官網(wǎng)原文https://enlisted.net/en/news/show/37-ai-in-enlisted-situational-response-en/#!/

文稿翻譯加工：Sword

前言

今天我們將討論關(guān)于AI工具人對于周圍戰(zhàn)況之環(huán)境意識，同時這部分也是Enlisted/從軍這款游戲的重要組成部分之一。更具體地來說，我們的工作是去訓練玩家小隊中的AI工具人以便于更好地對周圍危險情況和高價值首要目標進行識別。

讓我們從一個的告示來開啟本篇devblog，按照游戲中的情況而言，在下面我們將要談?wù)摰膬?nèi)容指的是一組能供允許你的AI工具人做出自己的決定算法。

在4月的莫斯科戰(zhàn)役測試，我們繼續(xù)研究你的AI工具人的相關(guān)數(shù)據(jù)與信息。我們教AI工具人

一是跨越障礙物；二是聽從玩家的指揮命令；三是使用掩體；四是投擲手榴彈等投擲物。

在5月的柏林戰(zhàn)役測試呢，我們則能夠識別出了AI工具人最重要的內(nèi)容之一，就是對周圍危險情況和高價值首要目標進行識別。

（舊的）“Aggro meter”hazard accumulation system：結(jié)合眾多參數(shù)的周圍危險信息積累分析系統(tǒng)

在4月的莫斯科戰(zhàn)役和5月的柏林戰(zhàn)役兩次測試中，玩家其實已經(jīng)體驗到了性能優(yōu)化的“Aggro-meter”系統(tǒng)（結(jié)合眾多參數(shù)的周圍危險信息積累分析系統(tǒng)）的小隊中的AI工具人。它積累了士兵周圍可見的目標的“危險”指數(shù)，這些目標造成了士兵的傷害或隊友的死亡。該系統(tǒng)總體來說還算正常，但是有一個問題，那就是在敵人目標“危險”級別較低但開火射擊的可能性卻很高（言外之意指的是蹲坑撈人頭的玩家）的情況下，這個系統(tǒng)呢則會有一些問題而導致忽視這些目標。因此我們制作組在權(quán)衡了所有的利弊之后，我們決定重新設(shè)計系統(tǒng)，完全采用一種稱為“效用函數(shù)”的不同模式。

（新）“Utility Function” algorithm and machine learning：效用函數(shù)算法與機器學習

從技術(shù)角度上講，新算法是基于輸入值的一組數(shù)學函數(shù)。其最后一個功能允許人工AI系統(tǒng)對輸入值進行權(quán)衡分析，并將結(jié)果作為一個單一的來表示敵人危險的數(shù)字，同時AI系統(tǒng)也會基于這個數(shù)字來選取敵人目標。這種新模式則開創(chuàng)性地創(chuàng)造出了打開了大量可配置的參數(shù)，因此即使一個單一的參數(shù)變量也會影響AI工具人行為。

因此對于玩家來說，這一切都意味著使用“效用函數(shù)”算法選擇目標的AI工具人，在瞬息萬變的戰(zhàn)斗環(huán)境中變得更加靈敏。在開發(fā)組內(nèi)部最早的測試也已經(jīng)表明，使用這套新算法士兵的行為與真正玩家的行為明顯更相似：他們對危險的反應(yīng)更快，在目標之間的切換也更為自主和靈活。

特別有趣的是，在新“效用函數(shù)”算法中，我們看到了機器學習的潛力，它將不斷改善AI工具人的行為。因此可以說，一個人工智能系統(tǒng)（利用機器學習）引導另一個人工智能模塊（目標選擇模塊）在戰(zhàn)斗中更加有效，并在測試過程中展現(xiàn)出好的效果。

我們?nèi)匀辉跒闄C器學習選擇更加合適恰當?shù)臉藴?，并且可能會為不同的任?wù)編寫出對應(yīng)職責任務(wù)的人工智能模塊：生存類和作戰(zhàn)能力類。舉個例子來說，假設(shè)防守的士兵應(yīng)該選擇威脅最大的目標（估計指的是對面大佬玩家）和攻擊中最容易殺死的目標（估計是走大馬路無掩體的萌新玩家）。同時也需要指出，這些目標的選取也并不總是一致的。學習將使我們能夠結(jié)合當前人工智能領(lǐng)域的發(fā)展，并在未來有用地應(yīng)用它們來改善AI工具人在戰(zhàn)場上的行為。

????

Training Potential of AI in Enlisted：在Enlisted/從軍中訓練AI系統(tǒng)的更多潛能

現(xiàn)在我們已經(jīng)有了一個巨大的數(shù)據(jù)流，這可以在每一個游戲戰(zhàn)局中實時訓練人工智能，以預測危險將從何而來，并相應(yīng)地選擇AI工具人瞄準的方向。我們已經(jīng)在使用一種算法來搜索戰(zhàn)斗中的一組事件，以選擇AI工具人瞄準的方向，并且進一步用玩家對戰(zhàn)所創(chuàng)造的海量數(shù)據(jù)去訓練AI，那么這些玩家創(chuàng)造的真實數(shù)據(jù)將使這個系統(tǒng)更加強大！

此外，我們開發(fā)組的程序員們設(shè)定的人工智能的優(yōu)先級并不是在任何地圖、任何戰(zhàn)場環(huán)境下都十分理想，基于這一點我們看到了機器學習的潛力，因為這一定將會對我們產(chǎn)生很大的幫助，因為在開放測試（預示著過幾天么？開啟新的測試）的每一天里，我們都可以獲得大量的數(shù)據(jù)來訓練AI，以便更好地選擇優(yōu)先級。

最后冷笑話一彈：人工智能系統(tǒng)可以用玩家創(chuàng)造的射擊瞄準數(shù)據(jù)來訓練AI，反過來經(jīng)過訓練的AI可能則會讓玩家痛苦不已滑稽。

最后宣傳我們的Enlisted/從軍交流群：967382101