或许有一天，AI会根据玩家的水平精细调整难度，甚至创造关卡。 2024年8月22日开发者大会第二天举行“CEDEC 2024”``分析玩家‘技能’和游戏‘难度’以及自动关卡生成的方法在“应用”中，研究结果。 Square Enix 的 AI 和引擎开发部门的结构被揭晓。
●“玩家技能和游戏难度分析方法及其在自动关卡生成中的应用”演讲嘉宾
- Aseong Song（史克威尔艾尼克斯人工智能与引擎开发部程序员）
- Ken Shirodokoro（史克威尔艾尼克斯人工智能与引擎开发部人工智能程序员）
照片左起：宋阿成先生、Ken Shirodokoro先生
 |
AI分析玩家的技能并创造令人愉悦的难度
为了玩游戏，玩家需要具备各种能力，例如能够进行攻击和躲避攻击。宋先生指出，虽然每个玩家都有强项和弱项，但目前的游戏难度设置是统一的，并没有针对每个玩家量身定制。
在这种情况下，如果更改难度级别，所有元素都会统一上升或下降，这可能会导致差异。比如说，一个不擅长躲避而擅长攻击的人，如果降低难度，让躲避变得容易，那么就会变得太容易了，因为他的攻击能力已经很高了。
因此，宋先生认为，“如果我们能够动态调整每个领域的难度，我们就可以提供适合每个玩家的强项和弱项的体验。”为此，需要有一个系统，可以预先对玩家的能力进行分类，然后让AI进行判断和分析。
|
|
这就是使用“能力图”的“能力分析”机制的创建方式。 “游戏大师AI”不仅监视游戏并判断能力，还分析并干扰游戏的发展，检查玩家的技能并提供帮助或增加敌人的数量。
举了一个例子，将其应用于垂直滚动射击技术演示（玩家在陆地上行走，移动时会受到地形的干扰。地形可以被破坏，物品会从其中出现）。
能力图具有“能力节点”通过“边（箭头）”连接的图结构。能力节点表示您想要分析的能力，例如“基本（执行移动和攻击等基本任务的能力）”和“行动（充分利用多种基本能力来完成目标的能力，例如打败敌人和拾取物品）”和“战术（代表游戏策略的能力，例如减少威胁、防止伤害和提高状态）”。
每个能力节点都有一个表示玩家熟练程度的“精通率（以下简称MR）”和一个游戏A要求的能力“挑战率（以下简称CR）”。链接有一个权重（相关性）值设置，值越高，越重要。
当你真正玩游戏时，游戏主控AI会根据能力图来检查玩家在每个能力节点项的技能。使用具有两个轴的图表来判断能力特征：好←→弱和困难←→容易。MR高意味着好（低意味着差），CR和MR之间的差异高意味着困难（低意味着差）。 ）。
 |
 |
游戏大师AI见状介入游戏开发。如果你擅长某件事但觉得很难，请友好的NPC来帮助你，如果你不擅长某件事但觉得任务本身很简单，你可以显示提示来帮助你改进，并给予详细的跟进。它也可以应用于制作中，如果你遇到困难，你可以通过使背景破烂和下雨来营造一种令人不安的氛围。
如果玩家遇到困难，你可以帮助他们，或者如果难度不够，你可以增加敌人和障碍的数量，让玩家觉得有回报。表示有可能这样做。
当玩家在破坏地形时遇到困难时，屏幕右侧的盟友会投下闪电并打破岩石
 |
 |
在这种能力节点方法中，用于评估的MR和CR的计算很重要，因此设计了各种想法。有些能力节点可以直接评估，有些则不能。例如，在“击败敌人”的情况下，可以根据击败的敌人的数量和未击败的敌人的数量来计算MR，并且可以根据关卡中布置的敌人的类型和数量来计算CR。
然而，由于战术能力是抽象的，例如“增加状态”或“成功清除一个阶段”，因此它们是使用图表上父能力的 MR 和 CR 的权重来估计的。这个想法本身可以适用于任何类型或地图格式，例如 FPS、回合制 RPG、FPS 等。
展望未来，宋先生表示，他希望能够预估一部戏演得好或不好的原因，并呈现出帮助人们练习导致问题的能力的内容。
利用AI自动生成符合玩家技能的关卡
在讲座的后半部分，Shirodokoro先生讲述了一个利用能力节点和CR自动生成关卡的例子，这是AI根据玩家的技能来创建关卡的举措。
当使用Procedural Content Generation（以下简称PCG）进行关卡生成时，本例中需要每个CR对应的PCG算法，但是如果CR规范发生变化，则该算法无法使用，而需要多个CR的算法考虑的缺点是过于复杂。
为了解决这个问题，使用了Procedural Content Generation via Reinforcement Learning（使用强化学习的关卡生成，以下简称PCGRL）。可以根据人类设定的奖励来生成关卡，在这种情况下，如果你使用 CR 作为奖励，AI 将学习如何创建关卡。
强化学习是一种基于奖励学习最佳策略的智能体，寻找获得更多奖励的方法。在 PCGRL 中，代理在他们正在编辑的关卡中设置障碍时会获得奖励，因此他们学会瞄准更高的奖励（与舞台设计意图相匹配的位置）。
即使涉及到 PCGRL，也有多种方法，每种方法都有其自身的局限性。例如，当使用PCGRL自动生成一个益智游戏，将一个板条箱推入一个目标（可能是所谓的“推箱子”）时，您可以通过调整奖励来创建具有一定难度的关卡，而不是可以根据控制数量等参数创建级别。
换句话说，不可能根据目标CR生成电平。可控PCGRL解决了这个问题。在我之前给出的例子中，PCGRL可以控制箱子的数量、目标和最短步数等方面，但它无法生成像我这次要创建的射击游戏这样的复杂游戏的关卡。
多层PCGRL通过结合敌人和地形等“关卡层”、带有CR等信息的“信息层”、地形生成模块、敌人放置模块等可以自动生成复杂的游戏关卡。地形生成模块创建地形，敌人放置模块根据此放置敌人，物品放置模块放置物品以完成关卡。
讲座还解释了多层 PCGRL 如何自动生成有关破坏地形能力的级别。多层 PCGRL 一次自动生成一个屏幕。本例的目标是“平均 20 行 CR”，即一个屏幕 20 行 x 16 列 CR 的平均值。多层PCGRL重复试错，使得生成级别的平均CR为20行CR的平均值。也就是说，你想要生成什么级别的策略是平均20行CR，匹配的越多，奖励就越高。
在此示例中，我们正在进行一项测试，在大约 4 天内学习 2000 万步，指定随机 CR，并创建 100 个级别（在本例中，相当于 100 个屏幕的地图）。正常生成平均需要0.62秒，生成道路等地形引导玩家需要0.46秒，添加障碍物需要0.74秒，都很快，所有生成的关卡平均需要20行。表示符合CR标准。
当在平均CR为20行的平坦地形上放置敌人和物品时，可以在平均0.32秒内放置敌人，在0.48秒内放置物品，并且100％平均CR为20行。通过让 PCGRL 编辑现有关卡，还可以创建一些起初容易但后半部分困难的东西。他们还进行了 PCGRL 在玩游戏时实时生成关卡的测试，显然获得了不错的结果。
最后，宋老师谈到了能力分析方法，比如动态生成内容和任务，让AI完成玩家已经开始创建的地图，以及创建单人但让人想起多人游戏的新游戏，例如玩家与游戏大师人工智能。他在演讲结束时谈到了未来的前景，并认为它可以应用于性。
利用AI自动调整难度一直是游戏开发者的梦想，并且一直在努力。可以说，现代人工智能研究和机器力量让这个梦想变得更加现实和深远。作为玩家，你可以享受适合自己技能水平的游戏，而自动生成的关卡会让发展更加多样化，所以这是一个愿望成真。最近有一种趋势是创造适合广泛人群的易于玩的环境，并且似乎非常需要自动难度调整和自动关卡生成，而这次讲座让我强烈意识到它们的潜力。
以上是我们很快就会看到人工智能分析你的技能并自动调整难度级别的那一天吗？ 讨论自动关卡生成方法及其应用的会议报告 [CEDEC 2024]的详细内容。更多信息请关注PHP中文网其他相关文章！
