
200
|
第
10
章
AI
角色与行为
假设维修员正在服务于某位客户,并计划将其所有复印机维修正常以后,再去拜访下一
位客户。这是我们当前对这位客户的局部策略 :在离开之前完成这里的所有工作。现在
突然增加了一台新的复印机,与我们当前的维修任务竞争某些备用零件。如果这台新复
印机来自优先级最高的客户,并且维修员应当优先服务于该客户,那么我们可能会决定
放弃当前的工作,把备用零件留给最重要的客户,并立即去服务于优先级最高的客户。
新流程的添加改变了其他流程的本地策略,这与增量原则相矛盾。这个例子表明,一个
问题即使它能呈现出一种便于自身描述的结构(大部分实际问题均如此),解决这个问
题的最佳行为也可能根本不具有结构性。因此,从原则上来讲,问题一旦超出某个特定
的复杂程度,我们最好从问题空间,而不是从行为空间考量解决方案。
正如我们所看到的,这些限制存在一些可能的解决方案,这值得在游戏与
XR
领域进行
研究。
正如我们所讨论的,每个规划器都有局限性,在其预算范围内,甚至在任何合理的耗时内,
其所能处理的问题的复杂度都是有限的。在学术研究中,慎思式
AI
通过与机器学习相
结合,其能力已经发挥到目前的极限。因此,本章的最后一个重要部分将讨论第
3
个也
是最后一个
AI
设计范式。
机器学习
到目前为止,我们已经在产生固定行动策略的算法与方案中讨论过行为。这些方案依赖
于构建行为的方式,有的直接为行为提供显式规则,有的间接地提供模拟动态环境的模
型以及机制,通过机制采用模型来规划行为。现在,我们来看基于数据学习的行为生成
方法。数据学习很有吸引力,因为它能极大地减少构建 ...