NPC如何像人一样聪明一直以来都是游戏发展的主要诉求之一。但早期的NPC经常被玩家调侃为 “人工智障”，因为它们的行为范式很容易被摸索到。
算法和资源投入与AI实际带来的产出比，在游戏未投入市场之前是难以估计的。因此，「AI」尚未在游戏中真正普及。
小团队难以承受其开发成本，甚至有些大团队还会担心效果不佳，适得其反。
已有游戏AI能“击败”人类玩家，但并不普及
游戏是催生很多AI技术的土壤。强化学习（Reinforcement Learning，RL）与游戏的完美契合在于其可以利用虚拟环境，训练AI智能体（agent）主动不断尝试去发现哪些动作会产生最丰厚的收益。
机器学习历史上诞生过很多基于游戏环境的知名AI模式，如打星际争霸2的AlphaStar，打Dota 2的OpenAI Five，玩王者荣耀的绝悟等等。以游戏为桥梁，AI领域新的技术突破也一次次被我们所熟知。
游戏AI OpenAI Five曾经击败过人类世界冠军队伍。
但这些都只是实验，AI在游戏中对于画面提升如超分辨率算法「DLSS」已有较为广泛的应用，对于更能打动玩家的交互方面却很少有贡献。作为机器学习三大分支之一的强化学习，目前的应用方向大多在自动驾驶、工业自动化、金融贸易甚至NLP上，游戏虽然也是主要应用方向，但是尚未真正普及。
在游戏领域中，人们对于强化学习等技术的需求其实非常多：在对战类游戏中，通过AI定制的解决方案，可以根据用户水平匹配相应的难度，让用户体验更好。在角色扮演、赛车类游戏中，AI可以用于测试和设计关卡。水平足够高的AI甚至可以用于平衡性测试。
玩家们经常会说的一句话是：一款游戏的画面决定你会不会关注它，而游戏性能决定你是否喜欢它。而且具有人类专业级玩家能力的高智商AI角色，不仅对于玩家来说很有吸引力，对于游戏开发者来说，如果能招募海量AI「玩家」来测试游戏bug，甚至帮助制作游戏关卡也是极好的。
GTC 大会上，游戏公司EA的开发者们展示了强化学习改进关卡设计的研究。
对于游戏开发者而言，想要训练可应用于实践的AI模型，需要足够的专业知识，但并不是每家游戏工作室都既懂游戏引擎，又能玩转深度学习框架。而在构建模型时，大规模并行化算力的需求也是一个障碍。
能不能把高智能的AI通用化、实用化呢？最近一段时间里，越来越多的游戏正在获得AI加持。
解决技术核心需求 缩短开发者与AI的距离
今年10月，华为云发布ModelArts for Games，缩短了游戏开发者与AI技术的距离。
如果觉得《机器学习历史上诞生过很多基于游戏环境的知名AI模式》对你有帮助，请点赞、收藏，并留下你的观点哦！
