万字解析：今天的游戏技术究竟发展到了什么程度？

壹 三维世界

假三维 早期电脑无法支持3D演算，根据平面图生成假三维。以己身为点发射射线，计算其到达墙壁距离生成竖直竖线作为墙壁，建立假三维空间，己身无法抬头也无法起跳。

真实三维世界

模型 由无数个三角形做面构建而成，面数越多则模型越精致。模型材质来自贴图。模型和贴图都需要艺术家通过绘画，拍照，扫描等方式实现。

eg.数字长城

模型：喜峰口照片数量共有五万多张后续根据照片生成的贴图模型等，原始素材二三十亿个面。

光线：Lumen全局光照与反射+Ray-tracing光线追踪。

光线

光栅化 将三维世界的每一个三角形投影于屏幕上，得到轮廓，填上颜色，变成像素。但色彩像素只能作为其中一层，需要单独计算光照，阴影与暗处等等叠加上去，甚至要叠几十层。

光线追踪 屏幕上的每个像素都能发射一根光线，并在后续碰撞或反射中追踪光线，会产生关系正确但有噪点的图像，每个像素发射的光线越多画面便越清晰。由于计算机算力不够，如果直接使用光线追踪会满屏噪点，所以今天的方案是将光追作为一层图叠加与光栅之上。

人物 上面的模型与光线技术同样可以用于呈现人物。但人物的表情与动作必不可少。

贰 虚拟人物

许多张静态画面连续播放形成动画，两个静态画面间补充位移画面的方法即为关键帧。

eg.《白雪公主与七个小矮人》利用转描技术与关键帧完成。

关键帧 根据人眼的视觉残留特性，1秒种播放24帧，是电影画面实现流畅不卡顿视觉效果的最低要求。以小球动画为例，在一秒的起点与终点打上两个关键帧，机器会自动补足中间帧。同样可调整动画曲线使中间帧位置改变，让动画速度更贴合现实。亦或是改变球的形状作为关键帧。

关节与骨骼 人物运动中不可像小球般手动标记位置，会撕裂模型，需要建造关节与骨骼。关节带动骨骼旋转，再将模型与骨骼绑定，就可以用关节控制骨骼带动模型。

动作捕捉可更方便地采集动作与表情。

FACS(Facial Action Coding System)面部表情编码系统 将人脸划分成70个左右的独立运动单元即AU(Action Unit)结合组成不同表情。其成为面部表情的权威参照标准。

eg.Memoji,Animoji 设计师完成52个来自FACS的AU表情建模，通过摄像头采集人物表情，拆分成不同的AU表情权重，便可以组合模拟成各种Memoji,Animoji。

叁 物理运动

刚体模拟 形状和大小不会改变的物体间的受力和碰撞。每隔0.01秒物理引擎检测所有方块的接触，基于质量，体积，摩擦力等参数计算0.01秒后的位置与速度。

Ragdoll模型 人与动物也可简化为一系列连接起来的方块。

粒子计算 将物体看作一系列例子组合，对每个粒子分别做受力和运动计算。用于爆炸模拟，布料模拟，流体模拟。

动画模拟 由于算力问题问题，大部分制作者会为爆炸，布料，流体准备大量提前制作好的动画效果。

真实的物理模拟技术可用于驾驶练习，科研试验或是训练机器狗。

肆 机器智能

状态机 游戏中最常见的智能模拟方案，在什么情况下怎样行动。庞大的行为树和动画资源堆叠产生的成果可以让游戏中产生真假难辨的模拟智能。

强化学习AI 利用深度学习算法训练AI，为其设定一个清晰目标，让机器自动求解，给予其时间便可产生智能。

eg.机器狗训练 在物理模拟中时间的速度是现实的很多倍的情况下，机器狗完成追踪运动轨迹的目标。训练自主思考能力是，设定一个大概目标，达到目标的过程由其自主完成，例如机器狗叼回小球。

eg.控制百颗卫星 从探测变源天体时产生的数量极多的光学波段中筛选出需要的数据，用哪些卫星探测这些数据都是繁杂的任务，所以需要强化学习AI来代替人类。去中心化的概念是同存于控制卫星与游戏AI的多智能体强化学习算法之中的，即每个卫星AI都是独立的智能体，自己独立决策，同时与其他卫星AI沟通交流。

2012多伦多大学ALex首次运用深度学习算法，游戏技术的推动使得深度学习能够大规模应用

GameTech正在滋养世界。望游戏世界能越来越好，同样也挟带着现实世界越来越好！