: ※ 引述《lovesnake (柒分)》之铭言： : : 若是将Learning的技术放在互动式的游戏，像是牧场物语、动物森林之类的。 : : 感觉好像会碰出不同的火花XD? : : 不过也只是私心的论文不想写学界题材罢了= =" : : 目前我有的方向只有Learning，FSM to PDA or LBA 之类的想法。 : : 想找篇可以上GDC的论文题目也挺困难的 ((汗 : → lovesnake:其实我不是很喜欢线上游戏，虽然赚得钱很多。 07/12 15:14 : → lovesnake:但没有办法像单机游戏那般，做好一个封闭而完整的世界 07/12 15:14 : → lovesnake:好像跟文没关联 XD AI在游戏中的利用像是NPC跟玩家的 07/12 15:15 : → lovesnake:互动。 一切也只是构想，还没个底。 07/12 15:16 : → lovesnake:关於赛局理论部分的AI我就比较没兴趣了。像深蓝靠得还是 07/12 15:17 : → lovesnake:资料库阿 囧" 07/12 15:17 其实包括看了第一篇的几个提问以至接下来的回推文，我是有点好奇你具有哪些 方面的背景知识（包括游戏面跟资讯科学方面），因为有些部分你好像有点似是而非 的误解。 比如说Learning。你说想要写单机不想写线上游戏，可是其实你知道Learning往 往很需要的Training Data其实是线上游戏比较充足吗？单机游戏的Learning是很没 效率，C/P值又低的东西，讲得夸张一点，一个有学习机能的单机游戏可能到玩家全 破不玩了都还没能获取足够学到不错程度AI的资讯量。（当然，就算是线上游戏有这 样的资讯量，它还是往往不具备那个C/P值让人想去做） 比如说你讲「私心的论文不想写学界题材」。不过其实你知道其实就算游戏界的 论文，看起来八成也长得跟你所谓学界的论文差不了多少吗？就算是你所谓的学界论 文，重点还是後续的Implement、实用方式，尤其是Data Mining/Machine Learning 方面的研究不少其实是方法弄出来，套什麽领域都很简单，因为只要Training Data 格式处理好塞进去，最多微调一下参数就可以用了。 比如说FSM其实并不太Learning，它只是表现一套既定思考方式的架构，如果真 的要Learning比较需要像hidden Markov models之类的东西。 比如说「关於赛局理论部分的AI我就比较没兴趣了。像深蓝靠得还是资料库阿」 ，你知道大多数Learning都很吃资料吗？现在Learning不常实用在游戏里的原因往往 不见得是时间复杂度或正确性的问题，而是没法获得／储存足够Training Data或根 本不知道怎麽对游戏资讯做出有意义编码的问题，不然事实上演算法方面还是有很多 简单好用也不会太差的可以直接套用（随便用Decision Tree写个猜拳学习机重覆跟 同一个人一直猜，feature取得够妙的话，理论上长远来说胜率真的可以高於50%喔XD ）。而且赛局理论反而不是你所想的必得要靠资料库的东西，很多赛局理论问题其实 直接从游戏规则定义就能动手解（参考下面的连结），深蓝需要资料是因为它根本没 直接用赛局理论的方向去解（因为没法直接穷举所有可能着手跟结果）。 赛局浅说 姚景星;刘睦雄 http://episte.math.ntu.edu.tw/articles/mm/mm_01_3_05/ 比如说「有听说过几款利用基因演算法的游戏，但似乎非常少数?」，其实你知 道基因演算法的本质也是一种靠Search尽可能尝试避开Local Maximum找出Global Maximum，跟你所以为比较没兴趣的深蓝AI相距并没有很远（虽然使用它们所需的前 提条件及寻找最佳解的方式看起来很不一样）。 我建议你不要局限在你口中所说的「游戏AI」，其实你需要的是真的去知道AI或 各种Learning真的用什麽方法在干些什麽，你才比较知道为什麽游戏使用的AI会选择 或舍弃某些做法，然後哪个方向是有研究价值的。 -- 「如果你还知道墙壁或地板是硬的，就不该老是去用头撞啊！」 「你在说什麽，为什麽我会没事去用头撞墙撞地板啊！」 「不然，还有什麽理由能解释你怎麽这麽笨啊！」 －－兰娜．席斯塔 --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 114.24.203.226