: ※ 引述《lovesnake (柒分)》之銘言： : : 若是將Learning的技術放在互動式的遊戲，像是牧場物語、動物森林之類的。 : : 感覺好像會碰出不同的火花XD? : : 不過也只是私心的論文不想寫學界題材罷了= =" : : 目前我有的方向只有Learning，FSM to PDA or LBA 之類的想法。 : : 想找篇可以上GDC的論文題目也挺困難的 ((汗 : → lovesnake:其實我不是很喜歡線上遊戲，雖然賺得錢很多。 07/12 15:14 : → lovesnake:但沒有辦法像單機遊戲那般，做好一個封閉而完整的世界 07/12 15:14 : → lovesnake:好像跟文沒關聯 XD AI在遊戲中的利用像是NPC跟玩家的 07/12 15:15 : → lovesnake:互動。 一切也只是構想，還沒個底。 07/12 15:16 : → lovesnake:關於賽局理論部分的AI我就比較沒興趣了。像深藍靠得還是 07/12 15:17 : → lovesnake:資料庫阿 囧" 07/12 15:17 其實包括看了第一篇的幾個提問以至接下來的回推文，我是有點好奇你具有哪些 方面的背景知識（包括遊戲面跟資訊科學方面），因為有些部分你好像有點似是而非 的誤解。 比如說Learning。你說想要寫單機不想寫線上遊戲，可是其實你知道Learning往 往很需要的Training Data其實是線上遊戲比較充足嗎？單機遊戲的Learning是很沒 效率，C/P值又低的東西，講得誇張一點，一個有學習機能的單機遊戲可能到玩家全 破不玩了都還沒能獲取足夠學到不錯程度AI的資訊量。（當然，就算是線上遊戲有這 樣的資訊量，它還是往往不具備那個C/P值讓人想去做） 比如說你講「私心的論文不想寫學界題材」。不過其實你知道其實就算遊戲界的 論文，看起來八成也長得跟你所謂學界的論文差不了多少嗎？就算是你所謂的學界論 文，重點還是後續的Implement、實用方式，尤其是Data Mining/Machine Learning 方面的研究不少其實是方法弄出來，套什麼領域都很簡單，因為只要Training Data 格式處理好塞進去，最多微調一下參數就可以用了。 比如說FSM其實並不太Learning，它只是表現一套既定思考方式的架構，如果真 的要Learning比較需要像hidden Markov models之類的東西。 比如說「關於賽局理論部分的AI我就比較沒興趣了。像深藍靠得還是資料庫阿」 ，你知道大多數Learning都很吃資料嗎？現在Learning不常實用在遊戲裡的原因往往 不見得是時間複雜度或正確性的問題，而是沒法獲得／儲存足夠Training Data或根 本不知道怎麼對遊戲資訊做出有意義編碼的問題，不然事實上演算法方面還是有很多 簡單好用也不會太差的可以直接套用（隨便用Decision Tree寫個猜拳學習機重覆跟 同一個人一直猜，feature取得夠妙的話，理論上長遠來說勝率真的可以高於50%喔XD ）。而且賽局理論反而不是你所想的必得要靠資料庫的東西，很多賽局理論問題其實 直接從遊戲規則定義就能動手解（參考下面的連結），深藍需要資料是因為它根本沒 直接用賽局理論的方向去解（因為沒法直接窮舉所有可能著手跟結果）。 賽局淺說 姚景星;劉睦雄 http://episte.math.ntu.edu.tw/articles/mm/mm_01_3_05/ 比如說「有聽說過幾款利用基因演算法的遊戲，但似乎非常少數?」，其實你知 道基因演算法的本質也是一種靠Search盡可能嘗試避開Local Maximum找出Global Maximum，跟你所以為比較沒興趣的深藍AI相距並沒有很遠（雖然使用它們所需的前 提條件及尋找最佳解的方式看起來很不一樣）。 我建議你不要局限在你口中所說的「遊戲AI」，其實你需要的是真的去知道AI或 各種Learning真的用什麼方法在幹些什麼，你才比較知道為什麼遊戲使用的AI會選擇 或捨棄某些做法，然後哪個方向是有研究價值的。 -- 「如果你還知道牆壁或地板是硬的，就不該老是去用頭撞啊！」 「妳在說什麼，為什麼我會沒事去用頭撞牆撞地板啊！」 「不然，還有什麼理由能解釋你怎麼這麼笨啊！」 －－蘭娜．席斯塔 --

※ 發信站: 批踢踢實業坊(ptt.cc) ◆ From: 114.24.203.226