人工智能将带来游戏新进化：更接近真人的电脑对手、更容易建立虚拟场景、游戏Bug更少

相比前几年的GDC游戏开发者大会多半专注在如何提升虚拟实境视觉、互动体验，今年则是有更多游戏应用更聚焦在云端，以及人工智能技术导入作法。

先从人工智能技术来看，其实跟许多科技产品、软件或网络服务一样，游戏中开始导入人工智能技术应用，其实在很早之前就已经发生，例如应用在敌方角色的攻击，或是游戏地图内容自动生成等。但与其说过去在游戏中的是人工智能技术应用，倒不如说是随机运算模式更为洽当，对于熟练的玩家而言，可能在多玩几次之后的学习预测与判断效果都比电脑还强。

不过，人工智能技术发展在近年来随着软硬件运算效率提升，开始有更大幅度改变，例如DeepMind在过去借由AlphaGo系统击败韩国棋王李世乭之后，开始与Blizzard Entertainment合作，透过深度学习方式让电脑系统尝试游玩《星海争霸II》，借此判断不同游玩进度时期的策略推定与决策推拟，同时配合游戏快速游玩节奏让系统必须在更快时间内完成“思考”。

人工智能对玩家、设计者都能带来好处

而类似的情况，EA旗下简称为“SEED”的创新体验研究部门 (Search for Extraordinary Experiences Division)，稍早也让电脑系统进行学习游玩《战地风云1 (Battlefield 1)》。在多次学习之下，电脑系统已经可以明确知晓游戏实际游玩方式，并且在个人生命值过低或弹药不足时候，采取不同行动模式，例如选择避战或找寻补充生命值、弹药方式。

虽然整体上的游玩决策与快攻效率仍不比人类玩家，甚至在必须讲究团队合作攻击战略时，系统所操作的个人角色可能会出现不知所措情况，甚至出现一直撞墙或原地转圈现象，显示目前人工智能技术仍无法比照人类精准操作与快速判断游玩决策，依此要打造一套能击败所有电竞战队的电脑系统恐怕还是有难度，但或许能借此持续提升玩家游玩互动体验，而不会觉得每次与电脑系统对抗或组队时，要嘛是电脑攻击策略过于容易配猜测，不然就是遇到猪一样的电脑队友。

除了DeepMind、EA将人工智能学习训练应用在游戏内容，Ubisoft先前制作《看门狗2》时也借由制作完整旧金山市区的街道内容，甚至进一步让游戏中的NPC人物能像真实生活般于虚拟街道上走动，让致力研发自动驾驶车辆的科技厂商能直接取用，借此透过更安全方式进行自驾车的前期训练。而这样的想法，其实就与NVIDIA后续提出建构完整虚拟世界，让自驾车能现行借由虚拟方式进行前期训练，如此即可节省实际上路测试所需时间，同时也能在实际上路之前避免一些不必要的前期错误造成任何伤亡。

而人工智能技术精进，对于游戏内容创作也有一定提升，例如让电脑动画渲染细节、噪声去除，甚至定义虚拟场景中不同光源位置造成光影互动效果，让开发者能更容易建置游戏虚拟世界场景，并且能以更具效率且节省成本方式设计游戏内容，同时也能将设计重心聚焦在游戏核心项目。

利用人工智能打造游戏场景、修正错误

就Ubisoft说明，制作《极地战嚎5》、《刺客教条：起源》在内游戏时，其实就是借助人工智能演算效益，不但让内容场景、人物3D模型建置变得更加快速，相对也让过去透过逐一设定光影条件，造成在部分游玩过程出现不自然情况，甚至出现人物脸部崩坏、肢体呈现角度错误问题。对于游戏设计角度来看，人工智能技术的导入其实在内容创作上有提升整体效益的实质意义存在。

另外，Google近期开放Google Maps API资源，让游戏开发者能利用现有图资资讯快速打造游戏内容场景，其中更可直接套用现实世界的街景影像内容，或是进一步透过电脑渲染会制成全新风格面貌，其中背后处理也必须仰赖大量人工智能技术辅助。

至于近期越来越多人谈论的扩增实境、混合实境布局，其实在影像即时处理到使用者眼前呈现过程中，同样有越来越多内容设计仰赖人工智能技术作为辅助，以最简单的“变脸”技术应用来看，借由传统物件判断、套用滤镜的方式，可能会在快速移动的情况下露出破绽，但以现行常见的“变脸”直播应用却有越来越精致的特效产生，原因就是借由脸部学习等方式加快系统处理效果。

因此对于游戏内容来说，导入人工智能技术并非只是为了让玩家在过完互动过程变得更具挑战，更大目的其实是为了让游戏有更容易设计效益，同时也能让创作者花费更多心思构想如何做出更有趣的游戏作品。甚至也有越来越多游戏设计透过人工智能技术协助过滤原始编码中的错误，借此在游戏正式上市销售前去除不必要的错误，并且减少透过事后更新修正的成本支出。

推动人工智能，云端技术应用也有重大贡献

与人工智能同样息息相关的云端服务应用，其实也在人工智能技术应用背后扮演重要角色的云端服务，除了对应之称线上多人连线游玩、串流应用与线上直播等伺服需求，更重要的是节由持续学习、分析玩家游玩行为模式，借此让游戏系统所采用的人工智能技术能有更进一步“成长”，借此让游戏可玩性持续增加，甚至增进与玩家互动同乐效果。

由于当前的人工智能依然是基于巨量数据分析、持续学习的运作原理，并且借由硬件加速等方式推动学习效率，进而产生目前越来越多人强调的端点学习运算，以及借由显卡进行的加速学习，但从过去以来持续推动的仍为基于云端协同运算的分析学习模式，亦即目前微软、IBM、亚马逊、阿里巴巴等云端服务业者持续精进服务，同时也能借由云端虚拟化、快速布署、结合分散式学习的应用模式，让系统能从更多、更广泛装置端取得学习经验，并且将实际累积的学习成果套用到各地装置端使用。

举例来说，若是自动驾驶厂商完成建造一款无人车与运作系统，在初期时候为了确保安全与效益，因此借由建置虚拟化场景先让无人车系统进行前期训练，借由大量模拟训练累积一定学习成果后，即可让安全表现相对较高的自动驾驶系统实际上路，借此学习真实路况与不同车辆行进间的应变方式，进而完成一款具有高度自动驾驶能力的车辆。

在日后持续学习部分，则可借由云端平台持续搜集必要数据让车辆系统学习，并且透过从分散在各地的无人车累积不同学习经验，进而透过云端同步、共享方式使所有无人车都能累积相同学习经验，更可随时针对路况改变、交通规则改变，甚至其他变因快速调整自动驾驶运作模式。