遊戲的機器學習 NPC：為什麼《最後生還者》的 AI 隊友不擋路
這句話聽起來像偷懶，其實是設計哲學的轉向。傳統思路是「我要做一個能正確戰鬥的隊友」，Naughty Dog 的思路是「我要做一個不會破壞玩家沉浸感的隊友」。這兩者的差別在於優先順序：前者追求 AI 的自主性，後者追求玩家的體驗曲線。
於是出現了一個在當時引發討論的設計決策：在《最後生還者》一代中，隊友在潛行狀態下不會被敵人發現。即使艾莉大搖大擺走過敵人身邊，敵人也不會有反應。很多玩家一開始會覺得「這不合理」，但實際玩過之後，絕大多數人都認為這是正確的選擇——因為玩家真正在意的不是「AI 是否寫實」，而是「我的潛行有沒有被隊友雷到」。
這個決策濃縮了整個隊友 AI 設計的核心矛盾：寫實性 vs. 可玩性。而《最後生還者》選擇了可玩性，並用大量技術手段去掩蓋這個選擇帶來的破綻。
二、拆解《最後生還者》的隊友 AI：不擋路不是魔法，而是設計
接下來我們進入技術層面。要把「隊友不擋路」這件事做扎实，光靠一個演算法是不夠的，它其實是四、五層機制疊起來的結果。以下逐層拆解。
2-1 導航網格與動態避讓：讓「路」不再是唯一解
遊戲中的 AI 移動通常建立在導航網格（NavMesh）之上——它把 3D 場景轉換成一張可以行走的「地圖」，AI 在地圖上用 A* 演算法算出最短路徑。但單純的 A* 只解決「從 A 到 B 怎麼走」，不解決「同時有別人在走怎麼辦」。
所以現代遊戲會在 A* 之上疊一層局部避讓（Local Avoidance）。常見的技術包括：
《最後生還者》的做法更進一步。Naughty Dog 的 AI 系統會讓隊友在跟隨玩家時，主動偵測玩家的移動方向與速度，並提前預判「玩家接下來兩秒可能會走過的路徑」，然後把自己安排到路徑的側邊或後方。這就是為什麼你很少覺得艾莉擋在你正前方——她其實一直在「預測」你。
還有一個關鍵技巧：當隊友真的擋住玩家時，系統會啟動「緊急退讓」。這不是讓隊友慢慢繞過去，而是用一個極短的動畫（側身、後退半步、貼牆讓位）在 0.3 秒內解決碰撞。玩家幾乎不會察覺，只會覺得「隊友好像很自然地讓開了」。
2-2 「隱形化」機制：玩家感知的錯覺工程
比避讓更重要的，是讓玩家根本不會去注意隊友。這在遊戲設計中被稱為「感知管理」，而《最後生還者》是把這套玩到極致的作品之一。
具體手段包括：
這些技巧單獨看都有「作弊」的嫌疑，但組合起來的結果是——玩家從來不會意識到自己在跟一個 AI 互動，而只會覺得「這裡有個可靠的同伴」。這就是所謂的「隱形化」：好的 AI 是讓你不會注意到它是 AI。
2-3 戰鬥中的站位腳本與角色分工
潛行時隊友可以「隱形」，但戰鬥時不行——玩家需要隊友真的做事。這時《最後生還者》靠的是腳本化的站位系統加上條件式行為切換。
隊友在戰鬥中的行為大致分為幾個模組：
狀態
行為邏輯
對玩家的影響
跟隨中（非戰鬥）
維持距離、避讓、模仿玩家姿態（蹲下時跟著蹲）
幾乎無感，但隨時在側
進入戰鬥
自動尋找掩體、標記敵人、偶爾出手
提供火力支援與情報
玩家被壓制
提高攻擊頻率、吸引敵人注意力
降低玩家壓力，創造反擊窗口
玩家脫離戰鬥
退回跟隨模式、重新計算路徑
無縫回到潛行狀態
值得注意的是，隊友的命中率、開火時機、甚至「敵人是否會優先攻擊隊友」這些參數，都是可以動態調整的。例如當玩家血量低時，系統會刻意讓隊友吸引更多仇恨（Aggro），給玩家喘息的空間；當玩家明顯想自己解決敵人時，隊友則會降低干預頻率。這種「隱形的難度調節」是現代 3A 遊戲的常見做法，而《最後生還者》是其中的教科書級案例。
三、機器學習在現代遊戲 NPC 中的角色
講到這裡，必須先釐清一個常見的誤解：《最後生還者》的隊友 AI 主要不是靠機器學習。它的核心仍然是行為樹、狀態機、腳本與規則式系統。機器學習在其中的角色相對有限，更多是出現在「動畫融合」、「姿態匹配（Motion Matching）」這類輔助層面——二代在動畫系統上大量使用 Motion Matching 技術，讓角色移動更自然，但那跟「決策 AI」是兩個不同的問題。
那麼，機器學習到底在遊戲 NPC 中扮演什麼角色？我們來好好談一談。
3-1 從行為樹到強化學習：決策 AI 的三種路線
目前遊戲 AI 的決策系統大致可以分成三條路線：
第一條：規則式 AI（Rule-based）
包括狀態機、行為樹、GOAP（Goal-Oriented Action Planning，目標導向行動規劃）。這是目前 99% 的商業遊戲在用的方式。優點是可控、可預測、好除錯；缺點是需要設計師手動撰寫大量規則，難以產生真正「湧現」的行為。
第二條：效用型 AI（Utility AI）
給每個可能行動打分數，選擇分數最高的執行。它比行為樹更靈活，能處理「多目標權衡」的情境，例如「我該先躲掩體還是先救隊友」。許多 RPG 與策略遊戲用這種方式。
第三條：學習型 AI（Learning-based）
透過機器學習（強化學習、模仿學習、神經網路）讓 AI 從大量遊戲數據或自我對戰中學習策略。這條路線最接近大眾想像中的「機器學習 NPC」，但在商業遊戲中的落地程度遠低於外界預期。
為什麼？因為學習型 AI 有三個致命問題：不可預測性、訓練成本與除錯困難。一個行為樹寫錯了，設計師可以去看節點、抓 log 修好；一個神經網路行為怪異，工程師可能要花幾週才找得出原因。對於動輒數百人團隊、排程緊張的 3A 專案來說，這是巨大的風險。
所以目前學習型 AI 多半出現在以下場景：
動畫生成：Motion Matching、深度學習驅動的動作融合。
玩家行為建模：用於難度動態調整、關卡平衡測試。
3-2 學習型 AI 的實務挑戰：為什麼「聰明」不等於「好玩」
假設真的用強化學習訓練出一個超強的 NPC，會發生什麼事？答案是——玩家會很痛苦。
這在遊戲 AI 圈有句名言：「AI 不該表現得像個天才，而該表現得像個稱職的對手。」強化學習的目標函數通常寫成「勝率最大」或「得分最高」，結果訓練出來的 AI 會找到各種玩家意想不到的「漏洞打法」：龜在一個角落、用最優化但無聊的策略、精準到不合理的反應速度。這不是娛樂，這是折磨。
所以實務上的做法往往是「給學習型 AI 加上限制」：限制它的反應時間、限制它的資訊量（讓它跟玩家一樣只能看到視野內的東西）、加入「人性化誤差」。換句話說，我們不是要 AI 變強，而是要 AI 變「像人」。
另一個挑戰是行為的多樣性與可讀性。好的遊戲 AI 需要讓玩家能「讀懂」它在幹什麼——敵人躲掩體、探頭、換彈，這些動作要清楚到玩家能預判。學習型 AI 常常產生玩家看不懂的行為，反而降低了遊戲的節奏感與爽度。
這也是為什麼《最後生還者》這種作品選擇了高度腳本化的路線：因為它要控制的不是勝負，而是情緒。隊友什麼時候該說話、什麼時候該沉默、什麼時候該出手相救，這些都是敘事節奏的一部分，很難交給一個黑箱模型去決定。
四、為什麼「不擋路」其實是心理學問題
講完技術，我們回到最根本的問題：玩家到底在不在乎隊友擋路？答案是，玩家在乎的其實不是「擋路」本身，而是被打斷的感覺。
4-1 玩家感知與遊戲體驗：摩擦感從哪裡來
遊戲設計中有一個概念叫「摩擦感（Friction）」：任何讓玩家從「想做某件事」到「實際做到」之間產生阻礙的東西。隊友擋路就是一種典型的摩擦——你想往前衝，結果被隊友卡住，那一瞬間你的「心流」就斷了。
研究顯示，玩家對摩擦的忍受度跟「頻率」與「情境」有關：
在戰鬥或逃命階段被擋一下，玩家會非常火大，因為那是生死關頭。
《最後生還者》的設計正對著這些痛點：它在關鍵時刻（戰鬥、逃命）幾乎不會讓隊友擋路，而在安全時期允許隊友有更多存在感（說話、走動、跟玩家互動）。這種「該隱形時隱形、該出現時出現」的節奏安排，正是它讓人覺得舒服的原因。
4-2 「不擋路」的三個設計原則
從《最後生還者》的經驗中，可以歸納出三條給開發者的設計原則，也順便說明為什麼這件事這麼難：
原則一：玩家優先權永遠最高。
當玩家與 AI 的移動意圖衝突時，AI 必須讓路。這聽起來簡單，但實作上需要一套「優先權系統」，讓 AI 知道「我現在該退讓」。很多遊戲做不好，是因為 AI 的路徑計算沒有把玩家當作「最高優先的動態障礙」。
原則二：允許 AI「作弊」，但不要讓玩家看到。
離屏傳送、碰撞體縮減、視野外移動，這些都是「作弊」。重點不是禁止作弊，而是作弊要發生在玩家感知不到的地方。玩家一旦看到 AI 瞬移，沉浸感就崩了。
原則三：設計「不擋路」的場景，而不只是「不擋路的 AI」。
這點常被忽略。與其讓 AI 想辦法繞過狹窄空間，不如在關卡設計上就把通道做得寬一點、把掩體位置錯開。好的 AI 是 AI 與關卡設計共同完成的。《最後生還者》的關卡充滿「側邊空間」與「多層次地形」，這讓隊友永遠有地方可以退。
五、其他遊戲的對照：誰做到了、誰還沒
《最後生還者》不是唯一在隊友 AI 上下功夫的作品，但它的完成度確實名列前茅。以下是幾個值得對照的案例：
《戰神》（God of War, 2018）
阿特柔斯（Atreus）的設計靈感明顯受到《最後生還者》影響。他會自動避讓、不會卡住玩家、戰鬥中會自動索敵與射箭支援，同時兼任敘事角色。聖塔莫尼卡工作室同樣採用了大量的「隱形化」技巧，讓玩家專注在奎托斯身上。
《碧血狂殺 2》（Red Dead Redemption 2）
R 星的隊友與馬匹 AI 走的是另一條路：追求極致的寫實與模擬。結果是隊友會擋路、馬會撞樹、NPC 會做出讓你哭笑不得的反應。這種「不完美」反而成為遊戲的魅力之一，但也顯示出「寫實」與「順暢」之間的取捨。
《最後生還者 二部曲》（The Last of Us Part II）
二代把隊友 AI 推到新高度：隊友在潛行時會主動躲進草叢、會被敵人發現（但敵人對隊友的警戒與對玩家不同）、玩家可以下指令。這是一代的「隱形化」哲學加上更多自主性的結果。
《A Plague Tale》系列
隊友 AI 相對簡單，但在敘事場景中的配合度高，屬於「腳本驅動」的典型。
《異塵餘生 4》、《上古卷軸 5》
隊友 AI 走開放世界路線，自由度極高，但擋路、卡門、亂跑的問題也最嚴重。這是「開放世界 vs. 線性關卡」在 AI 設計上的根本差異：開放世界的變數太多，很難用腳本完全覆蓋。
從這些案例可以看出一個規律：越是線性、敘事導向的遊戲，隊友 AI 越容易做到「不擋路」；越是開放、模擬導向的遊戲，越容易出現摩擦。這不是技術高低的問題，而是設計目標的不同。
六、給玩家與開發者的實用觀察
6-1 玩家可以怎麼利用隊友 AI
理解了隊友 AI 的運作邏輯，其實可以反向用在攻略上。以下是幾個實用觀察：
6-2 開發者可以借鏡的設計原則
如果你正在做遊戲或對 AI 設計有興趣，以下是從《最後生還者》整理出的實務建議：
一、先定義「玩家體驗目標」，再選技術。
不要一開始就想「我要用機器學習做 AI」，而是先問「我希望玩家在這一刻感覺如何」。是緊張？是安心？是孤獨？技術是手段，體驗才是目的。
二、把「避讓」當成一級公民。
很多團隊把避讓當成附屬功能，結果就是玩家一直被卡。建議在移動系統設計初期就把「玩家優先權」寫進架構，而不是事後補丁。
三、建立「感知管理」機制。
設計一套系統來追蹤「玩家現在看得到什麼」，並讓 AI 的重大行為（傳送、補位、重生）發生在玩家視線之外。這是「隱形化」的核心。
四、接受「不寫實」。
隊友不被敵人發現、碰撞體縮小、離屏傳送，這些都不寫實，但都讓遊戲更好玩。寫實是加分項，不是必要條件。
五、用數據驗證，而不是用直覺。
記錄玩家被隊友擋住的頻率、位置、時長，這些數據比「我覺得應該還行」可靠得多。很多團隊發現，玩家實際感受到的摩擦遠高於設計者預期。
六、機器學習用在對的地方。
現階段，機器學習最適合用在「動畫融合」、「玩家行為預測」、「測試自動化」這些輔助層面，而不是直接取代決策 AI。決策 AI 仍然需要設計師的掌控力，尤其是在敘事導向的遊戲中。
七、結語：最好的 AI，是讓你忘記它是 AI
回到最初的問題：《最後生還者》的 AI 隊友為什麼不擋路？
答案不是某一個神奇的演算法，而是一整套以玩家體驗為核心的設計哲學：該退讓時退讓、該隱形時隱形、該出手時出手，並且把所有「作弊」藏在玩家看不見的地方。它結合了導航網格、動態避讓、腳本化站位、感知管理與大量的關卡設計配合，才造就了那個「幾乎不存在，卻又無所不在」的艾莉。
至於機器學習，它在現代遊戲 NPC 中的角色正在快速演進。LLM 驅動的對話 NPC、強化學習訓練的戰鬥對手、生成式動畫，這些都在改變遊戲 AI 的面貌。但無論技術怎麼進步，有一件事不會變：遊戲 AI 的目標不是「聰明」，而是「好玩」。而「好玩」這件事，往往來自於對玩家心理的深刻理解，而不是模型參數的多寡。
下次你在《最後生還者》裡蹲在草叢中，看著艾莉若無其事地從巡邏者面前走過，你可以會心一笑——那不是 bug，那是一整個團隊花了好幾年，特意為你設計的「不擋路」。
```