有人对游戏 ai 设计感兴趣无

[nekoharuya]

项目背景:github 上某不知名开源黄油
语言:python
目前算法:整体上依然是 goap 的思路，然后将世界变量作为条件随机场的条件参数，供 ai 决策自己要检索的目标，通过对数据结构做了优化，写了套简易的启发式检索，供 ai 决策出完整的行为链，同时由于游戏里 npc 很多(2800 个)，于是又通过近似检索，评分加权等思路，做了套蚁群优化，来降低 ai 的决策次数
目前成果:上诉这套东西都做完了，crf 的条件粗略几千个，角色属性纬度大几百个，写了套编辑器来随便增减目标，又大范围利用 chatgpt 做内容产出
瓶颈:性能是大问题，目前我个人能力已经找不到优化空间，除非对游戏设计做减法
需求:我想要进一步改进它，让 npc 看上去更像人，让调试变得更容易，让性能变得更好，更快，但是我自己肚子里没有墨水了，chatgpt 现在也只能对我放彩虹屁，我需要新的思路，感兴趣的话欢迎一起讨论撒

[Eddition]

差异化指令集

[nekoharuya]

@Eddition 可以详细解释下吗，请原谅我没看懂

[txhwind]

多线程、换 C

[antonius]

这么多 agent ，看你 tick 的频率，如果比较高，GOAP 开销还是不小的。优化方法也很多，不过实际情况多采用针对性优化，建议做分层(hierarchical)，区分大目标小目标，缩减状态空间。或者 time-slicing ，或者降低 GOAP 搜索频率。

还可以采用混合架构，用 Behavior Tree 或者(H)FSM 做局部优化，提高性能。

[thorneLiu]

搞性能 估计得上 GPU 计算

[thetbw]

以前就觉得，现在 ai 技术要是做到游戏中，沉浸感得多强

[nekoharuya]

@antonius 时间切片之类的在行为跨度短的时候有效，但是第一次启动时，所有角色都在查找可用的目标，其实也是一个比较大的瓶颈，玩家选择睡觉这种操作的时候，步进跨度比较大，要卡很久，也是常受玩家诟病的，设计上，其实是选择了状态机和时间切片耦合的办法，ai 找到目标后就进入了状态机，状态结束后才重新查找，另外蚁群优化也是降低查询次数的方案，找到了近邻角色以后，按相似度和信息素作为决定是否模仿对方的行为的概率

[nekoharuya]

@txhwind 在这套设计里，作为核心，也就是性能瓶颈最大的 crf ，和对象化的数据结构强耦合，详细来说，我通过装饰器，注册了几千个验证世界状态的函数，它们各自之间，又有一些逻辑处理，同时也必须非向量化的处理角色的属性数据，各种状态验证中，验证角色之间的社交关系，好感度，当前位置，历史状态的也不在少数，我目前应该是没有能力完成向 c 的迁移

[nekoharuya]

@thorneLiu 主要是 gpu 只能解决特定算法问题，参考上面我对 txhwind 的回复

[kepenj]

AI 这块不是很懂，纯游戏开发角度，同步并发 2800 个 NPC ，且希望行为树各不相同，不算不同层级 BTree 里面可能发起的查询分支数不同，光本地性能消耗就很可观了，还不算其他脚本的挂载。所以从源头设计控制岂不是最优，毕竟游戏还是讲究的体验（同屏 2800 小黄油...刺激...话说地址能分享一手么...

[nekoharuya]

@kepenj github 上搜 dieloli 就是了，帖子里说的算法自然是成品，这个游戏我做了五年了

[aegon466]

对技术和游戏内容都比较有兴趣 有群吗

[thorneLiu]

@nekoharuya 游戏这方面我确实不懂 我只看到 AI+性能 我以为是我们做的 AI 训练推理工程化相关的内容
我们这边基本就是 c++加异构的计算来提升性能

[antonius]

@nekoharuya 具体问题具体分析，做一次完整的性能数据采集，看看瓶颈在哪些地方。agent 较多可以考虑 AI 方面的 LOD ，不是所有 agent 都要完全执行。也可以试试 utility-based ai system 。

除此之外，你可能要考虑优化一下底层架构，例如游戏运行时性能，解决 Python 本身的性能问题。不太了解 Python 我就不乱说了。

性能优化是个痛苦的过程，为了性能可能要会代码搞得没那么优雅，还有不少妥协以及 hack 手法。

[nekoharuya]

@antonius PreCondition 这块的处理也是有的，核心是通过实现建立好的 hash 表，从 Goal 去查它绑定的 PreCondition ，当 PreCondition 不能满足的时候，又通过事先建立好的 hash 表，从 Effect 去反查能够满足他的 Goal ，只有一个 Goal 能满足的时候就返回它，有多个的时候就通过权重抽一个，某个 Goal 有某个 PreCondition 不能满足的时候，就又递归一层，通过对数据结构的调整，以及对数据进行预热，来优化这块的时间复杂度，尽可能的做到 O1 ，至少我刚才回忆了一下，只有一两处实在绕不开的地方是 On ，底层架构的话，我已经做了非常多的优化，我的能力所限，现在要继续优化也完全找不到新的思路

[zglzy]

有个不成熟的想法，有没有可能把计算密集的部分放在其他语言里写，做成一个 Python 包把接口提供出来就好？
比如 C++的 PyBind
或者用 Rust 的 PyO3 （这个我自己试过体验很好，开多线程并行也很方便）

[nekoharuya]

@antonius utility-based ai system 实质上是被包含在这个算法的条件随机场(Conditional Random Field)中了，效用(utility)，即 crf 中，验证函数通过世界变量获取到的条件权重，在人类的思考过程中，并不总是选择最优策略，但总的来说，人类总是更倾向于更有利的选择，所以这里做了个随机场来实现这一点，权重越大，选择对应目标的概率就越大

[nekoharuya]

@zglzy 其实有尝试过，但是，数据传递和数据类型转换的成本相当的高，再者就是高度耦合的问题，详看我在 8 楼的回复

[antonius]

如果你觉得没法再优化，那就做一次 profiling ，看看瓶颈在哪些地方。

[nekoharuya]

@antonius 倒也没有在虚空优化，火焰图之类的东西有在用，print 也打得多，各有优缺吧吧，但是常规的手段只能排查一些明显的瓶颈，通常也通过预热数据来解决了，比如游戏中场景树相当复杂，节点到节点之间的移动找不到什么有效的算法，最后选择上数据预热，例如在 github 的流水线中打包的时候，就把所有可能的，结果到节点之间的移动的最短路线创建好，比起死磕这块，不过直接从算法上完全避免，