShipType == ShipType.Scout ascending, //scouts are the lowest priority
( chooseWeaklyDefendedTarget ?
obj.UnitType.TripleBasicFirePower >= obj.NearbyMilitaryUnitPower :
( chooseStronglyDefendedTarget ?
obj.UnitType.TripleBasicFirePower < obj.NearbyMilitaryUnitPower : true ) ) descending, //lightly defended area
(double)obj.GetAttackPowerAgainstThis( unit, usesSmartTargeting ) / (double)obj.UnitType.MaxHealth descending, //how much damage I can do against the enemy out of its total health
obj.IsProtectedByForceField ascending, //avoid ships that are under force fields
obj.NearbyMilitaryUnitPower ascending, //strength of nearby enemies
obj.GetHitPercent( unit ) descending, //how likely I am to hit the enemy
unit.GetAttackPowerAgainstThis( obj, false ) descending, //how much damage the enemy can do to me
obj.Health ascending //how much health the enemy has left
select obj
);

以上使用了很多格式化的缩写，但愿读者借助绿色字的注释能够理解那是怎么回事。一定程度上，你可以把上述代码叫作决策树（它确实有很多分支），但总体说来，代码更加简洁（如果能恰当地使用格式化的命名的话）和容易阅读了。但这种结构的优点在于，因为是按分类执行的，而不是通过严格的if/else等条件语句，这就相当于给AI一个做某件事而不做另一件事的倾向。

这段代码考虑到很多情况，有许多可以运行的不同模式，这就使AI本身具有很高的智能。但还不止如此。实际上评估上述逻辑的循环也让AI本身更加智能。

bool foundTarget = false;
foreach ( AIUnit enemyUnit in targets )
{
if ( enemyUnit.Health <= 0 || enemyUnit.CloakingLevel == CloakingLevel.Full )
continue; //skip targets that are already dead, or are cloaked
if ( unit.CloakingLevel == CloakingLevel.Full &&
enemyUnit.UnitType.ShipType == ShipType.Scout )
continue; //don’t give away the position of cloaked ships to scouts
if ( unit.CloakingLevel != CloakingLevel.None &&
enemyUnit.UnitType.TachyonBeamRange > 0 )
continue; //cloaked ships will not attack tachyon beam sources
if ( enemyUnit.UnitType.VeryLowPriorityTarget )
continue; //if it is a very low priority target, just skip it
if ( enemyUnit.IsProtectedByCounterMissiles && unit.UnitType.ShotIsMissile )
continue; //if enemy is protected by counter-missiles and we fire missiles, skip it
if ( enemyUnit.IsProtectedByCounterSnipers && unit.UnitType.ShotIsSniper )
continue; //if enemy is protected by counter-sniper flares and we fire sniper shots, skip it
if ( enemyUnit.GetAttackPowerAgainstThis( unit, false ) == 0 )
continue; //if we are unable to hurt the enemy unit, skip attacking it
if ( unit.EffectiveMoveSpeed == 0 && !unit.UnitType.UsesTeleportation &&
enemyUnit.GetHitPercent( unit ) <>
continue; //stop ourselves from targeting fixed ships onto long-range targets

gc = GameCommand.Create( GameCommandType.SetAttackTarget, true );
gc.FGObjectNumber1 = unit.FGObjectNumber;
gc.FGObjectNumber2 = enemyUnit.FGObjectNumber;
gc.Integer1 = 0; //Not Attack-Moving
unit.LastAICommand = gc.AICommand;
AILoop.Instance.RequestCommand( gc );
foundTarget = true;
break;
}

//if no target in range, and guarding, go back to base if out of range
if ( !foundTarget && unit.GuardingObjectNumber > 0 )
{
Point guardCenter = unit.GuardingObject.LocationCenter;
if ( Mat.ApproxDistanceBetweenPoints( guardCenter, unit.LocationCenter ) >
Configuration.GUARD_RADIUS )
Move( unit, guardCenter );
}

以上代码没什么真正出奇的地方，但它的决策点更多了一些（大多是硬性规定而不是倾向）。另外，在追踪逻辑中，一旦选定目标，船舰就有了一个倾向，因为并非目标都是其实是一样—-它们观察彼此在做什么这个方面确实是必要的，至少在我采用的游戏设计法中是如此，目的是为了让它们高效地分支和拆分和命中更多目标。

我不是一点一点地分析上述代码，而是基本上让代码不言不喻，所以我的注释其实是多余的。

警戒水平

上述代码的一部分重要逻辑是警戒水平，也就是说，以上代码让AI根据受周围舰队保护的情况来决定是否定位目标。所有飞船只都有30%的概率忽略警戒水平，而朝着它们的最佳目标前进，某些类型的飞船（如Bomber）始终是那么执行的，这使得AI更加难以预测。

这种办法的主要优点是，它导致AI大部分时候选择保护不严密的目标（如消灭所有偏远的采集船或保护不当的施工船），然而，这些飞船或部分这些飞船仍然有可能冒险去进攻有价值但受严密保护的目标，如你的指挥站或高级工厂。这类不确定事件通常给人非常人为的感觉。即使AI偶尔携大批飞船做出像集体自杀似的行为，如果你不够留神，这种进攻也可能很有效。

根据玩家反馈改变AI行为

有些读者阅读了本系列的第一部分后，指出我并没有像我所承诺地那样修改他们发现并告诉我的漏洞。言之有理，我确实没有进行解释，所以我接受读者的批评。然而，正如我所强调的，在内测版本我们没有发现任何利用AI的漏洞，所以我并不太担心这会成为普遍性问题。

但我想说的其实是，在你所看到的这种AI系统做修改是相当简单的。在我们的内测版本中，当有人发现欺骗AI的办法时，通常几天内甚至几小时内我就能想到解决方案。原因很简单：LINQ代码很短很直观。我要做的只是决定AI要遵守什么规则或倾向、当必须有倾向时，其相对优先级是什么、以及添加几行代码。仅此而已。

有了这种树形决策方案，我认为我的代码得以保持简洁（我有10类AI，有些基本上像数据库—-如AIUnit，有些是rollup—-如AIUnitRollup）。我提倡使用这种代码的理由是，它不仅运行得好、可以产生相当漂亮的应急行为，而且容易维护和拓展。这是值得考虑的方法——这类AI容易实验，如果你想在你的下个项目中尝试的话。