Language
Country/Area
No result found
設計者的秘密武器：效用系統如何簡化複雜行為的管理？
在視頻遊戲的人工智能（AI）中，效用系統提供了一種簡單而有效的方式來模擬非玩家角色（NPC）的行為。這套系統通過使用數字、公式和分數來評估各種可能行動的相對利益，從而為每種行動賦予效用值。根據這些效用值，系統能夠選擇當前情境下的“最佳”行為，這些行為會基於行為被數學定義後的表現而進行選擇。
效用系統的核心在於通過數學模型來決定行為，這種效率使得設計者可以專注於定義行為本身，而不必為選擇之間的優先順序而苦惱。
效用的概念
效用的概念歷史悠久，最早源於經濟學，並廣泛應用於心理學、社會學甚至生物學等領域。這一背景以及將事物轉化為數學的需求，使得在電腦程式設計中，自然演變成為設計和表達遊戲角色行為的一種方式。
與其他遊戲人工智能架構相比，效用AI的優勢之一在於它的“少手工編寫”。儘管效用系統中的行為通常都是個別創建的，但它們之間的交互和優先級並不需要設計師明確指定。例如，行為樹（BT）要求設計者按照優先級進行序列檢查以決定是否執行某個行為，只有當該行為（或樹的某個分支）未被執行時，系統才會檢查下一個行為。而在許多效用系統中，行為的優先順序是根據數學模型生成的分數自動排序的。
效用AI的設計使得開發者無需確定新的行為在整體行為網絡中的位置，只需定義該行為的具體效用即可。
早期應用
數字、公式和分數在遊戲中的行為定義中已有數十年的歷史。例如，定義某種行為發生的百分比幾率（例如12%的機會執行行為X）是早期步入效用AI的一個簡單例子。然而，只有在21世紀初，這種方法才開始轉向更加正式化的框架，通常稱為“效用AI”。
行為的數學建模
在《模擬人生》（The Sims, 2000）中，NPC的當前“需求”（如休息、食物、社交活動）與可滿足此需求的物體或行動所賦予的分數相結合。這些值的組合為行動提供了一個分數，告訴玩家的角色應該做什麼。玩家雖然看不到具體的計算過程，但能夠清楚地感受到Sim角色的需求和遊戲中物體帶來的滿足程度，這實際上是遊戲的核心機制。
無限軸心效用系統
在《模擬人生》系列的開發中，Richard Evans等人根據效用AI進行了深入探討。隨後，Dave Mark和他在ArenaNet的同事Mike Lewis，在2015年GDC AI峰會上介紹了一種完整的獨立架構——無限軸心效用系統（IAUS）。這一架構設計成為一個數據驅動的自給自足系統，一旦連接到遊戲系統的輸入和輸出，就不再需要太多的編程支持。
與其他架構的結合
除了獨立架構，其他開發者也探討如何將效用計算整合到現有架構中。例如，Bill Merrill在《Game AI Pro》一書中撰寫了一段名為“將效用決策內建於現有行為樹中”的文章，展示了如何利用BT中的選擇器來實現基於效用的數學運算，將這一強大的混合體系融入BT的形式結構中。
效用系統的出現標誌著遊戲AI設計的一次重要進步，使開發者能夠高效地管理多種複雜行為，因此，未來我們是否會看到更多類似的效用架構在遊戲AI中普遍使用？
