如何提升游戏中机器人的表现？

　　原标题：如何提升游戏中机器人的表现？ 

　　FPS（第一人称射击游戏）中的 AI 实现多年来一直沿用着状态机和行为树。策划和程序员充分利用这两个工具，做出了大量玩法，创造了许多新颖而有趣的模式。但绝大多数的 FPS 类游戏都是偏竞技的。而竞技类的游戏是零和的游戏，有人赢，就必然有人输。绝大部分的玩家不可能像职业玩家那样不停地训练和比赛来不断提升自己的技术水平；基本上是技术练到一定的阶段后，就处于长期停滞状态。挑战高手会被虐得很惨，玩弄新手实在没有什么成就感。游戏高峰过去后，想要随时找到水平相当的队友和对手，都是比较困难的事情。在水平不等的情况下，游戏的乐趣会逐渐降低，逐渐地玩家开始流失。

　　为此，各项目都做过很多尝试。一是优化匹配算法，高峰期效果不错，但在低谷期，由于整个游戏池中的总玩家数不足，匹配到水平相当的对手很困难。二是在匹配无法平衡时，补充一些机器人到比赛房间中。常规的技术还是利用行为树来模拟玩家，策划的同学往往要写大量的行为树伪代码来实现一个模式或一张地图。然而行为树是一种基于规则的算法，即使加上一些随机扰动，这些规则都很容易被玩家发现。往往行为树版本的拟人机器人上线后会被玩家吐槽，他们会认为自己被欺骗了。

　　有没有新的方法来提升机器人的表现，从而提升玩家的满意度呢？我们把方向瞄准了最近几年蓬勃发展的深度学习。

　　近年来，随着人工智能的发展，深度学习技术已成功应用于图像、语音、自然语言等领域。比如基于 ImageNet 进行的图片分类比赛[7]，基于人脸识别的智能安防系统，Google 利用深度学习技术降低 系统语音识别错误率，提升机器翻译的流畅度等等。