遊戲 AI 基礎：從簡單規則到智能對手 🤖
在任何遊戲中，AI 對手的設計都是決定玩家體驗的關鍵因素。一個設計優良的遊戲 AI 不僅要有挑戰性，還要讓玩家感覺「可以戰勝」而不是「完全無法獲勝」。本文將從最基礎的概念開始，帶你了解遊戲 AI 的核心原理、常見算法和實作技巧。
什麼是遊戲 AI？ 🎮
遊戲 AI（Game Artificial Intelligence）是指在電子遊戲中控制非玩家角色（NPC）行為的系統。與學術界的「真正的 AI」（如深度學習、神經網路）不同，遊戲 AI 的目標不是「盡可能聰明」，而是「提供有趣且平衡的挑戰」。
遊戲 AI vs 學術 AI
| 特性 | 遊戲 AI | 學術 AI |
|---|---|---|
| 目標 | 提供娛樂性和挑戰性 | 解決複雜問題，追求最優解 |
| 性能要求 | 即時運算（毫秒級） | 可以花費較長時間 |
| 可預測性 | 需要一定程度的可預測性 | 不需要 |
| 失敗容忍度 | 允許「故意犯錯」 | 追求零錯誤 |
| 技術 | 規則引擎、狀態機、簡單演算法 | 機器學習、深度學習、強化學習 |
💡 關鍵洞察：最好的遊戲 AI 不是「最聰明的」，而是「最有趣的」。一個永遠不會輸的 AI 對手會讓玩家感到沮喪，而一個太笨的 AI 則會讓遊戲變得無聊。平衡是關鍵。
AI 難度等級設計 📊
設計多層次的 AI 難度是提供良好遊戲體驗的重要策略。以下是常見的難度等級設計方法：
方法 1：反應時間調整
最簡單的難度控制方法是調整 AI 的「思考時間」或「反應速度」。
範例：石頭剪刀布 AI
class RockPaperScissorsAI {
constructor(difficulty = 'medium') {
this.difficulty = difficulty;
this.delayMap = {
easy: 2000, // 2 秒延遲（給玩家更多思考時間）
medium: 1000, // 1 秒延遲
hard: 500 // 0.5 秒延遲
};
}
async makeMove() {
await this.delay(this.delayMap[this.difficulty]);
return this.selectMove();
}
delay(ms) {
return new Promise(resolve => setTimeout(resolve, ms));
}
selectMove() {
const moves = ['rock', 'paper', 'scissors'];
return moves[Math.floor(Math.random() * 3)];
}
}
方法 2：決策品質調整
更進階的方法是調整 AI 做出「最佳決策」的機率。
範例：基於機率的決策
class SmartAI {
constructor(difficulty = 'medium') {
// 不同難度下做出最佳決策的機率
this.accuracyMap = {
easy: 0.3, // 30% 機率選擇最佳移動
medium: 0.6, // 60% 機率
hard: 0.9 // 90% 機率
};
this.accuracy = this.accuracyMap[difficulty];
}
makeMove(gameState) {
// 計算最佳移動
const bestMove = this.calculateBestMove(gameState);
// 根據難度決定是否採用最佳移動
if (Math.random() < this.accuracy) {
return bestMove; // 使用最佳移動
} else {
return this.getRandomMove(); // 使用隨機移動
}
}
calculateBestMove(gameState) {
// 使用 Minimax 或其他演算法計算最佳移動
// ...
}
getRandomMove() {
const allMoves = this.getAllPossibleMoves();
return allMoves[Math.floor(Math.random() * allMoves.length)];
}
}
方法 3：資訊限制
限制 AI 能看到的資訊範圍，模擬人類玩家的「視野限制」。
| 難度 | 可見資訊 | 範例 |
|---|---|---|
| 簡單 | 只看當前狀態 | 只考慮下一步 |
| 中等 | 看 2-3 步 | 預測玩家下 2 步 |
| 困難 | 看 5+ 步 | 長期策略規劃 |
常見遊戲 AI 算法 🧠
1. 決策樹（Decision Tree）
最簡單的 AI 結構，適合規則明確的遊戲。
簡單決策樹範例
class SimpleAI {
makeDecision(gameState) {
if (gameState.playerHealth < 30) {
// 玩家血量低，主動攻擊
return 'ATTACK';
} else if (gameState.selfHealth < 20) {
// 自己血量低，防禦或治療
return gameState.hasPotion ? 'HEAL' : 'DEFEND';
} else if (gameState.distance > 5) {
// 距離太遠，靠近
return 'MOVE_CLOSER';
} else {
// 正常戰鬥
return Math.random() > 0.5 ? 'ATTACK' : 'DEFEND';
}
}
}
優點：簡單、快速、可預測
缺點：缺乏靈活性，容易被玩家找到規律
2. 有限狀態機（Finite State Machine, FSM）
將 AI 的行為分為多個「狀態」，根據條件在狀態間轉換。
狀態機範例
class EnemyAI {
constructor() {
this.state = 'PATROL'; // 初始狀態：巡邏
}
update(gameState) {
switch (this.state) {
case 'PATROL':
this.patrol();
if (this.detectPlayer(gameState)) {
this.state = 'CHASE';
}
break;
case 'CHASE':
this.chasePlayer(gameState);
if (this.inAttackRange(gameState)) {
this.state = 'ATTACK';
} else if (!this.canSeePlayer(gameState)) {
this.state = 'PATROL';
}
break;
case 'ATTACK':
this.attackPlayer();
if (!this.inAttackRange(gameState)) {
this.state = 'CHASE';
} else if (this.health < 20) {
this.state = 'RETREAT';
}
break;
case 'RETREAT':
this.retreat();
if (this.health > 50) {
this.state = 'PATROL';
}
break;
}
}
}
優點：結構清晰、易於調試和擴展
缺點：狀態多時會變得複雜
3. Minimax 算法（回合制遊戲）
用於兩人回合制遊戲（如西洋棋、五子棋），通過遞歸搜尋找到最優移動。
Minimax 原理
- Max 層：AI 的回合，選擇能獲得最高分數的移動
- Min 層：玩家的回合，假設玩家會選擇讓 AI 分數最低的移動
- 遞歸：模擬未來 N 步，回溯計算每個移動的最終價值
Minimax 實現（簡化版）
function minimax(board, depth, isMaximizing) {
// 終止條件：到達深度限制或遊戲結束
if (depth === 0 || isGameOver(board)) {
return evaluateBoard(board);
}
if (isMaximizing) {
// AI 的回合：找最大值
let maxScore = -Infinity;
for (let move of getAllPossibleMoves(board)) {
const newBoard = makeMove(board, move);
const score = minimax(newBoard, depth - 1, false);
maxScore = Math.max(maxScore, score);
}
return maxScore;
} else {
// 玩家的回合：找最小值
let minScore = Infinity;
for (let move of getAllPossibleMoves(board)) {
const newBoard = makeMove(board, move);
const score = minimax(newBoard, depth - 1, true);
minScore = Math.min(minScore, score);
}
return minScore;
}
}
// 找出最佳移動
function findBestMove(board, depth) {
let bestMove = null;
let bestScore = -Infinity;
for (let move of getAllPossibleMoves(board)) {
const newBoard = makeMove(board, move);
const score = minimax(newBoard, depth - 1, false);
if (score > bestScore) {
bestScore = score;
bestMove = move;
}
}
return bestMove;
}
優點：在完全資訊遊戲中能找到最優解
缺點：計算量大，需要剪枝優化（Alpha-Beta 剪枝）
4. 行為樹（Behavior Tree）
現代遊戲中最常用的 AI 架構，靈活且模組化。
行為樹由以下節點組成：
- Sequence（序列）：依次執行所有子節點，全部成功才成功
- Selector（選擇）：依次嘗試子節點，有一個成功就成功
- Action（動作）：具體執行的行為（攻擊、移動等）
- Condition（條件）：檢查條件是否滿足
行為樹結構範例
Selector（根節點） ├─ Sequence（戰鬥序列） │ ├─ Condition: 玩家在視野內？ │ ├─ Condition: 血量 > 30？ │ └─ Action: 攻擊玩家 │ ├─ Sequence（治療序列） │ ├─ Condition: 血量 < 30？ │ ├─ Condition: 有治療藥水？ │ └─ Action: 使用藥水 │ └─ Action: 巡邏
優點：模組化、易於擴展和重用
缺點：設計複雜度較高
實戰技巧與最佳實踐 💡
1. 讓 AI 看起來「人性化」
- ✅ 添加隨機延遲：AI 不應該瞬間反應，加入 200-500ms 的延遲讓它看起來「在思考」
- ✅ 偶爾犯錯：即使在困難模式，也讓 AI 有 5-10% 的機率做出次優選擇
- ✅ 模擬「學習」：記錄玩家的慣用策略，稍微調整 AI 的行為來應對
- ✅ 視覺/音效回饋：讓 AI 的「思考過程」可視化（如顯示「...」）
2. 性能優化
- ⚡ 限制搜尋深度：Minimax 算法不要超過 4-6 層深度
- ⚡ 使用 Alpha-Beta 剪枝：減少 Minimax 的計算量（通常減少 50-70%）
- ⚡ 快取結果：記住已計算過的遊戲狀態（記憶化）
- ⚡ 異步執行：將 AI 計算放在 Web Worker 中，避免阻塞 UI
3. 平衡性設計
- ⚖️ 動態難度調整：根據玩家表現自動調整 AI 難度
- ⚖️ 提供多種模式：讓玩家自行選擇合適的挑戰等級
- ⚖️ 測試不同技能水平：找新手和高手測試，確保所有人都能享受
- ⚖️ 避免「完美 AI」：除非是「不可能模式」，否則保留玩家獲勝的機會
總結與下一步 🎯
遊戲 AI 的設計是藝術與科學的結合。關鍵要點：
- 🎯 目標是「有趣」而非「完美」：AI 應該提供適當的挑戰，而非碾壓玩家
- 🔄 從簡單開始：先實現基本的決策樹或狀態機，再逐步增加複雜度
- 🧪 持續測試：不同玩家對「難度」的感受差異很大，需要廣泛測試
- ⚙️ 提供可調節性：讓玩家或設計師能輕鬆調整 AI 參數
- 📊 收集數據：追蹤玩家勝率、平均遊戲時長等，指導優化方向
🚀 實戰練習
想要親自體驗不同難度的遊戲 AI 嗎？試試我們的石頭剪刀布和猜字遊戲工具：
閱讀更多相關文章：