省流總結
趕時間的朋友直接看這兒 (๑•ㅂ•)✧：
有限狀態機（FSM）就是遊戲AI的底層骨架。 它不"思考"，它只是根據條件在不同行爲模式之間切換——跟老電視換臺一個邏輯。手動擋，純純的 if-else。
喫豆人的四個幽靈各有"性格"，但本質上是同一套狀態框架配了不同的目標計算公式。紅色直球、粉色埋伏、藍色腦回路清奇、橙色又慫又愛玩。
魂系Boss難但公平： 它把狀態切換的時機"寫"在了動作上，你在背板，其實是在記憶它的狀態轉移規律。
困難難度的AI不一定更聰明，可能只是參數調得更極端。 反應更快、容錯更低、連招更穩——底層邏輯一模一樣。
短期來看FSM依然不可替代。 不是因爲先進，是因爲好用、可控、穩定。遊戲AI的第一要務不是"聰明"，是"讓玩家爽"。
想深入瞭解： 十分推薦 Ian Millington 的《Artificial Intelligence for Games》，入門十分友好。
引子：那些讓你懷疑人生的"智障"瞬間
讓我們想象一下——
你坐在屏幕前，盯着那個已經虐了你幾十遍的Boss，突然冒出一個念頭：
"這傢伙是不是腦子有毛病？"
爲什麼它的招式循環總讓人覺得像"對好暗號的套路"？先揮三刀，後退兩步，放個大招，然後喘氣……如此往復，精準得像個打卡上班的社畜 (。-ω´-)。
更離譜的是，你換了個難度，同一個敵人好像突然"變遲鈍"了。
簡單模式下它像個盲人，困難模式下它卻能預判你的走位，簡直像開了掛。
真相可能和你想象的不太一樣。
遊戲裏的AI不像人類玩家那樣會觀察局勢、從失敗中學習、在關鍵時刻靈機一動。但它也並非完全沒有"思考"——它的思考方式，是一種基於預定義規則的快速邏輯判斷。
當系統每幀評估"玩家距離 < 3米 && 攻擊冷卻完畢 && 血量 > 20%"這個複合條件時，這就是一次計算與決策。
只不過它不是基於意識上的思考，而是基於一套規則來迅速做出響應。
它所有智能表現的背後，都遵循着一個極簡的內核：基於當前"頻道"（狀態）和外部輸入（條件），瞬間"切換"到下一個預設好的行爲模式。
今天，讓我們來拆解這套讓無數敵人"活"起來的技術：有限狀態機（FSM）。
豆包還是太好用了
一、什麼是有限狀態機？
別被這名字唬住了。
這玩意兒其實就是一個"如果……就……"的規則集合。複雜嗎？不復雜。好用嗎？好用得一批。
三個核心要素
有限狀態機（FSM，Finite State Machine）由三個要素構成：
狀態（State）： 系統當前"是什麼"。比如"巡邏中"、"發現玩家"、"追擊"、"正在攻擊"。任一時刻，系統只能處於一個狀態。就像你打遊戲時的三種狀態——"活着"、"殘血"、"躺地板等隊友拉"，同一時間你只能佔其中一種 ╮(╯▽╰)╭。
轉移（Transition）： 從一個狀態跳到另一個狀態的通道。轉移由條件觸發——當某個條件滿足時，系統從當前狀態切到目標狀態。比如"玩家進入視野"這個條件一成立，"巡邏"就直接跳到"追擊"，不跟你商量的。
動作（Action）： 進某個狀態時"做什麼"，或者在某個狀態期間"持續做什麼"。動作通常和轉移綁定——比如從"巡邏"切到"追擊"時，可能同時觸發"播放警報音效"+"改變移動速度"這兩個動作。
一句話總結：條件觸發轉移，轉移帶動狀態切換，狀態切換驅動動作執行。
還是有點抽象？來，讓我們想象一個場景。
假設我們手頭上剛好有一臺老式電視機
這是一臺老電視，上面有1、2、3、4幾個頻道按鈕：
電視機自己不會決定該看什麼。你按哪個鍵，它就跳哪個頻道，播那個頻道預設好的內容。
遊戲AI的運行邏輯，跟這臺電視機的運作方式驚人地相似。
它的本質是：沒有認知意義上的自由思考，只有基於預設規則的高效決策響應。
用一句話總結FSM的核心邏輯——
"如果條件A成立，就從狀態X跳到狀態Y，並執行Y的預設行爲。"
正是這簡單但極其強大的邏輯鏈條，以及設計師們圍繞它構建的無數精巧的規則，共同撐起了在絕大多數商業遊戲中主流的遊戲AI設計。從1980年的《喫豆人》到2024年的3A大作，這套"狀態+轉移+動作"的範式始終是基礎——只是"頻道"越來越多，"節目單"越來越複雜罷了。
xhh網頁版上傳速度好慢
二、經典案例：這些你熟悉的遊戲，都在用FSM
理解了基本概念之後，你會發現這套"簡單粗暴"的技術比你想象的更無處不在。
1. 喫豆人：四個不同的幽靈
要說FSM在遊戲界的"祖師爺"，那必須是1980年的《喫豆人》（Pac-Man）。
你可能不知道——那四個追着你跑的幽靈，其實各有各的"性格"。這可不是程序員隨手寫的，而是精心設計的規則邏輯。同一個"追擊"狀態，因爲目標位置算法不同，就呈現出截然不同的行爲風格 (。-ω´-)。
Blinky（紅色幽靈，外號"Shadow"）： 行爲最簡單粗暴——直球追擊。目標永遠是喫豆人當前的位置。算是一個死心眼，別人說什麼就做什麼，絕不繞彎子(寫到這裏的時候莫名想起了豆包)。你覺得它"頭鐵"，其實它只是目標設定最簡單罷了。
Pinky（粉色幽靈，外號"Speedy"）： 走的是堵截路線。它會預判喫豆人的前進方向，提前跑到你前方四格的位置等着。其實就是"預判你的預判"，陰險得玩意。不過這裏有個有趣的細節——因爲初代代碼的bug，當喫豆人向上移動時Pinky實際預判的位置是前方四格+左側四格，導致行爲比預期更詭異 (;´д`)。
Inky（藍色幽靈，外號"Bashful"）： 四個裏最複雜的一個。它的目標位置不僅取決於喫豆人的位置，還要參考Blinky的位置——它的目標位置計算是四個幽靈中最複雜的：先確定喫豆人前方兩格的位置作爲基準點，然後計算從Blinky到這個基準點的向量，再將這個向量翻倍（以基準點爲起點，沿同一方向延長相同距離），終點纔是Inky的目標。。這個計算方式讓它的行爲看起來"飄忽不定"，有時能和Blinky形成夾擊，有時又莫名其妙跑偏。有時候覺得這個小東西有些"神經質"？其實全是計算公式導致的。
Clyde（橙色幽靈，外號"Pokey"）： 完美詮釋了什麼叫"又慫又勇"。離喫豆人遠的時候，它會像Blinky一樣衝過來；一旦距離靠近到8格以內，瞬間"認慫"，掉頭跑回左下角自己的老巢。這種若即若離的行爲，反而讓它最難被預判。
有趣的是，Inky也繼承了和Pinky同樣的bug——當喫豆人向上移動時，它的基準點計算也會出錯，這讓本就難以預測的Inky變得更加詭異 (;´д`)。Don Hodges的反彙編分析證實了兩段代碼使用了相同的buggy邏輯（Z80處理器的8位溢出問題）
這四個幽靈的"性格"，本質上是不同的目標計算方式。喫豆人的設計師並沒有給幽靈添加什麼"智能"——他們做的，是爲每個幽靈寫了一套獨特的規則，然後讓這些規則在同一套狀態框架下運行。玩家覺得幽靈"有智慧""會配合圍堵"，其實是設計智慧的產物。
這套設計直到四十多年後的今天，依然被無數遊戲借鑑。下次玩喫豆人的時候你可以觀察一下——紅色永遠是"平頭哥"，粉色喜歡"埋伏"，藍色"腦回路清奇"，橙色"又慫又愛玩"。
2. 馬里奧：你自己也是個"行走的狀態機"
FSM不只用在敵人身上。
你操控的角色，本身也是由規則控制。
想想《超級馬里奧》的變身系統：小馬里奧踩敵人就掛 → 喫蘑菇變大，能抗一次傷害、能頂碎磚塊 → 喫花朵變火焰馬里奧，扔火球。
每次變身，就是一次條件觸發的狀態轉移。受傷了？從大馬里奧"降檔"回小馬里奧，又是一次轉移。喫到星星？進入"無敵"狀態，短暫時間內碰撞任何敵人都是秒殺。
不是我喜歡的狀態機，直接拒絕 (๑•ㅂ•)✧。
而且這套系統還藏着一個精妙的設計：狀態轉換有優先級排序。比如"無敵"狀態的退出條件只有"時間結束"，優先級高於"受到傷害"這條。所以當馬里奧無敵的時候，即使傷害條件成立也不會觸發降檔——你總不希望喫了星星還被小怪碰死吧。這種基於優先級的條件隔離，保證了邏輯不會亂套。
3. 合金裝備：潛行遊戲的AI教科書
《合金裝備》（Metal Gear Solid）系列的守衛AI，說它是FSM應用的教科書級案例一點都不誇張。
一個典型守衛的行爲邏輯大概長這樣：
每個狀態都有明確的行爲和轉移條件
注： 不同遊戲或同一系列不同作品中，守衛AI的狀態細節可能有所差異。有些設計在"發現玩家"後會同時進入警戒和追擊狀態（即拉警報的同時就開始追），而非嚴格按順序執行。這裏展示的是MGS系列最經典的邏輯框架。
"！"和"？"這兩個經典圖標，本質上就是狀態轉移的視覺反饋。 看到"？"，你就知道守衛進入了"調查"狀態，還有機會溜走；看到"！"，你就知道自己暴露了，該跑路了。
這套設計的精妙之處在於：它讓玩家能讀懂AI的行爲邏輯。 你不是在和一個黑箱博弈，而是在和一個你能理解的系統互動。看到守衛頭頂冒出"？"，心裏就有數了："哦，還沒暴露，趕緊躲。"
這纔是好AI設計的核心——不是多聰明，而是多"可讀"。 能讓玩家"看懂"的AI，纔是真正的好AI。
圖片源於百度百科
4. 光環2：從FSM到行爲樹的進化
到了2004年的《光環2》（Halo 2），Bungie的程序員們碰到了一個頭疼的問題。
隨着遊戲複雜度提升，FSM開始不夠用了。
一個精英戰士（Elite）可能有這些狀態：巡邏、發現玩家、近戰攻擊、遠程射擊、躲掩體、呼叫支援、逃跑……每個狀態都可能轉移到其他任何狀態。狀態越多，轉移線就呈指數級增長。
這就引出了一個經典痛點："狀態爆炸"（State Explosion）。
假設你有5個狀態，轉移關係最多是 5 × 4 = 20 條。當每個狀態都可能跳轉到其他任意狀態下，如果有20個狀態呢？理論上最多 20 × 19 = 380 條轉移關係。你不需要全部實現，但你得考慮每一條是否存在、需不需要處理。
當然，實際項目中很少需要實現所有可能的轉移（那將是維護噩夢），但即使只實現其中30%，隨着狀態增長，需要考慮的轉移關係仍然呈超線性增長。
更麻煩的是：想加一個新行爲就得和每個已有狀態組合。 比如你想加一個"被EMP癱瘓"的狀態——
巡邏中被癱瘓 → 進入癱瘓，2秒後恢復
追擊中被打斷 → 進入混亂，重新搜索目標
攻擊中被癱瘓 → 攻擊中斷，玩家獲得反擊窗口
每個狀態都得想一遍 (;´д`)
每加一個新狀態，維護成本都在漲。這就是"狀態爆炸"。
《光環 2》的做法是引入了一種混合結構——以層次有限狀態機（HFSM）爲基礎，將狀態間的轉移組織成行爲有向無環圖（DAG）作爲核心。
插一句糾正：很多人（包括不少技術文章）誤以爲《光環2》用的是"行爲樹"（Behavior Tree）。其實它用的是一種高度複雜的分層狀態機（HFSM）和有向無環圖（DAG）的混合架構。
嚴格來說，《光環2'）使用的是一種介於HFSM和現代行爲樹之間的混合架構——它具備樹形層次結構，但缺少後來標準化的Tick機制和返回狀態協議。業界對其歸類存在爭議：Bungie的程序員在GDC演講中同時使用了'HFSM'、'behavior tree'和'behavior DAG'三個詞來描述它。
簡單來說，HFSM和傳統FSM的根本區別在於：它給狀態加了層級關係。傳統FSM是所有狀態平鋪在一個平面上，而HFSM允許狀態內部嵌套子狀態機。
以《光環2》中精英戰士（Elite）的HFSM爲例：
子狀態自動繼承父狀態的某些通用邏輯。比如"戰鬥模式"這個父狀態下，無論當前是在近戰還是遠程射擊，如果"血量低於20%"這個條件成立，都會觸發轉移到"逃跑"狀態。這樣就不用爲每個子狀態單獨寫逃跑邏輯了。
順便科普下：行爲樹（Behavior Tree）到底是什麼？
它不是FSM的直系後代，而是從HFSM中獲得靈感的新架構。理解它得搞懂三個核心機制：
1. Tick機制（脈衝驅動）： 行爲樹不是從頭跑到尾執行一次就完了，而是每幀遊戲循環（或固定頻率）從根節點重新開始，深度優先遍歷整棵樹。也就意味着AI每幀都會重新評估自己的決策。
2. 三種返回狀態： 每個節點執行後返回三種結果之一——成功（success）、失敗（failure）、運行中（running）。"運行中"很關鍵：它告訴父節點"我還在跑，別跳過我"。
3. 組合節點控制邏輯流：
Selector（選擇器）： 從左到右嘗試子節點，直到某個返回"成功"或"運行中"。
Sequence（順序器）： 從左到右執行子節點，所有子節點都返回"成功"纔算成功，只要有一個返回"失敗"就整體失敗。
如果是帶記憶功能的Selector（Memory Selector），它會記住返回'運行中'的節點位置，下一幀直接從該節點繼續；普通Selector則會每幀從第一個子節點重新開始評估。
來看一個微縮版的行爲樹是怎麼跑的：
這就是行爲樹相比傳統FSM的核心優勢：行爲樹相比FSM的核心優勢——可中斷性（interruptibility） 不需要爲每個狀態單獨寫"如果看到手雷就進入躲避"的轉移條件——只要把躲避放在樹的最左邊（高優先級位置），每幀Tick時自動覆蓋低優行爲。相比之下，在傳統FSM裏，你需要從"攻擊"、"射擊"、"巡邏"等每一個狀態都畫一條"看到手雷→躲避"的轉移線，維護噩夢 (攤手`。
行爲樹在《光環2》之後逐漸普及，成爲現代遊戲AI最主流的架構之一。但在《光環2》本身，使用的依然是HFSM/行爲DAG。
5. 上古卷軸5：NPC的"日常生活"
《上古卷軸5：天際》（Skyrim）的NPC行爲系統，是FSM另一個有趣的應用方向——不是戰鬥，而是"生活"。
在天際省，每個NPC都有自己的日常作息：
這些看起來"像真人"的行爲，背後是一個比簡單FSM複雜得多的系統——Radiant AI。它不僅僅是"時間到了就切換狀態"，還需要考慮NPC的"需求"、地點偏好、與其他NPC的關係等多個維度。Bethesda的開發者們需要在"讓NPC看起來自然"和"保證遊戲性能"之間做大量權衡。
當然，這套系統下違和感依然存在。如果你半夜闖進NPC家裏，你會看到他們突然從牀上彈起來，像沒事人一樣開始"白天"的行爲——哪怕外面還是漆黑一片。
這種現象更多歸因於開發者在具體應用中的權衡和取捨：如果讓NPC對被吵醒做出更"真實"的反應（比如憤怒、報警），就需要額外的狀態分支和對話樹，這會大幅增加開發成本和運行時開銷。在有限的資源下，Bethesda選擇了"功能優先"而非"細節完美"。
所以並非FSM模型本身的本質缺陷，而是面對現實中"在什麼程度下夠用就行"的一種選擇。 (下次寫文章我也這麼說(╹╹))
不過即便如此，這套系統在2011年發佈時，已經足夠讓玩家感嘆："這世界活起來了！"畢竟，能看着NPC按自己的節奏生活，本身就是一種沉浸感。
領主巴爾古夫被吵醒
6. 魂系Boss戰：極致的套路循環
說到FSM，不能不提FromSoftware的"魂系"遊戲。
以《黑暗之魂3》的教宗沙力萬爲例：
第一階段：
普通攻擊狀態：揮劍連擊，有固定的3-4招組合
法術狀態：後跳拉開距離，釋放追蹤魔法
突進狀態：向前突刺，位移+攻擊一體
特殊狀態：血量降到約66%，觸發過場動畫，召喚分身
第二階段：
攻擊節奏加快，招式組合變化
分身加入戰鬥，新增"分身協同攻擊"狀態
部分招式增加二階段專屬變體
每個階段內部，Boss會按照一定的概率或條件在不同狀態間切換。比如：
連續近戰攻擊2-3次後，大概率進入法術狀態（避免無限連招）
玩家離得遠時，更可能使用突進或遠程技能
玩家處於攻擊硬直時，Boss會優先選擇高傷害招式
血量低於閾值時，強制觸發階段轉換
你背板的過程，本質上就是在記憶這個狀態機的轉移規律。
爲什麼老玩家能無傷過Boss？因爲他們已經摸清了——"哦，他揮完第三刀之後有0.5秒硬直，這時候可以貪兩刀。"這0.5秒硬直，就是切換的空檔期——Boss正在從"攻擊"切到"下一個動作"，這個瞬間它不防禦。
但魂系真正高明的地方，遠不止"有規律可循"這麼簡單。 其精髓在於：故意暴露行爲機制。
換句話說，Boss不是偷偷切換狀態的——它會主動告訴你它要幹什麼：
視覺提示： Boss的武器發光、特定姿態前搖（比如舉刀過頭頂=即將劈砍）、腳下出現法術法陣=即將釋放範圍魔法。這些不是裝飾性動畫，而是狀態轉移的窗口提示。
音頻提示： Boss的吼叫、特定音效、甚至音樂節奏的變化，都在暗示"我要切換到新狀態了"。
動作編排： 連招的終結動作通常有誇張的收招姿態，給玩家明確的"可以反擊了"的信號。
這纔是"難但公平"的內在：FromSoftware把一套規則系統的"可讀性"推向了極致。 它不是在隱瞞AI的行爲邏輯，而是用最直觀的方式把規則"寫"在Boss的動作上。玩家要做的不是猜Boss會做什麼，而是觀察Boss正在做什麼、即將做什麼。
正是魂系把FSM的"死板"轉化爲了"可學習的挑戰"，然後用視聽語言把這個學習過程變得公平。 玩家通過死亡來"學習"這個規律，最終實現"我懂了，我能躲了"的成就感。這種設計理念，正是魂系遊戲讓人又愛又恨的核心(。-ω´-)。
7. 街頭霸王6：難度上的"暗箱操作"
格鬥遊戲的難度設計，是另一個暴露FSM本質的絕佳案例。
在《街頭霸王6》這類遊戲中，不同難度的AI對手，底層狀態機其實是同一套。區別在於參數的調整：
注： 具體數值因遊戲而異，上表僅示意難度設計的典型趨勢。不同開發商的實現方式各不相同，有些遊戲甚至會在高難度下給AI解鎖額外的招式或改變AI的行爲模式，而非僅僅調整參數。
看到了嗎？困難模式的AI不是"更聰明"，它只是"更快、更準、更狠"。它依然在執行同一套規則，只不過條件判斷更頻繁、動作執行更精準、容錯更低。
這也是爲什麼很多格鬥高玩會說："AI再難也是死的。" 它沒有真正的應變能力，所謂"難度"只是數值調整，不是智能提升。一旦你摸清了它的行爲循環和反應模式，再難的AI也能被針對——比如故意做個假動作，等它"反應"了再打確反。
更有意思的是，格鬥遊戲AI的"擇"（猜拳）機制比表面看起來複雜得多。中等難度的AI在上段/中段/下段三擇時，不是完全隨機的——它基於一個概率權重表做決策。這個表可以模擬人類玩家的不確定性和心理博弈。
一些更高級的實現裏，這個權重表會根據你的歷史行爲動態微調。比如你連續三次防住下段攻擊，AI的下段攻擊權重會逐漸降低，轉而增加上段攻擊的概率。這已經不單純是if-else了——它更接近效用系統（Utility AI）的雛形：AI根據對局勢的評估（你的防禦傾向、距離、血量差等）動態調整行爲選擇。
還有些格鬥遊戲爲了讓AI更像真人，會在決策中引入概率性的"次優解"——讓AI在特定情況下有概率選擇非最優的招式，模擬人類的猶豫和失誤。
畢竟，一個100%正確的對手不是挑戰，是折磨 (攤手。
三、當套路不夠用了——從FSM的極限到AI的進化
七個案例看下來，你有什麼感覺？
好了，七個案例看完了。
從1980年的喫豆人到2023年的街霸6，四十多年過去了——你有沒有覺得，越往後翻，這套東西就越像在硬撐？
喫豆人的時候，幽靈攏共就四個行爲，狀態機畫得那叫一個清爽。馬里奧裏的庫巴也還行吧，多幾個狀態而已，沒什麼大不了的。到了合金裝備，小島秀夫那些人已經開始靠"視線"這種外部條件來觸發狀態切換了——這套架構開始膨脹了。光環2更不用說，上一章我們親眼看着它炸掉的。上古卷軸5裏NPC的行爲，有時候你完全搞不懂它腦子裏在想什麼。魂系Boss的招式套路呢？死個幾十次你也就背下來了。街霸6的AI，說到底不還是在狀態之間跳來跳去？
你發現沒有——這些案例不是一個一個的"意外翻車"。
它們暴露的是同一套架構在不同複雜度下的同一個毛病。只不過有的症狀輕，有的直接炸了。
那這個"毛病"到底是個什麼東西？咱們拆開看看。
嚇哭了
FSM的三大根本矛盾
不是一個。
是三個。互相關聯，但各有各的疼法。
矛盾一：改不動——牽一髮動全身
想象你在維護合金裝備裏Snake敵人的行爲邏輯。
這個敵人有巡邏、警戒、搜索、戰鬥、撤退……大概十幾個狀態。每個狀態裏有一套自己的邏輯，狀態之間還有一堆轉換條件。你動了一下"警戒狀態下發現異常聲音"的處理邏輯，覺得沒什麼大不了的嘛。
然後QA跑過來跟你說：戰鬥狀態下的敵人有時候會卡在原地不動。
你查了三個小時。終於發現——"戰鬥"狀態裏有個轉換條件，依賴的變量恰好是你剛剛動過的那個。本來這條件寫死了一個閾值，你動了它，連鎖反應一路傳導，炸在了你壓根沒想到的地方 (攤手`。
這就是傳統FSM最讓人血壓飆升的地方——沒有"封裝"。
所有狀態攤在一個平面上，彼此之間靠硬連線連着。你動一根線，不知道會扯到哪。用軟件工程的話說——耦合太緊了，緊到窒息。
光環2的遭遇本質上不就是同一個問題的極端版本嗎？只不過它是以"狀態爆炸"的形式爆發的，這個上一章已經詳細聊過了，不再重複展開。
那你可能會想——能不能讓不同狀態之間"共享"某些行爲？比如不管在巡邏還是戰鬥，敵人聽到槍聲都得找掩體。在傳統方案裏，你要麼在每個相關狀態下各寫一遍這段邏輯，要麼給每個狀態都拉一條轉移線。
結果就是蜘蛛網，而且越織越密。
Barr Group的工程師們談到這個問題時有一句很精準的總結：傳統FSM缺失的，是"抽取共同行爲以便跨多個狀態共享的機制"。
機制缺失。不是"做得不好"，是壓根沒有。
你感受一下這個區別 (。-ω´-)。
矛盾二：走不遠——只能走畫好的路
再來看第二個問題。
魂系Boss戰，你死了幾十次之後，是不是慢慢摸清了它的套路？它抬手你就滾，它蓄力你繞後，它倒地你上去貪刀。等你終於過了——那種感覺是什麼？
不是"我反應變快了"。
是"我背下來了。"
沒錯，你背的就是它的狀態機。這套架構裏的AI，只能做程序員預先畫好的事。它不會臨場發揮，不會靈光乍現，不會"突然想試試新打法"。你把它的狀態轉移圖畫出來，它的全部可能性就都在那張紙上了。沒有意外驚喜，甚至沒有意外。
街霸6的AI也一樣。雖然看起來打得很兇，但本質上還是在"對手近身→切換爲壓制狀態""對手遠程→切換爲牽制狀態"之間跳來跳去。職業玩家打幾局就能摸到規律，因爲規律確實就在那裏。
但這就引出了一個反直覺的問題——
可預測，有時候不是壞事。
你想想，魂系Boss要是每局隨機出招、毫無規律，你還能學會嗎？還能感受到"我悟了"的成就感嗎？很多設計師是故意讓AI帶一點點"笨"的——玩家需要的不是一個冷血殺手，是一個"可以被理解、可以被戰勝"的對手。
所以可預測性在遊戲裏有時候反而是個feature。
但問題在於——傳統FSM的"可預測"跟設計師想要的"可控的可預測"之間，差了一個維度。這套方案只能做程序員想到的事。而一個真正優秀的遊戲對手，應該能在設計師劃定的邊界內，偶爾給你一點小驚喜。
這是另一個話題了，第四章接着聊。
矛盾三：看不懂——它到底在想什麼？
第三個矛盾最容易被人忽略，但說句實話——它是三個裏面最讓人頭疼的。
你玩過老滾5的話，大概率遇到過這種名場面：一個NPC正跟你打得激烈——突然，他把武器一收，走到旁邊的桌子上，開始啃麪包。
你：？？？
他爲什麼要啃麪包？可能是血量低了觸發了某個行爲切換。但——爲什麼現在啃？爲什麼啃那個麪包？爲什麼不喫包裏的藥水？爲什麼不先跑遠了再喫？
你不知道。設計師自己搞不好也不知道。
這就是FSM最難受的"可解釋性"問題——它只告訴你角色此刻在做什麼，不告訴你爲什麼選了這條路。 沒有決策過程的記錄，沒有優先級排序，沒有"因爲A>B>C所以我選D"的推理鏈。你就只看到一個閃爍的圓點在狀態圖上跳來跳去，極樂迪斯科。
對玩家來說，這就是"AI犯傻了"。
對設計師來說，這是調試地獄——你只能盯着那堆狀態圖，猜它爲什麼跳到這裏。你想讓角色行爲看起來聰明一點，但你先得回答一個更基礎的問題：它爲什麼這麼笨？ ╮(╯▽╰)╭
注： 上古卷軸5的Radiant AI實際上是一個比純FSM更復雜的多因素系統（詳見第二章2.5節）。但這裏用它來點出一個更普遍的問題——當一個AI的行爲由多個分散的規則驅動時，連設計者自己也難以追蹤決策鏈條。這個困境，不限於FSM。
FSM的這三個矛盾——改不動、走不遠、看不懂——其實都指向同一個根。
一切的根源：FSM的本質是窮舉
你有沒有想過，狀態機在做什麼？
從行爲組織的角度看，它在做的其實就是一種變相的窮舉——把所有可能的行爲畫成一個個圓圈（狀態），再把所有可能的切換畫成箭頭（轉換），AI就在這張圖裏面走。只要圖畫得夠全，AI就能應對一切。
這不就是窮舉嗎。
這裏的‘窮舉’不是指遍歷所有可能的輸入序列，而是指開發者必須預先定義所有狀態及狀態間的所有合法轉移——任何未定義的情況都會導致AI行爲缺失或出錯。
1987年，計算機科學家David Harel寫了一篇後來被引用近萬次的論文。他一上來就在吐槽——一旦系統達到一定複雜度，這套架構就會因爲"所有狀態必須以平面、不分層的方式排列"，導致狀態圖變得"非結構化、不現實、混亂"（原話：unstructured, unrealistic, and chaotic）。
但嚴格來說，HFSM（分層狀態機）本身就是FSM的一種擴展形式。現代遊戲開發中，幾乎不存在完全“平面”的FSM，大家都會用HFSM來規避狀態爆炸。
1987年啊朋友。
那時候連《超級馬里奧兄弟3》都還沒在美國發售呢。就有人在論文裏把FSM的棺材板給釘了一半了 (。-ω´-)。
但三十多年過去了，遊戲行業到今天還在用這套東西。爲什麼？因爲簡單啊。畫幾個圈拉幾條線，跑起來就能用。對當年的喫豆人來說，這就夠了。
問題是，遊戲已經不是1980年的遊戲了。
2025年，名爲Bragge的研究者做了一個對比實驗：拿一個20個狀態的普通FSM（其實已經是做了規避手段避免最壞情況的版本），跟一個用Statechart——就是Harel當年提出的改進方案，本質上是分層狀態機——重構的版本對比。Statechart版本只需要10個"原子狀態"，加上合理的分層和組合，表達力完全一樣，但代碼重複大幅減少，狀態圖清晰度也明顯提升。
這數據告訴你什麼？
告訴你FSM的問題不是"狀態太多了"，而是"狀態的組織方式效率太低"。把所有東西攤在一個平面上，20個狀態就已經讓人崩潰了。而一個3A遊戲的NPC行爲系統，動輒上百個狀態。
你想想那個維護畫面 (;´д`)。
所以問題根本不是什麼"狀態太多了"——問題是組織方式的效率太低。把所有東西攤在一個平面上的代價，不是線性的，是指數級的。
演進路線：從打補丁到換腦子
那業界怎麼辦？總不能一直這麼硬撐着直到炸掉吧。
回顧整條演進路線，大致走了三步，每一步的邏輯都很直白——就是在解決上一步沒搞定的事。
第一步，打補丁。
分層狀態機（HFSM）就是最經典的補丁，第二章光環2那節我們已經見識過了。思路很直覺——別把所有東西攤平，分組。"戰鬥"是一個大狀態，裏頭嵌套"攻擊""防禦""閃避"，通用的切換邏輯在父級處理一次就行，不用每個子狀態各寫一遍。
有用嗎？有用。但你再想想——它解決的是"連線太多"，沒解決"決策太死"。你還是在窮舉，只不過窮舉得聰明瞭那麼一丟丟。
行爲DAG（有向無環圖，Directed Acyclic Graph）也是第二章聊過的補丁思路，本質上是讓狀態之間的連接更靈活。 但這些說到底都是在FSM的外殼上修修補補。
第二步，換腦子
大概在2000年代中後期，業界爲了擺脫FSM的束縛，實際上是在兩條並行的賽道上同時發力：一條通往行爲樹（Behavior Tree），另一條則通往GOAP（目標導向行動計劃）。
關於行爲樹：雖然很多人將其成熟應用歸功於《光環3》（2007），但真正的奠基之作其實是前文講過的《光環2》（2004）。Bungie的AI程序員 Damian Isla 在GDC 2005上的經典演講，系統性地展示瞭如何用樹狀結構管理複雜的AI邏輯，這直接奠定了現代行爲樹的地位。
關於GOAP：幾乎在同一時期（2005年），Monolith Productions推出的神作《F.E.A.R.》則展示了完全不同的思路。它並沒有追隨《光環》的路徑，而是大膽採用了GOAP架構。這意味着，早在《光環3》發售之前，《F.E.A.R.》就已經作爲商業遊戲的先驅，證明了AI可以像人類一樣“思考目標”而非僅僅“執行腳本”。
在《F.E.A.R.》中，GOAP負責生成“計劃”（Plan），但執行這些計劃（比如移動、開火動畫）依然需要底層的狀態機來驅動。它們不是互斥的替代關係，而是分層協作關係（高層決策用GOAP，底層執行用FSM/動作系統）
這就引出了一個非常有趣的現象：決策層與表現層的徹底分離。
在《F.E.A.R.》這種GOAP架構中，FSM被壓縮到了極致。玩過這款遊戲的玩家可能完全沒意識到——這款2005年神作的AI，底層狀態機實際上只有三個狀態：Goto（走過去）、Animate（播動畫）、Use Smart Object（使用場景物體），僅此而已。
更絕的是，開發者自己在GDC論文裏坦言，UseSmartObject本質上只是Animate的特化版本——“所以我們真正討論的，是一個只有兩個狀態的FSM：Goto和Animate。”
Orkin的GDC演講標題確實是“Three States and a Plan”，但他確實也說過“只有兩個獨特的狀態”
3 vs 2？關於“Use Smart Object”是否能完全歸併爲“Animate”，取決於具體的引擎實現。在很多實現中，Use Smart Object涉及物理交互、場景查詢等邏輯，並不僅僅是播放動畫
兩個狀態。 看到這裏你明白了嗎？狀態機不再負責定義複雜的“行爲邏輯”（比如巡邏、追擊、逃跑），它退化成了純粹的“執行管道”或“動畫播放器”。真正的智能——也就是“我該怎麼做才能幹掉玩家”——全部交給了上層的規劃器（GOAP）去計算。FSM只負責把計算出來的結果（走路或播放動畫）執行出來。
這種“規劃器負責思考，狀態機負責執行”的模式，正是現代遊戲AI架構的核心思想。
第三步，讓AI自己學。
這是最激進的一步，也是最遠離傳統開發流程的一步——乾脆不畫狀態圖了，讓機器自己從數據裏學。
具體怎麼學、學到什麼程度、效果怎麼樣——那是第四章的主菜。
不過在跳進去之前，有一個現實你得知道。
行業裏到今天大量項目沒有全面轉向機器學習或GOAP，原因不光在技術上。工具鏈適配是繞不開的坎。你的策劃團隊習慣了行爲樹，你的調試工具是圍着行爲樹搭的，你整個生產管線都基於行爲樹——你憑什麼換？換了策劃怎麼調？QA怎麼測？遊戲AI領域的泰斗級人物Ian Millington在他的教材裏專門強調了這一點："Toolchains Limit AI."
工具鏈就是AI的上限。
技術從來不只是技術問題 ╮(╯▽╰)╭。
前面等着我們的是什麼？
好了，現在咱們把整條線理一理。
這套規則系統在簡單場景下完全夠用，但隨着遊戲越來越複雜，那三個矛盾——改不動、走不遠、看不懂——會越來越尖銳。業界沿着"打補丁→換腦子→讓AI自己學"這條路一路摸過來，從分層方案到行爲樹、到效用評分、到目標規劃，再到今天用機器學習訓練角色行爲……
每一步都在回答同一個問題：能不能讓AI不再只是"被畫好的圈和線"？
這個問題還沒有被完全回答。
而第四章，我們來看看這個方向上最新的玩法——從拿視頻數據訓練狀態機，到效用AI怎麼算出"哪個行爲最值得做"，到GOAP怎麼讓角色自己規劃目標，再到強化學習怎麼讓AI在一次次失敗中成長。
套路之外，確實還有更大的世界 (๑•ㅂ•)✧。
四、前沿展望：遊戲AI接下來喫什麼？
從FSM到HFSM再到行爲樹，遊戲AI的進化路徑很清晰：開發者一直在找更強的表達能力和更低的維護成本。這條路還遠沒走完。
讓AI自己學：從遊戲視頻裏"逆向工程"FSM
傳統的做法需要程序員手動編寫每一個狀態和切換條件。但遊戲越來越複雜，純手寫的工作量實在喫不消。最近的研究正在改變這個現狀。
在AAAI AIIDE 2025（AI與互動數字娛樂研討會，AAAI旗下的遊戲AI專門會議）上，阿爾伯塔大學的研究者 Dave Goel 和 Matthew Guzdial 發表了一個案例研究：從遊戲視頻中自動學習有限狀態機（Learning Finite State Machines with Gameplay Video）[2]。
簡而言之就是讓AI來看人類玩家打遊戲的錄像，然後自動分析、總結出遊戲中的狀態和轉移規則。不需要程序員手寫，系統自己能"逆向工程"出邏輯結構。研究以經典Pac-Man爲實驗對象，成功從視頻中學到了一個可運行的FSM模型，能在pygame裏復現原版大部分行爲邏輯。
這玩意兒的意義在哪？
降低開發門檻： 獨立開發者不用精通AI編程也能做出聰明的敵人。錄一段自己的遊戲視頻，工具幫你分析出合理的行爲設計。
快速原型： 想測試一種新的敵人行爲？不用寫代碼，先打一遍看看效果，系統自動分析出行爲模式，快速迭代。
當然，目前這個階段還比較早期。研究只在Pac-Man這一個相對簡單的遊戲上做了驗證，生成出來的FSM往往比較粗糙，需要人工調優。但它指向了一個有意思的方向：也許未來開發工具能幫我們自動完成"行爲分析→狀態設計"的第一步。
下一代遊戲AI：超越FSM的探索
儘管FSM及其變體至今還是主力，但行業對"更智能的對手"的探索從沒停過。目前最前沿的幾個方向：
效用系統（Utility AI）： 讓智能體根據多因素的"權重打分"做決策，而不是簡單的if-else。比如"要不要躲掩體"取決於血量（越低權重越高）、距離掩體遠近、敵人火力強度等多因素綜合評分。這讓行爲更靈活、更像"有判斷力"的玩家。
GOAP（目標導向行動計劃）： 給AI一個目標（比如"消滅玩家"），讓它自己規劃行動步驟（走到掩體後 → 瞄準 → 射擊）。AI像下棋一樣提前規劃好幾步。《F.E.A.R.》是GOAP的經典應用案例。
機器學習/強化學習AI： 用強化學習訓練AI，通過成千上萬次試錯學最優策略。DeepMind的AlphaStar（星際爭霸2AI）就是代表。但在商業遊戲裏，這方案最大的問題是不可控——你可能不希望Boss學會你沒想到的陰間打法，更不希望它學會了"永遠躲在角落不出來"這種"最優策略" (;´д`)。
這些方案各有各的挑戰：機器學習AI太不可控、訓練成本極高、性能開銷大，GOAP在大規模NPC場景下需要額外的性能優化（如分佈式處理和緩存機制）才能滿足實時性要求[5]，效用系統設計複雜（調參調到崩潰）。
所以在可預見的未來，FSM及其變體依然是遊戲AI的主流選擇。 不是因爲最先進，而是因爲最實用。遊戲AI設計的第一原則不是"有多智能"，而是"有多好用"——穩定運行、精確控制、讓設計師做出想要的體驗，這就夠了。
畢竟，玩家要的不是一個"真正會思考"的對手，而是一個"打得過癮、學得會、有挑戰但不至於讓人棄坑"的對手。FSM恰好能完美地實現這一點。
結語：下次被Boss虐的時候，換個角度看它
所以，聊了這麼多，回到最初那個問題——
爲什麼Boss的招式循環總讓人覺得像"對好暗號的套路"？爲什麼換個難度，同一個敵人就好像突然"變遲鈍"了？
答案你已經知道了。
它不是在跟你玩心理戰。它的每一次出招、每一次後退、每一次看似聰明的走位——背後都是一套確定性的規則在毫秒級響應。就像那臺老電視：你按哪個鍵，它就跳哪個頻道，播那個頻道預設好的內容。
但這不是什麼令人失望的真相。
恰恰相反——設計出一套能產生趣味、製造挑戰、可預測且經得起千萬玩家檢驗的行爲規則系統，本身就是極其精妙的工程。
喫豆人四幽靈各有"性格"，靠的不是什麼高級算法，而是四套不同的目標計算公式跑在同一套狀態框架上。魂系Boss的"難但公平"，靠的不是AI有多聰明，而是FromSoftware用視聽語言把規則直接"寫"在了Boss的動作上，讓你能看懂、能學會、能戰勝。合金裝備那個經典的"！"，本質上就是一個狀態轉移的視覺反饋——它不是技術炫技，而是設計師在告訴你："你現在暴露了，該跑了。"
這些都不是"智能"的勝利，是設計的勝利。
理解遊戲的底層邏輯本身就是一種樂趣。我們打遊戲，不就是在虛擬世界裏找到現實世界給不了的掌控感嗎？你知道Boss有套路，你知道它的狀態機會在第三刀之後留出0.5秒硬直，正是你從被虐到通關的成長曲線。
而現在你還知道了一件事：在那個虛擬世界裏，連Boss都有跡可循。(。-ω´-)
免責聲明
受限於個人認知，文章可能存在不準確之處 ，這篇文章不是什麼權威教材，也不是什麼行業白皮書 (´･ω･)，也可能會出現一些事實性錯誤。
所有評論區的糾錯我都會逐一覈實，並在文章中更新標註，感謝大家的嚴謹把關
它就是一個遊戲AI技術話題的科普長文，數據來源我儘量標註清楚，但不同遊戲的實現細節可能千差萬別——畢竟每家工作室都有自己的"祖傳代碼"。
如果你讀完想自己上手搞狀態機，建議搭配正經教材服用。
以及，遊戲AI這個領域迭代飛快，你現在看到的"前沿"，可能一年後就是"基操"了 (攤手
參考文獻與延伸閱讀
學術論文
Harel, D. (1987). "Statecharts: A Visual Formalism for Complex Systems." Science of Computer Programming, 8(3), 231–274. → 第三章引用：首次系統性地指出扁平FSM在複雜系統中的"非結構化、不現實、混亂"問題，並提出了層次化狀態圖的解決方案。
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：展示如何從遊戲視頻中自動提取FSM模型，以Pac-Man爲實驗對象。
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狀態FSM與10原子狀態Statechart的實證對比研究。
行業演講 / 技術報告
Isla, D. (2005). "Managing Complexity in the Halo 2 AI System." Game Developers Conference (GDC) 2005. → 第二章引用：Bungie AI程序員分享《光環2》的HFSM/行爲DAG設計思路，啓發了後來行爲樹的誕生。
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架構如何將FSM壓縮到僅三個狀態（Goto / Animate / Use Smart Object），讓規劃器負責所有行爲決策。
教材 / 書籍
Millington, I. Artificial Intelligence for Games (3rd Edition). CRC Press. → 遊戲AI領域入門聖經，涵蓋FSM、行爲樹、尋路、決策系統等核心主題，適合零基礎讀者。
Rabin, S. (編). Game AI Pro 系列叢書 (1–4). CRC Press. → 業界一線開發者撰寫的實戰合集，涵蓋大量3A級項目的AI設計經驗與工程技巧。
技術博客 / 在線資源
Barr Group (2016). "Introduction to Hierarchical State Machines (HSMs)." → 第三章引用：清晰闡述了HSM的行爲繼承機制與傳統FSM缺失的"行爲共享"能力。
如果你對遊戲AI開發感興趣，推薦從 Millington 的教材入手，再配合《Game AI Pro》系列瞭解工業界實戰。上面列出的論文和演講在 Google Scholar / GDC Vault 上均可找到。
覺得這篇文章有意思？請點贊收藏加關注謝謝喵~
以及歡迎在評論區分享你被人工智障操作氣到的經歷，或者你用FSM思路通關的各種操作 (๑•ㅂ•)✧！
更多遊戲資訊請關註：電玩幫遊戲資訊專區
電玩幫圖文攻略 www.vgover.com
