实用系统

在视频游戏的人工智能中，实用系统或实用人工智能是一种简单而有效的方法，用于模拟非玩家角色的行为。使用数字、公式和分数来评价可能的行动的相对利益，人们可以给每个行动分配效用。然后，可以根据哪个行为的效用最高来选择，或者用这些分数作为加权随机选择的概率分布的种子。其结果是，角色是根据这些行为在数学上的定义，为此刻的特定情况选择最佳行为。关键概念效用的概念已经存在了几个世纪--主要是在数学上依赖的领域，如经济学。然而，它也被用于心理学、社会学、甚至生物学中。由于这种背景和计算机编程需要将事物转换为数学的固有性质，它是作为设计和表达游戏角色行为的一种方式而自然产生的。自然，不同的人工智能架构有其不同的优点和缺点。实用人工智能的一个好处是，它比许多其他类型的游戏人工智能架构更少的手工编写。虽然实用系统中的行为通常是单独创建的（而且是手工创建的），但它们之间的相互作用和优先级并没有内在的规定。例如，行为树（BT）要求设计者按顺序指定优先级，以检查是否应该做某事。只有当该行为（或树状分支）没有被执行时，行为树系统才会下降到检查下一个行为。相比之下，许多实用系统中的行为会根据定义每个给定行为的任何数学模型所产生的分数，按优先级进行排序。正因为如此，开发者不需要确定新的行为在BT中可能有成千上万个行为节点的整体计划中的位置。相反，重点是简单地定义有关的单一行为将是有益的具体原因（即其效用）。然后，决策系统根据当时世界上发生的事情对每个行为进行评分，并选择最佳行为。虽然必须注意确保遵循标准，以便所有的行为评分都使用相同或类似的前提，但确定如何处理几十--甚至几百--种不同行为的繁重工作却从设计者那里卸载下来，放到了系统本身的执行过程中。

早期使用数字、公式和分数在游戏中被用来定义行为已经有几十年了。即使是一些简单的东西，如定义某事发生的百分比机会（如12%的机会执行X行动），也是进入实用人工智能的早期步骤。然而，只有在21世纪初，这种方法才开始采取更加正式的方法，现在通常被称为效用人工智能。

在《模拟人生》（2000）中，一个NPC当前对某些东西（例如休息、食物、社交活动）的需求与可以满足同一需求的物体或活动的得分相结合。这些值的组合给行动打分，告诉模拟人它应该做什么。这是实用人工智能在游戏中的首次明显应用之一。虽然玩家没有看到计算结果，但他们意识到了模拟人的相对需求和游戏中的物体所能提供的不同程度的满足。事实上，这也是游戏的核心机制。在《模拟人生3》（2009年）中，理查德-埃文斯使用修改过的波尔兹曼分布来为模拟人选择行动，当模拟人高兴时使用温度低，而当模拟人表现不佳时使用温度高，以使选择效用低的行动的可能性更大。

他还在模拟人中加入了个性。这创造了一种三轴模型--将数字需求和满足值扩展到包括偏好，这样不同的NPC在相同的情况下可能会根据他们内部的愿望和驱动力做出与其他人不同的反应。在他的《游戏AI的行为数学》一书中，戴夫-马克详细介绍了如何在精神上用数学思考行为，包括诸如反应曲线（将变化的输入变量转换为输出变量）。他和凯文-迪尔继续在旧金山的年度游戏开发者大会（GDC）的人工智能峰会上发表了许多关于效用理论的早期演讲，包括2010年的《通过效用理论改善人工智能决策建模》和2012年的《拥抱人工智能中的数学建模黑暗艺术》。这些讲座为效用型人工智能注入了活力，使其成为与有限状态机（FSM）、行为树和计划者并列的一种常被提及的架构。

虽然理查德-埃文斯（RichardEvans）以及后来的模拟人生系列的人工智能程序员，如大卫-雷兹-格雷厄姆（DavidRezGraham）的工作在很大程度上是基于实用人工智能的，但戴夫-马克（DaveMark）的工作却是基于实用人工智能。