官网原文https://enlisted.net/en/news/show/37-ai-in-enlisted-situational-response-en/#!/

文稿翻译加工：Sword

前言

今天我们将讨论关于AI工具人对于周围战况之环境意识，同时这部分也是Enlisted/从军这款游戏的重要组成部分之一。更具体地来说，我们的工作是去训练玩家小队中的AI工具人以便于更好地对周围危险情况和高价值首要目标进行识别。

让我们从一个的告示来开启本篇devblog，按照游戏中的情况而言，在下面我们将要谈论的内容指的是一组能供允许你的AI工具人做出自己的决定算法。

在4月的莫斯科战役测试，我们继续研究你的AI工具人的相关数据与信息。我们教AI工具人

一是跨越障碍物；二是听从玩家的指挥命令；三是使用掩体；四是投掷手榴弹等投掷物。

在5月的柏林战役测试呢，我们则能够识别出了AI工具人最重要的内容之一，就是对周围危险情况和高价值首要目标进行识别。

（旧的）“Aggro meter”hazard accumulation system：结合众多参数的周围危险信息积累分析系统

在4月的莫斯科战役和5月的柏林战役两次测试中，玩家其实已经体验到了性能优化的“Aggro-meter”系统（结合众多参数的周围危险信息积累分析系统）的小队中的AI工具人。它积累了士兵周围可见的目标的“危险”指数，这些目标造成了士兵的伤害或队友的死亡。该系统总体来说还算正常，但是有一个问题，那就是在敌人目标“危险”级别较低但开火射击的可能性却很高（言外之意指的是蹲坑捞人头的玩家）的情况下，这个系统呢则会有一些问题而导致忽视这些目标。因此我们制作组在权衡了所有的利弊之后，我们决定重新设计系统，完全采用一种称为“效用函数”的不同模式。

（新）“Utility Function” algorithm and machine learning：效用函数算法与机器学习

从技术角度上讲，新算法是基于输入值的一组数学函数。其最后一个功能允许人工AI系统对输入值进行权衡分析，并将结果作为一个单一的来表示敌人危险的数字，同时AI系统也会基于这个数字来选取敌人目标。这种新模式则开创性地创造出了打开了大量可配置的参数，因此即使一个单一的参数变量也会影响AI工具人行为。

因此对于玩家来说，这一切都意味着使用“效用函数”算法选择目标的AI工具人，在瞬息万变的战斗环境中变得更加灵敏。在开发组内部最早的测试也已经表明，使用这套新算法士兵的行为与真正玩家的行为明显更相似：他们对危险的反应更快，在目标之间的切换也更为自主和灵活。

特别有趣的是，在新“效用函数”算法中，我们看到了机器学习的潜力，它将不断改善AI工具人的行为。因此可以说，一个人工智能系统（利用机器学习）引导另一个人工智能模块（目标选择模块）在战斗中更加有效，并在测试过程中展现出好的效果。

我们仍然在为机器学习选择更加合适恰当的标准，并且可能会为不同的任务编写出对应职责任务的人工智能模块：生存类和作战能力类。举个例子来说，假设防守的士兵应该选择威胁最大的目标（估计指的是对面大佬玩家）和攻击中最容易杀死的目标（估计是走大马路无掩体的萌新玩家）。同时也需要指出，这些目标的选取也并不总是一致的。学习将使我们能够结合当前人工智能领域的发展，并在未来有用地应用它们来改善AI工具人在战场上的行为。

Training Potential of AI in Enlisted：在Enlisted/从军中训练AI系统的更多潜能

现在我们已经有了一个巨大的数据流，这可以在每一个游戏战局中实时训练人工智能，以预测危险将从何而来，并相应地选择AI工具人瞄准的方向。我们已经在使用一种算法来搜索战斗中的一组事件，以选择AI工具人瞄准的方向，并且进一步用玩家对战所创造的海量数据去训练AI，那么这些玩家创造的真实数据将使这个系统更加强大！

此外，我们开发组的程序员们设定的人工智能的优先级并不是在任何地图、任何战场环境下都十分理想，基于这一点我们看到了机器学习的潜力，因为这一定将会对我们产生很大的帮助，因为在开放测试（预示着过几天么？开启新的测试）的每一天里，我们都可以获得大量的数据来训练AI，以便更好地选择优先级。

最后冷笑话一弹：人工智能系统可以用玩家创造的射击瞄准数据来训练AI，反过来经过训练的AI可能则会让玩家痛苦不已滑稽。

最后宣传我们的Enlisted/从军交流群：967382101