当AI开始学习玩家行为——从《黑镜》看游戏的未来

在《黑镜》第三季的“Playtest”这集中，开发者创建了一个增强现实恐怖冒险游戏，该游戏读取了玩家自身的记忆，给予其更深层的恐惧感

由Charlie Brooker主创的英剧《黑镜》前段时间推出了第三季，大胆预测了一系列技术和社交媒体趋势对人们日常生活引发的冲击。

在第二集中，一名美国游客应邀去一家英国游戏工作室测试一款新的AR恐怖游戏，该游戏直接通过仿生移植与玩家大脑相连，让人工智能带给角色带来最黑暗的恐怖体验，并将逼真的图像投射到玩家的真实世界，让其感到深度的恐惧，甚至造成精神崩溃。

通过分析玩家个性来提供差异化体验，这看上去有些科幻，其实不然，这可能正是之后游戏设计的走向。

能评估玩家的游戏

在八年前的《寂静岭：破碎的记忆》中，剧本作者Sam Barlow决定用一种新思路来吓尿玩家。他在游戏中设定了一名名为Kaufmann博士的心理治疗师，让其来对主人公Harry Mason进行心理健康的分析，其实Kaufmann博士的真实作用是对玩家进行心理评估。

游戏为玩家准备了一个“Big Five”的人格测试问卷，这也是心理学家进行人格测试的常用方式。玩家会被问到“你是一个自私的人吗？”“你总是倾听他人的感受吗？”诸如此类的问题。

系统用这种方式来建立玩家的心理档案。同时，该系统也通过玩家与游戏互动的方式来绘制数据地图：玩家在各个区域的探索时间，是否不走寻常路，是否与每个NPC交谈等等。玩家在游戏当中的每一个行为都可能影响到剧情的发展。角色也有个性差异，所有的电话，语音邮件和材料都会根据不同的情况有多种变化。

在《寂静岭：破碎的记忆》当中，系统会测试玩家的心理状态，然后根据测试结果来决定游戏走向

当玩家走进一个门到新的房间，后台会根据玩家配置文件来加载定制化配置，生成该玩家自己的游戏配置，希望能尽可能根据玩家心理特点来吸引玩家。游戏中的人物、怪物和环境都会随着玩家举动做出改变，以加深其对密闭和黑暗空间的恐惧。

从《龙与地下城》时代开始，游戏设计者就开始尝试了解和评估玩家的类型。原创MUD角色扮演游戏联合创始人Richard Bartle在1996年的时候对玩家做了一个调查和分类。他根据玩家的行为，以及玩家关注的重点，把游戏玩家分为探索型，社交型，成就型和杀手型。

在过去十年当中，“玩家建模”的概念，即在游戏当中对每个玩家个体进行实时学习的行为，已经成为人工智能和机器学习类别学术研究的一个重要组成部分。

2004年，人工智能研究人员Georgios Yannakakis和John Hallam发表了一篇《吃豆人》的研究论文。他们为这款游戏制作了一个修改版，在修改版当中，鬼怪根据进化神经网络来控制，会根据每个玩家个体行为来调整行动策略。

同一年，博士生Christian Thurau也提出了自己的玩家建模系统，该系统通过使用模式识别与机器学习技术观看人类玩《Quake 2》，来教AI角色怎样在游戏世界当中移动。也就是说，现在的游戏已经可以观察和学习玩家的行为了。

2007年，加拿大阿尔伯塔大学的人工智能推理判断和学习团队在导师Vadim Bulitko的指导之下，开发出了一个名为PaSSAGE （Player-Specific Stories via Automatically Generated Events，通过自动生成事件来为玩家定制事件）的系统。该系统基于AI互动叙事系统，能在游戏当中观察和学习玩家的活动。

随着游戏的进行，程序将把玩家分为五种不同类型（基于Robin Law的《龙与地下城》），如战斗型、角色扮演型、策略型等，然后从一个预先写好的迷你任务库当中为其选取不同的游戏事件。

如果玩家喜欢在游戏世界当中找寻物品，会得到一个探索的任务；如果玩家喜欢战斗，则会被赋予参与战斗的事件。

个性化的《超级马里奥》

PaSSAGE系统仍在不断进化当中，但该系统也有明显的缺陷：依赖于人工设计的设定事件，且玩家影响有限。美国佐治亚理工学院计算机系的博士生Matthew Guzdial当前正在对这一系统进行改进，他制作了一个任天堂《超级马里奥兄弟》的修改版本，在该版本中，神经网络能够通过观察玩家行为，获取数据来建立新的关卡。

Guzdial的这一研究成果是与加州大学的Adam Summerville合作完成的，他说，他们已经成功证明了，通过该关卡生成器生成的关卡能真实匹配玩家的风格。

简单来说，如果玩家喜欢探索，那么生成的关卡当中就有探索要素；如果玩家喜欢快速通关，那么生成的关卡将符合快速通关条件。

《超级马里奥》是人工智能领域的一个流行测试平台，因为大家对这款游戏熟悉，玩家在游戏当中要针对复杂情况做出许多不同的动作，其源代码也容易获得。

在丹麦的哥本哈根大学，人工智能研究员Noor Shaker, Julian Togelius和Georgios Yannakakis基于这款游戏做了一个实验，实验让玩家通过每次玩的经历来提供情感反馈，如有趣、挑战和受挫。

研究人员把收到的反馈与在游戏中观察到的玩家数据（玩家跑、跳及死亡次数、杀敌数量等）相结合，再通过人工智能程序根据结构来构建新的关卡。

Georgios Yannakakis现任马耳他大学数字游戏学院的副教授，他在过去十年当中，与同事们一起探索各种形式的机器学习方案，以判断一名玩家玩游戏时的行为、认知和情感模式。他们结合深度学习算法，通过序列挖掘算法采集的大规模数据集，来打造玩家体验的一般模型。

系统从玩家的行动序列（如不断加血而不是加弹药）进行学习。研究人员还探索了嗜好学习，让AI系统从玩家特定内容类型选择中学习（如，喜欢对跳跃挑战更大的关卡，而不是遇敌更多的关卡）。

研究人员不但收集了玩家游戏过程中的行为数据，还运用了年龄、性别和其他玩家细节到系统当中。其目的不仅为了制作更有趣的游戏，还计划将该人工智能技术应用到教育软件和心理健康诊断/治疗工具当中去。

Yannakakis称，通过系统给出的玩家体验预测，AI算法能自动或半自动的生成一款游戏当中的地图、音频、视觉、故事甚至是规则。该预测通过跟踪玩家的爱好、目标和设计过程中的风格，能帮游戏设计者打造更好的玩家体验和更新颖的游戏内容。

纽约大学的Julian Togelius是人工智能游戏研究领域首屈一指的专家，他正在研究动态的玩家模型，即人工智能不仅通过输入，还通过了解玩家的喜好等更多信息来生成关卡。

Togelius解释道，这是机器学习技术中的主动学习，主动选择要学习的样例从而有效地降低学习算法的样本复杂度。因为游戏无法预知玩家的行为，使用这种技术就可以选择一款游戏研究玩家的方式，并找出更多有用的数据。从玩家角度来看，主动学习可以推算出一个优秀的模型，为他们提供更多新颖有趣的内容。

感知玩家情绪的游戏

当前传统游戏行业也已经开始运用玩家建模技术，如《求生之路》的AI可基于玩家行为来调整敌人类型和关卡难度。而在社交媒体和手机平台上的那些F2P游戏当中，也可以看到基于研究玩家数据的全新设计理念。

在Zynga的全盛时期，曾动用其庞大的数据科学部门来研究玩家如何互动。当发现玩家无聊和沮丧时，会对游戏进行相应调整来解决。而Quantic Foundry和GameAnalytics这样的公司则通过研究和分析来帮助智能手机开发商获取玩家行为信息。

但这些系统都是出自商业上的考虑，围绕大量玩家行为来进行游戏设计，并非去真正理解单个玩家个体的情绪，Zynga最终被他们引以为豪的“大数据”所拖累。

而一些前机器学习项目的人工智能研究人员正通过玩家的行为来推测他们的感受，如通过玩家在某些游戏当中猛按按钮的动作，来判断玩家是兴奋、投入还是受挫。是在躲避/痛击敌人，还是缓慢/快速移动，简单的动作可以获取玩家很多精神状态的信息。

2014年，Julian Togelius发现能通过观看测试者玩《我的世界》的方式来对其关键性格特征做出准确推测。他说，首先向其询问一些生活动机方面的问题，然后再分析他们的游戏日志，结果发现测试者的独立性和好奇心之类的特质与游戏中发生的很多事情紧密关联。

一款人工智能程序可通过学习数据来调整游戏以处理人类的情绪吗？哥本哈根大学研究人员Noor Shaker称，他们的终极目标是，希望通过玩家体验的方式来影响游戏。

为实现这个目标，Shaker采用了多种方法，包括神经进化，随机决策森林，多元自适应样条模型是复杂的机器学习工具，让神经能够逐步学习和适应不同玩家的行为。

《求生之路》中的人工智能能根据玩家的行为改变敌人类型和关卡难度

Shaker说，他们最近正在打造更准确的体验模型，交互工具使得玩家情绪变得可视化，想象空间很大，但当前应用到游戏中的部分还差得远。如《求生之路》中的适应部分，主要集中在游戏难度方面，系统会根据玩家行为来简单调节NPC的行为。

Shaker认为，除开游戏难度，还有许多其他方面的更重要体验。且除开调节NPC的行为，还有更多方法来处理玩家体验。最新研究表明，诸如挫败、参与或惊喜之类的情绪可以被机器学习的方法检测和建模。

Shaker打算开发一个游戏AI系统，该系统不但能理解玩家如何玩游戏，还能理解他们玩游戏时的感觉。想象一下，一款游戏能学习玩家的情绪状态，并生成NPC和故事情节，来打动他们的心。Shaker称，他觉得以数据驱动来自动生成内容的个性化是可行的。

能追踪你的游戏

迄今为止，这项研究大部分还集中于玩家在游戏世界内的行为。但游戏世界并非收集数据的唯一地点，在数字领域，那些大的公司，包括Facebook、亚马逊、微软和谷歌都使用行为定向技术来为用户提供个性化广告和内容。

这些大公司使用先进的算法通过Cookies与网络信标跟踪我们的网络浏览行为，并学习我们的喜好。数据都摆在那儿，游戏开发商们可以好好利用一下。

事实上，人工智能研究人员已经在着手创建这样的游戏，这些游戏从流行网站挖掘信息，并将其使用到叙事当中去。

Gabriella Barros当前正和Julian Togelius一起研究“数据冒险”的概念，让人工智能从诸如维基百科和OpenStreetMaps之类的网站上获取信息，然后再将其放到一款类似《神偷卡门》的游戏当中去，这款游戏基于真实的人和地理位置。

在这些数据游戏刚问世之时，英国法尔茅斯大学人工智能研究员Michael Cook对此提出了论证。他说，虽然当前数据来源是那些巨大的开放数据平台，如维基百科和政府统计数据，但如果改用Facebook信息流，你就可以和认识的人一起畅游游戏世界，做你们喜欢做的事情。

通过地理位置来关联人与人之间的关系，抛开个人隐私问题，这其实是数据游戏概念的一个自然延伸，既然当前我们的生活已经离不开那些大公司，何不用他们收集的数据来打造一款为每个人量身定制的游戏。

哥本哈根大学的Noor Shaker指出，个人隐私问题是社交媒体数据的一个瓶颈，但其实谷歌公司已经巧妙地绕过了这个瓶颈。她说，在获得数据及来源和类型之后，可以采用情感分析等自然语言处理方法来进行分析，并依据他们对不同社会、文化或政治问题的观点进行归类。

统计数据也可以从游戏、书籍或者歌曲购买记录，点赞和评论中获取。所有这些信息可以用于神经网络或标准分类技术等机器学习方法，用于寻找相似度或者预测个性特征。

所以现在我们与《黑镜》剧情越来越接近了。想象在《模拟人生》中，你公寓墙上的照片来自于你的Facebook，邻居就是你现实生活当中的朋友。

或者阴暗点，想象一款恐怖冒险游戏，这款游戏知晓你的人脉，你的Twitter争论贴，你的政治观点；想象一款了解你在Youtube上看过什么的恐怖游戏。

Yannakakis认为，游戏数据与社交媒体行为相融合，能更好的绘制玩家画像，并为其提供更佳的游戏体验。

能读取你身心的游戏

研究人员计划打造一款建立在玩家详细心理和社会概况之上的游戏，能记录玩家的在线足迹和动作——当然，这与《黑镜》当中的那种通过神经入侵玩家大脑的恐怖游戏仍有很大差距。

虽然给身体插管仍然属于医学研究前沿和科幻的东西，但当前在研究和消费领域已经有用以测量生理状态的设备，这些设备通过测量诸如皮肤电导和心率变异性等数据，来评估玩家在游戏当中的情绪反应。

研究人员以《心跳回忆》为例，可以用传感器测量玩家的心率和皮肤电导等数据，根据这个数据来决定游戏的走向。Flying Mollusk去年推出的《Nevermind》，是一款生物反馈增强的恐怖冒险游戏，该游戏基于玩家的压力指数来增加关卡的挑战难度。

Yannakakis和其他研究人员也采用现成的智能摄像头技术如英特尔实感摄像头和情绪识别软件Affectiva来追踪玩家的面部表情，检测他们的心跳等各种情绪指标。

虽然当前这种输入方式仍限于研究领域，但很快情况可能会发生改变。Valve这些年一直都在对此进行尝试。Gabe Newell在2011年的时候就预测，总有一天，游戏手柄会内置心率和皮肤感应探测器。通过这些传感器，能让游戏为每位玩家提供不同的内容，当前业界还正在研究给VR头盔加上传感器。

爱你的游戏

Mobius AI是一家开发人工智能引擎的创业公司，其联合创始人Mitu Khandaker Kokoris博士正致力于研究游戏当中玩家与人工智能角色之间的关系。她说，在现实世界中，人们偶遇，相识，相处，而游戏中缺乏这样的联系。

Khandaker Kokoris认为，可以通过加入人工智能角色的办法来改变这一切。如果游戏推断你有其类似的性格，则会对你产生完全的信任感，还将给予你一种专享的独特体验。但如何让游戏信任你则对你来说是一个巨大的挑战，或者更确切的说，让游戏信任你在游戏当中扮演的角色，你不但得注意自己说的话，还要注意说话的方式。

Khandaker Kokoris也参与了程序生成故事游戏《Little Invasion Tales》的制作，她对个人数据挖掘在未来游戏设计当中起的作用持怀疑态度。她认为，玩家希望从游戏中获得与真实世界当中不同的体验，扮演不一样的角色，但通过数据挖掘所还原出来的角色往往会忠实反映玩家本身。

但可以肯定的是，一部分游戏开发商和人工智能研究人员当前正朝着同一个方向努力；为系统提供基于单个玩家的喜好和行为的内容。一款游戏的开发费用动辄上百万美元，如果只是为众多玩家讲述同一个故事，提供同一种体验，那么风险会相当高。

我们当前生活在行为建模和数据科学的时代，在这个时代当中，亚马逊可以从网上挖掘到浏览者的喜好，并实时给其推荐个性化视频广告。在这个时代背景之下，出现一款能够了解你个人，学习你，对你有好奇心的游戏，几乎是无可避免的。

【本文编译自theguardian.com】