Google Stadia 的游戏操控反应速度，将超过本地游戏主机

survivor77

从理论上，我觉得所谓“预测玩家的输入动作”是可以做到的。但是假如要设计算法的话，应该不会是像上面几十层楼的讨论那样，去预测每一个玩家的每一帧的具体动作，这是不可能的。从所需的数据样本的量的角度也不现实。而以所谓的“玩家行为的共通性”思路出发设计算法是可以做出来的，但是实际效果应该是比较差的，因为这样的设计就需要极大程度地简化玩家个体的差异性。
但是，通过少量的数据，还是有能够实现所谓的“预测”的算法设计的。因为，虽然实际上玩家的每一次输入都有无数种可能性，但是，这些可能性其实有很多近似，因而是可以被简化的。
比如我们可以这样设计：先根据游戏的不同类型定义一个APM，也就是每分钟的指令输入次数，这个概念在RTS游戏中很常见。这个数字显然根据不同游戏会有很大差别；比如定义星际争霸APM=200；或者定义勇者斗恶龙APM=30。定义这个数字的意义就是，可以很清楚地知道，每分钟可能需要的“预测运算”的次数，也就是运算量。假如玩家的实际APM高于或者低于这个数字，那么运算可以进行平均分布，比如一个星际玩家APM高达400，那么就可以设计成每两次输入进行一次运算，或者运算集中于输入频率最高的时段进行；或者也可以干脆就对应增加一倍运算量；显然后者效果会好于前者，但相对的也就需要更多算力资源；这就需要在实际需要中取舍。这是第一步。
第二步就是，针对对每一次操作进行“简化预测”。比如定义星际争霸APM=200，那么每分钟就需要进行200次“简化预测运算”。但是什么是“简化预测”呢？——实际上，每一次输入都存在着n种选择，但是这个n是可以被简化为有限的数量的。我们可以把某一次输入的全部选择想象成一个圆环，假设某一次输入的n=10000，也就是理论上有10000种输入选择，这10000种选择平均分布在这个圆环上。我可以把这10000种输入选择分为100类，这样每一类里都有100种选择，也就是把这个圆环平均分成100个区段。这100个区段其实就代表了相对当前情况下，从“最好”到“最差”的100类输入选择，由于系统只需要很短的时间，也就是很少的数据，就可以大致判断出一个玩家的水平，就好像我们看一个人玩个几分钟就能大致知道他的水平一样；因此系统很快就能预测该玩家每一次输入的选择位于这100个“从好到差”的区段的大致哪一个区段。而既然每一个区段中包含了100个选择，这100个选择互相之间显然又是相对“近似”的，因为它们互相之间离得都比较近；所以，系统就可以先选出这个区段内这100种选择里相对当前情况下最优的那一个选择作为这100个选择的“区段代表”，无论玩家后来实际输入了这个区段里面100个选择种的哪一种，实际预测出来的动作就是这最优的那一种，也就是所谓的简化。而由于我们事先把全部10000种选择分成了100类，因此即便玩家实际的输入和预测给出的结果不同，但是笼统地讲，偏差也就是1%，因而实际上是很难察觉到的。
这样，就实现了所谓的“动作预测”。说到底，这种算法肯定是可以实现的，核心思路就是把无数种可能性当中近似的选项进行“可接受”程度的简化；这个“可接受程度”就表现为实际体验中的精度。就比如我一开始可以定义apm=200，也可以定义apm=400；我可以定义n=10000，也可以定义n=100；我可以将n=10000分为100个类别，也可以分为10个类别。越高的精度，就需要越大的算力。而由于玩家实际的感受是有生理极限的，所以算法的精度要求其实可能并不需要那么高，也能实现较好的体验。但无论如何，这一切都需要算力的支持。

失去方向

HuGhe$ 发表于 2019-10-11 08:52
格斗游戏立回怎么预测
格斗游戏都是立回让对方适应你的套路再突然改套路打一个措手不及的
你这ai预测还能预 ...

不只格斗，所有联机和竞技类游戏都不适用

火星人0007

除非谷歌的量子计算机完成，不然我觉得现有条件下这预测就不靠谱。。。

michael1983

Google 黑科技啊，太厉害了