【游戏科普】你以为Boss在思考？关于游戏AI背后的有限状态机

省流总结

赶时间的朋友直接看这儿 (๑•ㅂ•)✧：

• 有限状态机（FSM）就是游戏AI的底层骨架。 它不"思考"，它只是根据条件在不同行为模式之间切换——跟老电视换台一个逻辑。手动挡，纯纯的 if-else。

• 吃豆人的四个幽灵各有"性格"，但本质上是同一套状态框架配了不同的目标计算公式。红色直球、粉色埋伏、蓝色脑回路清奇、橙色又怂又爱玩。

• 魂系Boss难但公平： 它把状态切换的时机"写"在了动作上，你在背板，其实是在记忆它的状态转移规律。

• 困难难度的AI不一定更聪明，可能只是参数调得更极端。 反应更快、容错更低、连招更稳——底层逻辑一模一样。

• 短期来看FSM依然不可替代。 不是因为先进，是因为好用、可控、稳定。游戏AI的第一要务不是"聪明"，是"让玩家爽"。

• 想深入了解： 十分推荐 Ian Millington 的《Artificial Intelligence for Games》，入门十分友好。

引子：那些让你怀疑人生的"智障"瞬间

让我们想象一下——

你坐在屏幕前，盯着那个已经虐了你几十遍的Boss，突然冒出一个念头：

"这家伙是不是脑子有毛病？"

为什么它的招式循环总让人觉得像"对好暗号的套路"？先挥三刀，后退两步，放个大招，然后喘气……如此往复，精准得像个打卡上班的社畜 (。-ω´-)。

更离谱的是，你换了个难度，同一个敌人好像突然"变迟钝"了。

简单模式下它像个盲人，困难模式下它却能预判你的走位，简直像开了挂。

真相可能和你想象的不太一样。

游戏里的AI不像人类玩家那样会观察局势、从失败中学习、在关键时刻灵机一动。但它也并非完全没有"思考"——它的思考方式，是一种基于预定义规则的快速逻辑判断。

当系统每帧评估"玩家距离 < 3米 && 攻击冷却完毕 && 血量 > 20%"这个复合条件时，这就是一次计算与决策。

只不过它不是基于意识上的思考，而是基于一套规则来迅速做出响应。

它所有智能表现的背后，都遵循着一个极简的内核：基于当前"频道"（状态）和外部输入（条件），瞬间"切换"到下一个预设好的行为模式。

今天，让我们来拆解这套让无数敌人"活"起来的技术：有限状态机（FSM）。

豆包还是太好用了

一、什么是有限状态机？

别被这名字唬住了。

这玩意儿其实就是一个"如果……就……"的规则集合。复杂吗？不复杂。好用吗？好用得一批。

三个核心要素

有限状态机（FSM，Finite State Machine）由三个要素构成：

状态（State）： 系统当前"是什么"。比如"巡逻中"、"发现玩家"、"追击"、"正在攻击"。任一时刻，系统只能处于一个状态。就像你打游戏时的三种状态——"活着"、"残血"、"躺地板等队友拉"，同一时间你只能占其中一种 ╮(╯▽╰)╭。

转移（Transition）： 从一个状态跳到另一个状态的通道。转移由条件触发——当某个条件满足时，系统从当前状态切到目标状态。比如"玩家进入视野"这个条件一成立，"巡逻"就直接跳到"追击"，不跟你商量的。

动作（Action）： 进某个状态时"做什么"，或者在某个状态期间"持续做什么"。动作通常和转移绑定——比如从"巡逻"切到"追击"时，可能同时触发"播放警报音效"+"改变移动速度"这两个动作。

一句话总结：条件触发转移，转移带动状态切换，状态切换驱动动作执行。

还是有点抽象？来，让我们想象一个场景。

假设我们手头上刚好有一台老式电视机

这是一台老电视，上面有1、2、3、4几个频道按钮：

电视机自己不会决定该看什么。你按哪个键，它就跳哪个频道，播那个频道预设好的内容。

游戏AI的运行逻辑，跟这台电视机的运作方式惊人地相似。

它的本质是：没有认知意义上的自由思考，只有基于预设规则的高效决策响应。

用一句话总结FSM的核心逻辑——

"如果条件A成立，就从状态X跳到状态Y，并执行Y的预设行为。"

正是这简单但极其强大的逻辑链条，以及设计师们围绕它构建的无数精巧的规则，共同撑起了在绝大多数商业游戏中主流的游戏AI设计。从1980年的《吃豆人》到2024年的3A大作，这套"状态+转移+动作"的范式始终是基础——只是"频道"越来越多，"节目单"越来越复杂罢了。

xhh网页版上传速度好慢

二、经典案例：这些你熟悉的游戏，都在用FSM

理解了基本概念之后，你会发现这套"简单粗暴"的技术比你想象的更无处不在。

1. 吃豆人：四个不同的幽灵

要说FSM在游戏界的"祖师爷"，那必须是1980年的《吃豆人》（Pac-Man）。

你可能不知道——那四个追着你跑的幽灵，其实各有各的"性格"。这可不是程序员随手写的，而是精心设计的规则逻辑。同一个"追击"状态，因为目标位置算法不同，就呈现出截然不同的行为风格 (。-ω´-)。

• Blinky（红色幽灵，外号"Shadow"）： 行为最简单粗暴——直球追击。目标永远是吃豆人当前的位置。算是一个死心眼，别人说什么就做什么，绝不绕弯子(写到这里的时候莫名想起了豆包)。你觉得它"头铁"，其实它只是目标设定最简单罢了。

• Pinky（粉色幽灵，外号"Speedy"）： 走的是堵截路线。它会预判吃豆人的前进方向，提前跑到你前方四格的位置等着。其实就是"预判你的预判"，阴险得玩意。不过这里有个有趣的细节——因为初代代码的bug，当吃豆人向上移动时Pinky实际预判的位置是前方四格+左侧四格，导致行为比预期更诡异 (;´д`)。

• Inky（蓝色幽灵，外号"Bashful"）： 四个里最复杂的一个。它的目标位置不仅取决于吃豆人的位置，还要参考Blinky的位置——它的目标位置计算是四个幽灵中最复杂的：先确定吃豆人前方两格的位置作为基准点，然后计算从Blinky到这个基准点的向量，再将这个向量翻倍（以基准点为起点，沿同一方向延长相同距离），终点才是Inky的目标。。这个计算方式让它的行为看起来"飘忽不定"，有时能和Blinky形成夹击，有时又莫名其妙跑偏。有时候觉得这个小东西有些"神经质"？其实全是计算公式导致的。

• Clyde（橙色幽灵，外号"Pokey"）： 完美诠释了什么叫"又怂又勇"。离吃豆人远的时候，它会像Blinky一样冲过来；一旦距离靠近到8格以内，瞬间"认怂"，掉头跑回左下角自己的老巢。这种若即若离的行为，反而让它最难被预判。

有趣的是，Inky也继承了和Pinky同样的bug——当吃豆人向上移动时，它的基准点计算也会出错，这让本就难以预测的Inky变得更加诡异 (;´д`)。Don Hodges的反汇编分析证实了两段代码使用了相同的buggy逻辑（Z80处理器的8位溢出问题）

这四个幽灵的"性格"，本质上是不同的目标计算方式。吃豆人的设计师并没有给幽灵添加什么"智能"——他们做的，是为每个幽灵写了一套独特的规则，然后让这些规则在同一套状态框架下运行。玩家觉得幽灵"有智慧""会配合围堵"，其实是设计智慧的产物。

这套设计直到四十多年后的今天，依然被无数游戏借鉴。下次玩吃豆人的时候你可以观察一下——红色永远是"平头哥"，粉色喜欢"埋伏"，蓝色"脑回路清奇"，橙色"又怂又爱玩"。

2. 马里奥：你自己也是个"行走的状态机"

FSM不只用在敌人身上。

你操控的角色，本身也是由规则控制。

想想《超级马里奥》的变身系统：小马里奥踩敌人就挂 → 吃蘑菇变大，能抗一次伤害、能顶碎砖块 → 吃花朵变火焰马里奥，扔火球。

每次变身，就是一次条件触发的状态转移。受伤了？从大马里奥"降档"回小马里奥，又是一次转移。吃到星星？进入"无敌"状态，短暂时间内碰撞任何敌人都是秒杀。

不是我喜欢的状态机，直接拒绝 (๑•ㅂ•)✧。

而且这套系统还藏着一个精妙的设计：状态转换有优先级排序。比如"无敌"状态的退出条件只有"时间结束"，优先级高于"受到伤害"这条。所以当马里奥无敌的时候，即使伤害条件成立也不会触发降档——你总不希望吃了星星还被小怪碰死吧。这种基于优先级的条件隔离，保证了逻辑不会乱套。

3. 合金装备：潜行游戏的AI教科书

《合金装备》（Metal Gear Solid）系列的守卫AI，说它是FSM应用的教科书级案例一点都不夸张。

一个典型守卫的行为逻辑大概长这样：

每个状态都有明确的行为和转移条件

注： 不同游戏或同一系列不同作品中，守卫AI的状态细节可能有所差异。有些设计在"发现玩家"后会同时进入警戒和追击状态（即拉警报的同时就开始追），而非严格按顺序执行。这里展示的是MGS系列最经典的逻辑框架。

"！"和"？"这两个经典图标，本质上就是状态转移的视觉反馈。 看到"？"，你就知道守卫进入了"调查"状态，还有机会溜走；看到"！"，你就知道自己暴露了，该跑路了。

这套设计的精妙之处在于：它让玩家能读懂AI的行为逻辑。 你不是在和一个黑箱博弈，而是在和一个你能理解的系统互动。看到守卫头顶冒出"？"，心里就有数了："哦，还没暴露，赶紧躲。"

这才是好AI设计的核心——不是多聪明，而是多"可读"。 能让玩家"看懂"的AI，才是真正的好AI。

图片源于百度百科

4. 光环2：从FSM到行为树的进化

到了2004年的《光环2》（Halo 2），Bungie的程序员们碰到了一个头疼的问题。

随着游戏复杂度提升，FSM开始不够用了。

一个精英战士（Elite）可能有这些状态：巡逻、发现玩家、近战攻击、远程射击、躲掩体、呼叫支援、逃跑……每个状态都可能转移到其他任何状态。状态越多，转移线就呈指数级增长。

这就引出了一个经典痛点："状态爆炸"（State Explosion）。

假设你有5个状态，转移关系最多是 5 × 4 = 20 条。当每个状态都可能跳转到其他任意状态下，如果有20个状态呢？理论上最多 20 × 19 = 380 条转移关系。你不需要全部实现，但你得考虑每一条是否存在、需不需要处理。

当然，实际项目中很少需要实现所有可能的转移（那将是维护噩梦），但即使只实现其中30%，随着状态增长，需要考虑的转移关系仍然呈超线性增长。

更麻烦的是：想加一个新行为就得和每个已有状态组合。 比如你想加一个"被EMP瘫痪"的状态——

• 巡逻中被瘫痪 → 进入瘫痪，2秒后恢复

• 追击中被打断 → 进入混乱，重新搜索目标

• 攻击中被瘫痪 → 攻击中断，玩家获得反击窗口

• 每个状态都得想一遍 (;´д`)

每加一个新状态，维护成本都在涨。这就是"状态爆炸"。

《光环 2》的做法是引入了一种混合结构——以层次有限状态机（HFSM）为基础，将状态间的转移组织成行为有向无环图（DAG）作为核心。

插一句纠正：很多人（包括不少技术文章）误以为《光环2》用的是"行为树"（Behavior Tree）。其实它用的是一种高度复杂的分层状态机（HFSM）和有向无环图（DAG）的混合架构。

严格来说，《光环2'）使用的是一种介于HFSM和现代行为树之间的混合架构——它具备树形层次结构，但缺少后来标准化的Tick机制和返回状态协议。业界对其归类存在争议：Bungie的程序员在GDC演讲中同时使用了'HFSM'、'behavior tree'和'behavior DAG'三个词来描述它。

简单来说，HFSM和传统FSM的根本区别在于：它给状态加了层级关系。传统FSM是所有状态平铺在一个平面上，而HFSM允许状态内部嵌套子状态机。

以《光环2》中精英战士（Elite）的HFSM为例：

子状态自动继承父状态的某些通用逻辑。比如"战斗模式"这个父状态下，无论当前是在近战还是远程射击，如果"血量低于20%"这个条件成立，都会触发转移到"逃跑"状态。这样就不用为每个子状态单独写逃跑逻辑了。

顺便科普下：行为树（Behavior Tree）到底是什么？

它不是FSM的直系后代，而是从HFSM中获得灵感的新架构。理解它得搞懂三个核心机制：

1. Tick机制（脉冲驱动）： 行为树不是从头跑到尾执行一次就完了，而是每帧游戏循环（或固定频率）从根节点重新开始，深度优先遍历整棵树。也就意味着AI每帧都会重新评估自己的决策。

2. 三种返回状态： 每个节点执行后返回三种结果之一——成功（success）、失败（failure）、运行中（running）。"运行中"很关键：它告诉父节点"我还在跑，别跳过我"。

3. 组合节点控制逻辑流：

• Selector（选择器）： 从左到右尝试子节点，直到某个返回"成功"或"运行中"。

• Sequence（顺序器）： 从左到右执行子节点，所有子节点都返回"成功"才算成功，只要有一个返回"失败"就整体失败。

如果是带记忆功能的Selector（Memory Selector），它会记住返回'运行中'的节点位置，下一帧直接从该节点继续；普通Selector则会每帧从第一个子节点重新开始评估。

来看一个微缩版的行为树是怎么跑的：

这就是行为树相比传统FSM的核心优势：行为树相比FSM的核心优势——可中断性（interruptibility） 不需要为每个状态单独写"如果看到手雷就进入躲避"的转移条件——只要把躲避放在树的最左边（高优先级位置），每帧Tick时自动覆盖低优行为。相比之下，在传统FSM里，你需要从"攻击"、"射击"、"巡逻"等每一个状态都画一条"看到手雷→躲避"的转移线，维护噩梦 (摊手`。

行为树在《光环2》之后逐渐普及，成为现代游戏AI最主流的架构之一。但在《光环2》本身，使用的依然是HFSM/行为DAG。

5. 上古卷轴5：NPC的"日常生活"

《上古卷轴5：天际》（Skyrim）的NPC行为系统，是FSM另一个有趣的应用方向——不是战斗，而是"生活"。

在天际省，每个NPC都有自己的日常作息：

这些看起来"像真人"的行为，背后是一个比简单FSM复杂得多的系统——Radiant AI。它不仅仅是"时间到了就切换状态"，还需要考虑NPC的"需求"、地点偏好、与其他NPC的关系等多个维度。Bethesda的开发者们需要在"让NPC看起来自然"和"保证游戏性能"之间做大量权衡。

当然，这套系统下违和感依然存在。如果你半夜闯进NPC家里，你会看到他们突然从床上弹起来，像没事人一样开始"白天"的行为——哪怕外面还是漆黑一片。

这种现象更多归因于开发者在具体应用中的权衡和取舍：如果让NPC对被吵醒做出更"真实"的反应（比如愤怒、报警），就需要额外的状态分支和对话树，这会大幅增加开发成本和运行时开销。在有限的资源下，Bethesda选择了"功能优先"而非"细节完美"。

所以并非FSM模型本身的本质缺陷，而是面对现实中"在什么程度下够用就行"的一种选择。 (下次写文章我也这么说(╹╹))

不过即便如此，这套系统在2011年发布时，已经足够让玩家感叹："这世界活起来了！"毕竟，能看着NPC按自己的节奏生活，本身就是一种沉浸感。

领主巴尔古夫被吵醒

6. 魂系Boss战：极致的套路循环

说到FSM，不能不提FromSoftware的"魂系"游戏。

以《黑暗之魂3》的教宗沙力万为例：

第一阶段：

• 普通攻击状态：挥剑连击，有固定的3-4招组合

• 法术状态：后跳拉开距离，释放追踪魔法

• 突进状态：向前突刺，位移+攻击一体

• 特殊状态：血量降到约66%，触发过场动画，召唤分身

第二阶段：

• 攻击节奏加快，招式组合变化

• 分身加入战斗，新增"分身协同攻击"状态

• 部分招式增加二阶段专属变体

每个阶段内部，Boss会按照一定的概率或条件在不同状态间切换。比如：

• 连续近战攻击2-3次后，大概率进入法术状态（避免无限连招）

• 玩家离得远时，更可能使用突进或远程技能

• 玩家处于攻击硬直时，Boss会优先选择高伤害招式

• 血量低于阈值时，强制触发阶段转换

你背板的过程，本质上就是在记忆这个状态机的转移规律。

为什么老玩家能无伤过Boss？因为他们已经摸清了——"哦，他挥完第三刀之后有0.5秒硬直，这时候可以贪两刀。"这0.5秒硬直，就是切换的空档期——Boss正在从"攻击"切到"下一个动作"，这个瞬间它不防御。

但魂系真正高明的地方，远不止"有规律可循"这么简单。 其精髓在于：故意暴露行为机制。

换句话说，Boss不是偷偷切换状态的——它会主动告诉你它要干什么：

• 视觉提示： Boss的武器发光、特定姿态前摇（比如举刀过头顶=即将劈砍）、脚下出现法术法阵=即将释放范围魔法。这些不是装饰性动画，而是状态转移的窗口提示。

• 音频提示： Boss的吼叫、特定音效、甚至音乐节奏的变化，都在暗示"我要切换到新状态了"。

• 动作编排： 连招的终结动作通常有夸张的收招姿态，给玩家明确的"可以反击了"的信号。

这才是"难但公平"的内在：FromSoftware把一套规则系统的"可读性"推向了极致。 它不是在隐瞒AI的行为逻辑，而是用最直观的方式把规则"写"在Boss的动作上。玩家要做的不是猜Boss会做什么，而是观察Boss正在做什么、即将做什么。

正是魂系把FSM的"死板"转化为了"可学习的挑战"，然后用视听语言把这个学习过程变得公平。 玩家通过死亡来"学习"这个规律，最终实现"我懂了，我能躲了"的成就感。这种设计理念，正是魂系游戏让人又爱又恨的核心(。-ω´-)。

7. 街头霸王6：难度上的"暗箱操作"

格斗游戏的难度设计，是另一个暴露FSM本质的绝佳案例。

在《街头霸王6》这类游戏中，不同难度的AI对手，底层状态机其实是同一套。区别在于参数的调整：

注： 具体数值因游戏而异，上表仅示意难度设计的典型趋势。不同开发商的实现方式各不相同，有些游戏甚至会在高难度下给AI解锁额外的招式或改变AI的行为模式，而非仅仅调整参数。

看到了吗？困难模式的AI不是"更聪明"，它只是"更快、更准、更狠"。它依然在执行同一套规则，只不过条件判断更频繁、动作执行更精准、容错更低。

这也是为什么很多格斗高玩会说："AI再难也是死的。" 它没有真正的应变能力，所谓"难度"只是数值调整，不是智能提升。一旦你摸清了它的行为循环和反应模式，再难的AI也能被针对——比如故意做个假动作，等它"反应"了再打确反。

更有意思的是，格斗游戏AI的"择"（猜拳）机制比表面看起来复杂得多。中等难度的AI在上段/中段/下段三择时，不是完全随机的——它基于一个概率权重表做决策。这个表可以模拟人类玩家的不确定性和心理博弈。

一些更高级的实现里，这个权重表会根据你的历史行为动态微调。比如你连续三次防住下段攻击，AI的下段攻击权重会逐渐降低，转而增加上段攻击的概率。这已经不单纯是if-else了——它更接近效用系统（Utility AI）的雏形：AI根据对局势的评估（你的防御倾向、距离、血量差等）动态调整行为选择。

还有些格斗游戏为了让AI更像真人，会在决策中引入概率性的"次优解"——让AI在特定情况下有概率选择非最优的招式，模拟人类的犹豫和失误。

毕竟，一个100%正确的对手不是挑战，是折磨 (摊手。

三、当套路不够用了——从FSM的极限到AI的进化

七个案例看下来，你有什么感觉？

好了，七个案例看完了。

从1980年的吃豆人到2023年的街霸6，四十多年过去了——你有没有觉得，越往后翻，这套东西就越像在硬撑？

吃豆人的时候，幽灵拢共就四个行为，状态机画得那叫一个清爽。马里奥里的库巴也还行吧，多几个状态而已，没什么大不了的。到了合金装备，小岛秀夫那些人已经开始靠"视线"这种外部条件来触发状态切换了——这套架构开始膨胀了。光环2更不用说，上一章我们亲眼看着它炸掉的。上古卷轴5里NPC的行为，有时候你完全搞不懂它脑子里在想什么。魂系Boss的招式套路呢？死个几十次你也就背下来了。街霸6的AI，说到底不还是在状态之间跳来跳去？

你发现没有——这些案例不是一个一个的"意外翻车"。

它们暴露的是同一套架构在不同复杂度下的同一个毛病。只不过有的症状轻，有的直接炸了。

那这个"毛病"到底是个什么东西？咱们拆开看看。

吓哭了

FSM的三大根本矛盾

不是一个。

是三个。互相关联，但各有各的疼法。

矛盾一：改不动——牵一发动全身

想象你在维护合金装备里Snake敌人的行为逻辑。

这个敌人有巡逻、警戒、搜索、战斗、撤退……大概十几个状态。每个状态里有一套自己的逻辑，状态之间还有一堆转换条件。你动了一下"警戒状态下发现异常声音"的处理逻辑，觉得没什么大不了的嘛。

然后QA跑过来跟你说：战斗状态下的敌人有时候会卡在原地不动。

你查了三个小时。终于发现——"战斗"状态里有个转换条件，依赖的变量恰好是你刚刚动过的那个。本来这条件写死了一个阈值，你动了它，连锁反应一路传导，炸在了你压根没想到的地方 (摊手`。

这就是传统FSM最让人血压飙升的地方——没有"封装"。

所有状态摊在一个平面上，彼此之间靠硬连线连着。你动一根线，不知道会扯到哪。用软件工程的话说——耦合太紧了，紧到窒息。

光环2的遭遇本质上不就是同一个问题的极端版本吗？只不过它是以"状态爆炸"的形式爆发的，这个上一章已经详细聊过了，不再重复展开。

那你可能会想——能不能让不同状态之间"共享"某些行为？比如不管在巡逻还是战斗，敌人听到枪声都得找掩体。在传统方案里，你要么在每个相关状态下各写一遍这段逻辑，要么给每个状态都拉一条转移线。

结果就是蜘蛛网，而且越织越密。

Barr Group的工程师们谈到这个问题时有一句很精准的总结：传统FSM缺失的，是"抽取共同行为以便跨多个状态共享的机制"。

机制缺失。不是"做得不好"，是压根没有。

你感受一下这个区别 (。-ω´-)。

矛盾二：走不远——只能走画好的路

再来看第二个问题。

魂系Boss战，你死了几十次之后，是不是慢慢摸清了它的套路？它抬手你就滚，它蓄力你绕后，它倒地你上去贪刀。等你终于过了——那种感觉是什么？

不是"我反应变快了"。

是"我背下来了。"

没错，你背的就是它的状态机。这套架构里的AI，只能做程序员预先画好的事。它不会临场发挥，不会灵光乍现，不会"突然想试试新打法"。你把它的状态转移图画出来，它的全部可能性就都在那张纸上了。没有意外惊喜，甚至没有意外。

街霸6的AI也一样。虽然看起来打得很凶，但本质上还是在"对手近身→切换为压制状态""对手远程→切换为牵制状态"之间跳来跳去。职业玩家打几局就能摸到规律，因为规律确实就在那里。

但这就引出了一个反直觉的问题——

可预测，有时候不是坏事。

你想想，魂系Boss要是每局随机出招、毫无规律，你还能学会吗？还能感受到"我悟了"的成就感吗？很多设计师是故意让AI带一点点"笨"的——玩家需要的不是一个冷血杀手，是一个"可以被理解、可以被战胜"的对手。

所以可预测性在游戏里有时候反而是个feature。

但问题在于——传统FSM的"可预测"跟设计师想要的"可控的可预测"之间，差了一个维度。这套方案只能做程序员想到的事。而一个真正优秀的游戏对手，应该能在设计师划定的边界内，偶尔给你一点小惊喜。

这是另一个话题了，第四章接着聊。

矛盾三：看不懂——它到底在想什么？

第三个矛盾最容易被人忽略，但说句实话——它是三个里面最让人头疼的。

你玩过老滚5的话，大概率遇到过这种名场面：一个NPC正跟你打得激烈——突然，他把武器一收，走到旁边的桌子上，开始啃面包。

你：？？？

他为什么要啃面包？可能是血量低了触发了某个行为切换。但——为什么现在啃？为什么啃那个面包？为什么不吃包里的药水？为什么不先跑远了再吃？

你不知道。设计师自己搞不好也不知道。

这就是FSM最难受的"可解释性"问题——它只告诉你角色此刻在做什么，不告诉你为什么选了这条路。 没有决策过程的记录，没有优先级排序，没有"因为A>B>C所以我选D"的推理链。你就只看到一个闪烁的圆点在状态图上跳来跳去，极乐迪斯科。

对玩家来说，这就是"AI犯傻了"。

对设计师来说，这是调试地狱——你只能盯着那堆状态图，猜它为什么跳到这里。你想让角色行为看起来聪明一点，但你先得回答一个更基础的问题：它为什么这么笨？ ╮(╯▽╰)╭

注： 上古卷轴5的Radiant AI实际上是一个比纯FSM更复杂的多因素系统（详见第二章2.5节）。但这里用它来点出一个更普遍的问题——当一个AI的行为由多个分散的规则驱动时，连设计者自己也难以追踪决策链条。这个困境，不限于FSM。

FSM的这三个矛盾——改不动、走不远、看不懂——其实都指向同一个根。

一切的根源：FSM的本质是穷举

你有没有想过，状态机在做什么？

从行为组织的角度看，它在做的其实就是一种变相的穷举——把所有可能的行为画成一个个圆圈（状态），再把所有可能的切换画成箭头（转换），AI就在这张图里面走。只要图画得够全，AI就能应对一切。

这不就是穷举吗。

这里的‘穷举’不是指遍历所有可能的输入序列，而是指开发者必须预先定义所有状态及状态间的所有合法转移——任何未定义的情况都会导致AI行为缺失或出错。

1987年，计算机科学家David Harel写了一篇后来被引用近万次的论文。他一上来就在吐槽——一旦系统达到一定复杂度，这套架构就会因为"所有状态必须以平面、不分层的方式排列"，导致状态图变得"非结构化、不现实、混乱"（原话：unstructured, unrealistic, and chaotic）。

但严格来说，HFSM（分层状态机）本身就是FSM的一种扩展形式。现代游戏开发中，几乎不存在完全“平面”的FSM，大家都会用HFSM来规避状态爆炸。

1987年啊朋友。

那时候连《超级马里奥兄弟3》都还没在美国发售呢。就有人在论文里把FSM的棺材板给钉了一半了 (。-ω´-)。

但三十多年过去了，游戏行业到今天还在用这套东西。为什么？因为简单啊。画几个圈拉几条线，跑起来就能用。对当年的吃豆人来说，这就够了。

问题是，游戏已经不是1980年的游戏了。

2025年，名为Bragge的研究者做了一个对比实验：拿一个20个状态的普通FSM（其实已经是做了规避手段避免最坏情况的版本），跟一个用Statechart——就是Harel当年提出的改进方案，本质上是分层状态机——重构的版本对比。Statechart版本只需要10个"原子状态"，加上合理的分层和组合，表达力完全一样，但代码重复大幅减少，状态图清晰度也明显提升。

这数据告诉你什么？

告诉你FSM的问题不是"状态太多了"，而是"状态的组织方式效率太低"。把所有东西摊在一个平面上，20个状态就已经让人崩溃了。而一个3A游戏的NPC行为系统，动辄上百个状态。

你想想那个维护画面 (;´д`)。

所以问题根本不是什么"状态太多了"——问题是组织方式的效率太低。把所有东西摊在一个平面上的代价，不是线性的，是指数级的。

演进路线：从打补丁到换脑子

那业界怎么办？总不能一直这么硬撑着直到炸掉吧。

回顾整条演进路线，大致走了三步，每一步的逻辑都很直白——就是在解决上一步没搞定的事。

第一步，打补丁。

分层状态机（HFSM）就是最经典的补丁，第二章光环2那节我们已经见识过了。思路很直觉——别把所有东西摊平，分组。"战斗"是一个大状态，里头嵌套"攻击""防御""闪避"，通用的切换逻辑在父级处理一次就行，不用每个子状态各写一遍。

有用吗？有用。但你再想想——它解决的是"连线太多"，没解决"决策太死"。你还是在穷举，只不过穷举得聪明了那么一丢丢。

行为DAG（有向无环图，Directed Acyclic Graph）也是第二章聊过的补丁思路，本质上是让状态之间的连接更灵活。 但这些说到底都是在FSM的外壳上修修补补。

第二步，换脑子

大概在2000年代中后期，业界为了摆脱FSM的束缚，实际上是在两条并行的赛道上同时发力：一条通往行为树（Behavior Tree），另一条则通往GOAP（目标导向行动计划）。

关于行为树：虽然很多人将其成熟应用归功于《光环3》（2007），但真正的奠基之作其实是前文讲过的《光环2》（2004）。Bungie的AI程序员 Damian Isla 在GDC 2005上的经典演讲，系统性地展示了如何用树状结构管理复杂的AI逻辑，这直接奠定了现代行为树的地位。

关于GOAP：几乎在同一时期（2005年），Monolith Productions推出的神作《F.E.A.R.》则展示了完全不同的思路。它并没有追随《光环》的路径，而是大胆采用了GOAP架构。这意味着，早在《光环3》发售之前，《F.E.A.R.》就已经作为商业游戏的先驱，证明了AI可以像人类一样“思考目标”而非仅仅“执行脚本”。

在《F.E.A.R.》中，GOAP负责生成“计划”（Plan），但执行这些计划（比如移动、开火动画）依然需要底层的状态机来驱动。它们不是互斥的替代关系，而是分层协作关系（高层决策用GOAP，底层执行用FSM/动作系统）

这就引出了一个非常有趣的现象：决策层与表现层的彻底分离。

在《F.E.A.R.》这种GOAP架构中，FSM被压缩到了极致。玩过这款游戏的玩家可能完全没意识到——这款2005年神作的AI，底层状态机实际上只有三个状态：Goto（走过去）、Animate（播动画）、Use Smart Object（使用场景物体），仅此而已。

更绝的是，开发者自己在GDC论文里坦言，UseSmartObject本质上只是Animate的特化版本——“所以我们真正讨论的，是一个只有两个状态的FSM：Goto和Animate。”

Orkin的GDC演讲标题确实是“Three States and a Plan”，但他确实也说过“只有两个独特的状态”

3 vs 2？关于“Use Smart Object”是否能完全归并为“Animate”，取决于具体的引擎实现。在很多实现中，Use Smart Object涉及物理交互、场景查询等逻辑，并不仅仅是播放动画

两个状态。 看到这里你明白了吗？状态机不再负责定义复杂的“行为逻辑”（比如巡逻、追击、逃跑），它退化成了纯粹的“执行管道”或“动画播放器”。真正的智能——也就是“我该怎么做才能干掉玩家”——全部交给了上层的规划器（GOAP）去计算。FSM只负责把计算出来的结果（走路或播放动画）执行出来。

这种“规划器负责思考，状态机负责执行”的模式，正是现代游戏AI架构的核心思想。

第三步，让AI自己学。

这是最激进的一步，也是最远离传统开发流程的一步——干脆不画状态图了，让机器自己从数据里学。

具体怎么学、学到什么程度、效果怎么样——那是第四章的主菜。

不过在跳进去之前，有一个现实你得知道。

行业里到今天大量项目没有全面转向机器学习或GOAP，原因不光在技术上。工具链适配是绕不开的坎。你的策划团队习惯了行为树，你的调试工具是围着行为树搭的，你整个生产管线都基于行为树——你凭什么换？换了策划怎么调？QA怎么测？游戏AI领域的泰斗级人物Ian Millington在他的教材里专门强调了这一点："Toolchains Limit AI."

工具链就是AI的上限。

技术从来不只是技术问题 ╮(╯▽╰)╭。

前面等着我们的是什么？

好了，现在咱们把整条线理一理。

这套规则系统在简单场景下完全够用，但随着游戏越来越复杂，那三个矛盾——改不动、走不远、看不懂——会越来越尖锐。业界沿着"打补丁→换脑子→让AI自己学"这条路一路摸过来，从分层方案到行为树、到效用评分、到目标规划，再到今天用机器学习训练角色行为……

每一步都在回答同一个问题：能不能让AI不再只是"被画好的圈和线"？

这个问题还没有被完全回答。

而第四章，我们来看看这个方向上最新的玩法——从拿视频数据训练状态机，到效用AI怎么算出"哪个行为最值得做"，到GOAP怎么让角色自己规划目标，再到强化学习怎么让AI在一次次失败中成长。

套路之外，确实还有更大的世界 (๑•ㅂ•)✧。

四、前沿展望：游戏AI接下来吃什么？

从FSM到HFSM再到行为树，游戏AI的进化路径很清晰：开发者一直在找更强的表达能力和更低的维护成本。这条路还远没走完。

让AI自己学：从游戏视频里"逆向工程"FSM

传统的做法需要程序员手动编写每一个状态和切换条件。但游戏越来越复杂，纯手写的工作量实在吃不消。最近的研究正在改变这个现状。

在AAAI AIIDE 2025（AI与互动数字娱乐研讨会，AAAI旗下的游戏AI专门会议）上，阿尔伯塔大学的研究者 Dave Goel 和 Matthew Guzdial 发表了一个案例研究：从游戏视频中自动学习有限状态机（Learning Finite State Machines with Gameplay Video）[2]。

简而言之就是让AI来看人类玩家打游戏的录像，然后自动分析、总结出游戏中的状态和转移规则。不需要程序员手写，系统自己能"逆向工程"出逻辑结构。研究以经典Pac-Man为实验对象，成功从视频中学到了一个可运行的FSM模型，能在pygame里复现原版大部分行为逻辑。

这玩意儿的意义在哪？

1. 降低开发门槛： 独立开发者不用精通AI编程也能做出聪明的敌人。录一段自己的游戏视频，工具帮你分析出合理的行为设计。

2. 快速原型： 想测试一种新的敌人行为？不用写代码，先打一遍看看效果，系统自动分析出行为模式，快速迭代。

当然，目前这个阶段还比较早期。研究只在Pac-Man这一个相对简单的游戏上做了验证，生成出来的FSM往往比较粗糙，需要人工调优。但它指向了一个有意思的方向：也许未来开发工具能帮我们自动完成"行为分析→状态设计"的第一步。

下一代游戏AI：超越FSM的探索

尽管FSM及其变体至今还是主力，但行业对"更智能的对手"的探索从没停过。目前最前沿的几个方向：

• 效用系统（Utility AI）： 让智能体根据多因素的"权重打分"做决策，而不是简单的if-else。比如"要不要躲掩体"取决于血量（越低权重越高）、距离掩体远近、敌人火力强度等多因素综合评分。这让行为更灵活、更像"有判断力"的玩家。

• GOAP（目标导向行动计划）： 给AI一个目标（比如"消灭玩家"），让它自己规划行动步骤（走到掩体后 → 瞄准 → 射击）。AI像下棋一样提前规划好几步。《F.E.A.R.》是GOAP的经典应用案例。

• 机器学习/强化学习AI： 用强化学习训练AI，通过成千上万次试错学最优策略。DeepMind的AlphaStar（星际争霸2AI）就是代表。但在商业游戏里，这方案最大的问题是不可控——你可能不希望Boss学会你没想到的阴间打法，更不希望它学会了"永远躲在角落不出来"这种"最优策略" (;´д`)。

这些方案各有各的挑战：机器学习AI太不可控、训练成本极高、性能开销大，GOAP在大规模NPC场景下需要额外的性能优化（如分布式处理和缓存机制）才能满足实时性要求[5]，效用系统设计复杂（调参调到崩溃）。

所以在可预见的未来，FSM及其变体依然是游戏AI的主流选择。 不是因为最先进，而是因为最实用。游戏AI设计的第一原则不是"有多智能"，而是"有多好用"——稳定运行、精确控制、让设计师做出想要的体验，这就够了。

毕竟，玩家要的不是一个"真正会思考"的对手，而是一个"打得过瘾、学得会、有挑战但不至于让人弃坑"的对手。FSM恰好能完美地实现这一点。

结语：下次被Boss虐的时候，换个角度看它

所以，聊了这么多，回到最初那个问题——

为什么Boss的招式循环总让人觉得像"对好暗号的套路"？为什么换个难度，同一个敌人就好像突然"变迟钝"了？

答案你已经知道了。

它不是在跟你玩心理战。它的每一次出招、每一次后退、每一次看似聪明的走位——背后都是一套确定性的规则在毫秒级响应。就像那台老电视：你按哪个键，它就跳哪个频道，播那个频道预设好的内容。

但这不是什么令人失望的真相。

恰恰相反——设计出一套能产生趣味、制造挑战、可预测且经得起千万玩家检验的行为规则系统，本身就是极其精妙的工程。

吃豆人四幽灵各有"性格"，靠的不是什么高级算法，而是四套不同的目标计算公式跑在同一套状态框架上。魂系Boss的"难但公平"，靠的不是AI有多聪明，而是FromSoftware用视听语言把规则直接"写"在了Boss的动作上，让你能看懂、能学会、能战胜。合金装备那个经典的"！"，本质上就是一个状态转移的视觉反馈——它不是技术炫技，而是设计师在告诉你："你现在暴露了，该跑了。"

这些都不是"智能"的胜利，是设计的胜利。

理解游戏的底层逻辑本身就是一种乐趣。我们打游戏，不就是在虚拟世界里找到现实世界给不了的掌控感吗？你知道Boss有套路，你知道它的状态机会在第三刀之后留出0.5秒硬直，正是你从被虐到通关的成长曲线。

而现在你还知道了一件事：在那个虚拟世界里，连Boss都有迹可循。(。-ω´-)

免责声明

     受限于个人认知，文章可能存在不准确之处 ，这篇文章不是什么权威教材，也不是什么行业白皮书 (´･ω･)，也可能会出现一些事实性错误。

     所有评论区的纠错我都会逐一核实，并在文章中更新标注，感谢大家的严谨把关

     它就是一个游戏AI技术话题的科普长文，数据来源我尽量标注清楚，但不同游戏的实现细节可能千差万别——毕竟每家工作室都有自己的"祖传代码"。

     如果你读完想自己上手搞状态机，建议搭配正经教材服用。

     以及，游戏AI这个领域迭代飞快，你现在看到的"前沿"，可能一年后就是"基操"了 (摊手

参考文献与延伸阅读

学术论文

1. Harel, D. (1987). "Statecharts: A Visual Formalism for Complex Systems." Science of Computer Programming, 8(3), 231–274. → 第三章引用：首次系统性地指出扁平FSM在复杂系统中的"非结构化、不现实、混乱"问题，并提出了层次化状态图的解决方案。

2. Goel, D. & Guzdial, M. (2025). "Learning Finite State Machines with Gameplay Video." Proceedings of the AAAI Conference on Artificial Intelligence and Interactive Digital Entertainment (AIIDE), 21(1), 394–395. → 第四章引用：展示如何从游戏视频中自动提取FSM模型，以Pac-Man为实验对象。

3. Bragge, M. (2025). "An Empirical Comparison of Finite State Machines and Statecharts." Master's Thesis, Lappeenranta-Lahti University of Technology (LUT). → 第三章引用：20状态FSM与10原子状态Statechart的实证对比研究。

行业演讲 / 技术报告

4. Isla, D. (2005). "Managing Complexity in the Halo 2 AI System." Game Developers Conference (GDC) 2005. → 第二章引用：Bungie AI程序员分享《光环2》的HFSM/行为DAG设计思路，启发了后来行为树的诞生。

5. Orkin, J. (2006). "Three States and a Plan: The A.I. of F.E.A.R." Game Developers Conference (GDC) 2006. → 第三、四章引用：展示GOAP架构如何将FSM压缩到仅三个状态（Goto / Animate / Use Smart Object），让规划器负责所有行为决策。

教材 / 书籍

6. Millington, I. Artificial Intelligence for Games (3rd Edition). CRC Press. → 游戏AI领域入门圣经，涵盖FSM、行为树、寻路、决策系统等核心主题，适合零基础读者。

7. Rabin, S. (编). Game AI Pro 系列丛书 (1–4). CRC Press. → 业界一线开发者撰写的实战合集，涵盖大量3A级项目的AI设计经验与工程技巧。

技术博客 / 在线资源

8. Barr Group (2016). "Introduction to Hierarchical State Machines (HSMs)." → 第三章引用：清晰阐述了HSM的行为继承机制与传统FSM缺失的"行为共享"能力。

如果你对游戏AI开发感兴趣，推荐从 Millington 的教材入手，再配合《Game AI Pro》系列了解工业界实战。上面列出的论文和演讲在 Google Scholar / GDC Vault 上均可找到。

觉得这篇文章有意思？请点赞收藏加关注谢谢喵~

以及欢迎在评论区分享你被人工智障操作气到的经历，或者你用FSM思路通关的各种操作 (๑•ㅂ•)✧！