人工智能與遊戲

Georgios N.Yannakakis是馬耳他大學(UoM)電子遊戲學院的一名副教授。他於2006年在愛丁堡大學取得信息學博士學位。他曾擔任哥本哈根IT大學計算機遊戲研究中心的副教授。
他的研究主要集中在遊戲領域中的AI、計算創意、情感計算以及人機交互。他在上述領域中發表了超過200篇期刊論文與會議論文，他的研究也受到了多項國家基金與歐盟基金的支持，並且發表在《Science Magazine》與《New Scientist》中。
他是IEEE Trans. on Computational Intelligence and AI in Games的副主編，並曾經是IEEE Trans. on Affective Computing (2009-2016)的副主編。
他是一些重要會議的主席，例如IEEE CIG (Computational Intelligence and Games)與Foundations of Digital Games (FDG)。

Julian Togelius是紐約大學計算機科學與工程系的副教授，並且也是紐約大學遊戲創新實驗室的共同指導者。他曾擔任哥本哈根IT大學計算機遊戲研究中心的副教授。
他的工作針對計算智能與遊戲的所有方面，以及進化計算與進化強化學習的部分方面。他當前的主要研究方向涉及基於搜索的程序化內容生成、借助玩家建模的遊戲調節、自動遊戲設計，以及相關的以競賽形式開展的遊戲AI基準。
他目前擔任IEEE Transactions on Games的首席編輯。

譯者序
原書序
原書前言
原書致謝
配套網站

第一部分背景1

第1章導論3
1.1關於本書4
1.1.1我們為何編寫本書4
1.1.2誰應當閱讀本書5
1.1.3術語的簡短說明6
1.2 AI與遊戲簡史6
1.2.1學術界8
1.2.2工業界9
1.2.3分歧11
1.3為什麼使用遊戲來研究AI 13
1.3.1遊戲是一個困難與有趣的問題13
1.3. 2豐富的人機交互15
1.3.3遊戲是流行的15
1.3.4對所有AI領域的挑戰17
1.3.5遊戲是AI的長遠目標的最佳實現17
1.4為什麼需要遊戲中的AI 19
1.4.1AI體驗並且改善你的遊戲19
1.4.2更多的內容、更好的內容20
1.4.3玩家體驗與行為動作分析20
1.5本書結構21
1.5.1本書中覆蓋（以及未覆蓋）的內容21
1.6總結23

第2章AI方法24
2.1附註25
2.1.1表示25
2.1.2效用26
2.1.3學習=最大化效用（表示）26
2.2特定行為編輯27
2.2.1有限狀態機27
2.2.2行為樹28
2.2.3基於效用的AI 30
2.2.4進階閱讀32
2.3樹搜索32
2.3.1非啟發式搜索32
2.3.2最佳優先搜索33
2.3.3極大極小35
2.3.4蒙特卡羅樹搜索36
2.3.5進階閱讀40
2.4進化計算40
2.4.1局部搜索41
2.4.2進化算法42
2.4.3進階閱讀46
2.5監督學習46
2.5.1人工神經網絡48
2.5.2支持向量機53
2.5.3決策樹學習55
2.5.4進階閱讀57
2.6強化學習57
2.6.1核心概念以及一種高層次的分類方法59
2.6.2Q-Learning 60
2.6.3進階閱讀61
2.7無監督學習62
2.7.1聚類62
2.7.2頻繁模式挖掘64
2.7.3進階閱讀66
2.8知名的混合算法66
2.8.1神經進化66
2.8.2帶有人工神經網絡函數逼近器的時序差分學習67
2.8. 3進階閱讀70
2.9總結71

第二部分在遊戲中使用AI的方式73

第3章玩遊戲75
3.1為什麼使用AI來玩遊戲75
3.1.1扮演玩家角色來追求勝利76
3.1.2扮演非玩家角色來追求勝利78
3.1.3以體驗為目標來扮演玩家角色玩遊戲78
3.1.4以體驗為目標來扮演非玩家角色玩遊戲79
3.1.5關於AI在遊戲過程中的目標與角色的總結80
3.2遊戲設計與AI設計上的各種考量80
3.2.1各種遊戲的特性81
3.2.2 AI算法設計的各種特性86
3.3 AI可以怎樣地玩遊戲89
3.3.1基於規劃的方法89
3.3.2強化學習94
3.3.3監督學習96
3.3.4嵌合式遊戲玩家97
3.4 AI可以玩什麼遊戲97
3.4.1棋盤遊戲97
3.4.2卡牌遊戲99
3.4.3傳統街機遊戲101
3.4.4策略遊戲107
3.4.5競速遊戲111
3.4.6射擊與其他第一人稱遊戲113
3.4.7嚴肅遊戲115
3.4.8互動小說117
3.4.9其他遊戲118
3.5進階閱讀121
3.6練習121
3.6.1為什麼是吃豆小姐121
3.7總結122

第4章生成內容123
4.1為何生成內容123
4.2分類方法125
4.2.1根據內容的分類方法125
4.2.2根據方法的分類方法126
4.2.3根據角色的分類方法127
4.3如何生成內容127
4.3.1基於搜索的方法127
4.3.2基於求解器的方法130
4.3.3基於文法的方法131
4.3.4元胞自動機134
4.3.5噪聲與分型137
4.3.6機器學習138
4.4 PCG在遊戲中的角色141
4.4.1混合主導的142
4.4.2自主的145
4.4.3體驗主導的145
4.4.4體驗無關的148
4.5有什麼是可以被生成的148
4.5.1關卡與地圖148
4.5.2視覺效果150
4.5.3聽覺效果151
4.5.4敘事152
4.5.5規則與機制153
4.5.6遊戲155
4.6為內容生成器進行評估158
4.6.1這為何很難159
4.6.2函數與美學159
4.6.3如何評估一個生成器159
4.7進階閱讀161
4.8練習162
4.8.1迷宮生成162
4.8.2平台關卡生成器162
4.9總結162

第5章玩家建模163
5.1什麼是玩家建模以及什麼不是玩家建模164
5.2為什麼需要對玩家進行建模165
5.3對各類方法的高層級分類法166
5.3.1基於模型（自頂向下）的方法167
5.3.2免模型（自底向上）的方法170
5.3.3混合方法170
5.4模型的輸入是怎樣的171
5.4.1遊戲玩法171
5.4.2客觀數據171
5.4.3遊戲環境173
5.4.4玩家資料174
5.4.5鏈接數據175
5.5模型的輸出是怎樣的175
5.5.1對行為進行建模175
5.5.2為體驗進行建模176
5.5.3無輸出183
5.6如何對玩家進行建模183
5.6.1監督學習184
5.6.2強化學習187
5.6.3無監督學習188
5.7可以為何物建模189
5.7.1玩家行為189
5.7.2玩家體驗195
5.8進階閱讀199
5.9練習200
5.9.1玩家行為200
5.9.2玩家體驗200
5.10總結201

第三部分未來之路203

第6章遊戲AI全景205
6.1遊戲AI的全景視角206
6.1.1從方法（計算機）的角度出發206
6.1.2從末端用戶（人類）的角度出發207
6.1.3從玩家-遊戲交互的角度出發209
6.2各個AI領域如何啟發其他領域210
6.2. 1玩遊戲210
6.2.2生成內容213
6.2.3為玩家建模216
6.3前行之路218
6.4總結219

第7章遊戲AI研究前沿220
7.1通用對弈遊戲AI220
7.1.1通用遊戲221
7.1.2通用遊戲生成與編排222
7.1.3通用遊戲情感循環223
7.2在遊戲中的其他角色224
7.3道德上的考量226
7.4總結228

附錄230
附錄A英文縮略語表230
附錄B遊戲名稱中英文對照表232
附錄C中英文術語對照表237
參考文獻248