机器学习如何优化策略游戏

文 / 软件工程师 Ji Hun Kim 和 Richard Wu，来自 Stadia 

近年来，在线多人游戏的热度持续飙升，在全球范围内吸引着数不胜数的玩家。这种流行也加倍提高了对游戏设计者的要求：玩家会期望游戏在设计上足够细致和保证平衡性，毕竟，如果游戏中有某种强势套路可以胜过所有其他玩法，那这款游戏也没什么好玩的了。

为营造积极的游戏体验，游戏设计者通常会反复调整游戏中的平衡性：

1. 通过测试用户成千上万次的游戏会话进行压力测试

2. 整合反馈，重新设计游戏
   

3. 重复步骤 1 和 2，直到游戏测试人员和设计者都满意为止
   

这个过程不仅耗时，而且明显存在不足：游戏越复杂，细微的缺陷就越容易被忽视。当游戏中有多个可供扮演的角色和大量相互关联的技能时，要达到平衡便更为困难。

今天，我们将介绍一种机器学习 (ML) 方法：训练模型充当游戏测试人员来调整游戏平衡，并在数字卡牌游戏原型 Chimera 上演示这种方法。先前，我们也用相同的测试平台演示了 ML 生成的艺术。这种基于 ML 的游戏测试方法使用训练好的智能体 (Agent) 通过数百万次模拟收集数据，让游戏设计者可以更高效地将游戏打造得更有趣、更平衡的同时也符合设计预期。

• Chimera
  https://www.youtube.com/watch?v=hMWjerCqRFA&t=239s

Chimera

我们开发的 Chimera 是一个游戏原型，在开发过程中依赖了大量的机器学习。对于游戏本身，我们有针对性地设计了规则，扩大了可能性空间，使得很难通过传统的人工构建的 AI 来进行游戏。

Chimera 的玩法围绕奇美拉（Chimera，神话生物）展开，这些生物混合体将由玩家强化和进化。游戏的目标是打败对手的奇美拉。游戏设计中的关键点如下：

• 玩家可以：

• • 操控生物