遊遊隨筆：從NPC到遊戲平衡淺談電玩AI

302

電玩和桌上遊戲等傳統遊戲在概念上其中一個最不同之處，就是相對於後者必然會有同為人類的對手或協力角色，前者則一般都是玩者單獨與遊戲揉合；即使是多人數同遊，遊戲程式亦需要負責操縱敵人等一定程度介入。在此，由遊戲自身負責控制的所有角色、甚至是看不見的其他成份，也需要有一個具有解決問題能力的人工知能協助——負責掩護主角、身手不凡的有能NPC同伴，其實背後是由數十年遊戲AI發展而至的成果。

遊戲AI從零到一

遊戲AI是指由遊戲程式控制的擬似知能，多為套用於作中的敵我NPC上，如敵人能迴避我方攻擊；同伴會自動為主角回復等，這些行動都是由AI所致。今時今日如遊戲缺少AI的投入，幾乎可以肯定說已經不能運作，但意外地，遊戲AI卻非打從電玩發跡開始便以出現。
以1972年推出、可以說是最早流行起來的家用遊戲《乒乓球（Pong）》中，玩者與對手各自控制左右兩方的白板，將光球反彈往對方陣地便算勝利。如果玩者只有一人的話，由於對手一方沒有人操縱關係，遊戲就不能成事，要玩《乒乓球》必須要二人同遊。

漸漸地，單機向的遊戲漸漸盛行，但沒有對手又怎成事？由電玩自身控制的對手角色於是成為必然的事。如1974年賽車街機作《Speed Race》中，玩者駕駛著賽車穿梭在道路上，路上則設有阻路的車子，玩者撞上它們就Game Over。這些車子會在出場時向不同方向移動，讓玩者難以把握其路線。當然，控制車子的是遊戲程式，但其實不過是預設車子在出場時的移動路線而言，從需具有「與玩者互動性」的能力來看，這個絕對稱不上是AI。

電玩界正式發展AI的時期，正是電玩界首度影響社會層面的《太空侵略者》年代。《太空侵略者》其中一個突破，是首款設有「朝著玩者自機開火」敵人的作品，即是說由程式操縱的敵人會分析出自機位置狙擊，雖然程度遠不及時下遊戲，但已經算得上是個最基本的遊戲AI。
《太空侵略者》之後，同類模仿作如雨後春筍般湧現，但部分卻在原作之上加以改良，特別是敵人行動上越來越多變化，好像Namcot（現為Bandai Namco）名作《Galaxian》，其敵人行動模式非常多姿多采，部分更會個別衝著我方來移動，更見此作跟《太空侵略者》之間的程式水準差距。在此之後，這類AI被引入往《食鬼》等追逐型動作遊戲上，不管是敵人還是玩者都要根據對方行動作出適當反應，來到這裡，AI已經植根於遊戲之中。

被設計的AI

AI雖說是「人工知能」，但其實它並非真正的知能，而是令互動對象（玩者）有一種「對方具有意識」錯覺的一連串精密程式。即是說，程式越細緻，AI行動便越自然、越難預測。不過早期遊戲設計較簡單，敵我NPC的存在某程度上不過是「舞台佈景」的其中一環，不管在技術上還是實用上都不用過於細密的AI。
遊戲界長時間以一種名為Finite State Machine（FSM）的程式編寫手法來處理AI，簡單來說就是為NPC設定各種狀態（State），當情況滿足狀態條件時，NPC會自動切換至另一種狀態。《食鬼》是個非常淺白的例子——Pac Man未有吃下能源曲奇時，幽靈們的狀態為「追著Pac Man」；但如果已吃下的話，幽靈的狀態則轉為「遠離Pac Man（逃走）」。就是這麼簡單的兩個狀態，便能成功塑造出捉迷藏遊戲，是個聰明的手段。

事實上，FSM至今仍被不少遊戲採用，當然時下遊戲的程式埋入密度度十分高，出來的AI行動更仔細。如《Persona 5》等作品也有捉迷藏式遇敵法，不過敵人已變成「會在特定地區巡邏」、「發現我方時追捕一段距離後自動回到巡邏地點」、「探索我方範圍為目視距離」、「隨著警戒度上升會增加探索及追蹤力」等，層次已經和《食鬼》兩碼子的事。
除了敵人外，FSM也有被用於同伴NPC身上，讓同伴依照已編好的指令行動，不用每每等玩者指示。說到這裡，絕對不能不提《FF》系列的異色作《FFXII》。此作除了是現時唯一一款採用 Ivalice Alliance（※ 1）世界觀的正傳《FF》外，其Gambit系統也相當特別。

注解：※ 1 由前Square Enix遊戲製作人松野泰己氏構想出來的架空世界觀，採用此世界觀的作品有《FFT》系列及《FFXII》。

簡單而言，Gambit是控制作中同伴AI的指令。在此作中同伴基本上會自動行動，Gambit則是各種指令的斷片，可於遊玩過程中取得。為同伴裝備Gambit後，同伴就會根據Gambit的指示排列而行動。比方說為同伴裝下「向『戰鬥不能的同伴』」⇒「使用『鳳凰尾巴』」的話，他們就會依照指示來做。同伴合計可裝備12個指示，重要度依高而低排列，如沒有「戰鬥不能的同伴」，角色會進行下個重要度較低的指示，如此類推。
利用Gambit，玩者可設定出合自己心意的戰鬥模式，有技術的話更可連首領戰都全自動，全程不用玩者操作。但相對地，一些較有用的Gambit，如目標範圍較廣及指示使用強力魔法或道具等指示，則需要在遊戲較後盤才可取得，算是我方實力越來越高的另類反映。

讓AI自行學習

FMS的好處是設算方式較簡單，Debug也容易，因此長久以來均是遊戲常見的AI制御方法，不過FMS必須要程式員想定各種場面輸入狀態，隨著遊戲複雜化，以此形式設計的AI很難能全方位對應千變萬化的遊戲場面，於是另一種AI形式——Autonomous Agent漸漸在電玩界中發展及流行。
相對於FMS要指示AI行動，Autonomous Agent則是把決定權交由AI負責，而AI則要從大量反覆嘗試中，找出最佳的行動模式。聽起來，要AI自行學習好像十分困難，但其實早於1990年紅白機上最後一款《DQ》——《DQIV》中已有實裝AI學習系統。

紅白機版《DQIV》的戰鬥系統最大特徵，就是除主角之外玩者不能操控其他同伴，只能透過「節約咒紋」之類的作戰選項作簡單指示，行動則完全交由AI負責。基本上，同伴AI主要是以FSM形式設計，但有關敵人耐性方面卻具備簡單的學習功能。當同伴面對從未見過的敵人使用咒紋，而被該敵人的耐性屬性擋下時，同伴會有一定確率明白到不能再以這類屬性攻擊該敵人，在下次戰鬥時會減少使用。可是這不代表AI會馬上學習到，當AI再被敵人的耐性屬性擋下咒紋時，學習等級有一定確率會再提升，從而進一步減少使用。到了最高的第3等級時，同伴便會完全不使用耐性屬性來攻擊相關敵人。
《DQIV》的AI學習只限於敵人屬性上，設計非常簡單，隨著技術發展，學習方法已不再單純限於確率之上，時下其中一種常見的有進化形式。舉個例子，開發組把AI操作的NPC放入與敵人戰鬥的場面，目標是戰勝敵人。這時AI可以選擇向不同方向迴避、反擊、使用道具甚至不作任何行動等形形式式操作，AI反覆嘗試過各種操作多次後，選擇能生存最久的行動——例如迴避，作為下世代學習的準備。
接下來AI的首個行動便決定是迴避，然後再跟之前一樣作不同行動嘗試，選擇能生存最長的行動，並以此作第二世代的基本……如此類推，AI在經過成千上萬次的嘗試後，終能找到打倒敵人的方法。開發組再把已學習完成的AI放入敵人身上，玩者作出與之前學習時的對手相同行動的話，AI便知道要如何應對，過程不涉及任何開發組的指令。

說到這類遊戲AI的最經典，必不能錯過PS的《Astronoka》。在此作中，玩者是一名未來的宇宙農夫，在外太空星系種植架空蔬果。除了培育、改良品種等基本功外，玩者還需要對付每天來襲的外星害蟲，不過他們具有高度學習能力，絕對不是容易應付的對手。
例如玩者在田裡放下陷阱時，第一次牠們會中伏，接下來牠們會根據自己的特徵來迴避陷阱，好像繞道迴避，甚至會長出翅膀飛過。另外，隨著拆解陷阱所需技巧，害蟲的能力（體力、腕力等）也會有所增加。換言之，害蟲在吃下一、兩次相同陷阱後就能完全迴避，玩者必須把陷阱優化或更改對策才能繼續阻止害蟲入侵。相反，若玩者一開始放任害蟲的話，害蟲因為不用花工夫便可在田裡大開派對，漸漸地牠們的能力會弱化，要擊退牠們也變得輕而易舉。

《Astronoka》中害蟲的快速多變的進化特性，至今仍能成為不少遊戲設計者的佳話

看不見的AI

可能大家會覺得，遊戲AI與NPC直結，AI的思考能力全由NPC上反映出來。但其實除了NPC外，AI亦能運用在遊戲其他方面，只是這些AI不像NPC的行動如此顯然易見，如導航性AI正是個好例子。
現在遊戲內資訊繁多，單單靠玩者自行管理的話會吃不消，因此不少作品都會加入導航AI，令遊戲介面及資料整合更人性化。好像在RPG中經常見到的「自動裝備」——選擇後由電腦自動為角色選擇最強裝備，其實已是導航AI的一種；簡單的AI可能純粹只追求能力值，但較精密的AI則會考慮屬性、追加效果等不同組合，以迎合玩者需要。雖然大多數情況下玩者還是要手動調整……
除了數值外，導航也會具體的提示，例如Open World類作品必須要裝設的目的地導航，有時遊戲會嘗試提出繞道來避過山脈、河流等不能通過的地形，而非直接指示最近的方向，當中亦涉及AI分析。

再退一步，遊戲AI發展已不再限於在作中擔任某部分支援，而是能站在開發組的角度，延伸至管理整個遊戲。在喪屍遊戲《Left 4 Dead》裡，系統會從各種環境資訊及玩者行動中分析玩者的緊張度；當玩者處於放鬆狀態時，敵人來襲次數會增加，相反處於緊張狀態的話，敵人數目則會減少。利用這個設計，遊戲便能在沒有開發組明確指示下調整作品整體氣氛及平衡。
整體管理AI還可以應對對白等以往被認為非常固定的遊戲程式。時下遊戲除劇情對白外，還會有大量閒聊等重要度低、用於營造氣氛的對白；比方說當主角打倒敵人後，同伴們會說些讚賞對白。這時，如果同伴們都一起說「做得好」的話感覺會十分冗贅，這時管理AI會讓其他同伴說其他對白，又或者是借與其他同伴的交流對白繞圈讚賞玩者。如此一來，遊戲氣氛就如在現實般自然。