AI 与机器学习2009valvesoftware.com编辑精选
《Left 4 Dead》的 AI 系统
The AI Systems of "Left 4 Dead"
入门 · 约 45 分钟读完前置知识：游戏开发基础、状态机与行为树概念
导读
这篇 Valve 2009 年的论文介绍了《求生之路》(Left 4 Dead) 的 AI 系统设计，包括 AI 导演 (AI Director) 如何根据玩家的'情绪强度'动态调整敌人刷新与节奏，以及幸存者 Bot 的行为机制。论文展示了如何用 AI 营造紧张感和团队协作体验。
HN 关注点：Valve 罕见地公开了游戏 AI 的内部设计细节，尤其是用'情绪强度'驱动难度调节这一经典做法。
后来怎么样
AI Director 的动态难度调节成为游戏行业广为借鉴的设计范式，后续多款游戏（如《死亡空间》等）采用了类似的节奏调控机制，该论文也长期被视为游戏 AI 设计的经典参考。
HN 评论精选
这几条评论里：支持 1 补充 2 亲历 1
亲历从对战亲历出发分析 AI 的设计意图，并指出幸存者 Bot 的优缺点
我很爱这游戏，是我除了军团要塞2之外还在玩的少数FPS之一……但和TF2一样，除非所有人都愿意配合，否则很难玩好。对战模式中一方扮演怪物，用丧尸潮弥补火力不足。玩起来能直观体会 AI 的运作方式：它慢慢让人类玩家心态崩溃，比如盯上掉队者，或让最强玩家过度自信冲在前面。当然所有对战游戏都有这种动态，但在L4D里格外明显，因为单个玩家无法像CS里的高手那样单枪匹马团灭对方。另外：AI 控制的幸存者非常强，可能是迄今最好的 Bot，但也有弱点——太愿意为受伤队友牺牲自己的医疗包，而且几乎总会去救倒地玩家，不管多没希望。真人可以很混蛋，但有时最好的选择就是丢下掉队者，尤其当敌人设了埋伏等救援者上钩。
danso查看英文原文
I love this game, one of the last FPSes I still play other than Team Fortress 2...unfortunately, like TF2, it's not very playable unless everyone in the round is amenable to being a team player. The multiplayer deathmatch allows one team to take the role of monsters, who have the backing of the zombie horde to make up for lack of guns. Playing it really provides some interesting insights to how the AI effectively functions, by slowly getting the human players to come unglued, either by targeting stragglers or letting the best players get too overconfident and move ahead of the team. Of course, all deathmatch games have this dynamic but it's very explicit in L4D, mostly because it's impossible for one human or monster player to singlehandedly own the opposing team in the way that an ace player can miraculously wipe out a team in Counter-Strike. edit: The AI controlled human players is extremely competent, maybe the best bot players yet created. But they do show their limitations in multiplayer...among their weaknesses: they're too willing to sacrifice their healthpacks for an injured teammate, and will almost always try to help an incapacitated player no matter how hopeless his/her cause. Real humans can be total assholes, but in some situations its best for the team to leave a straggler behind, especially if the enemy has set up an ambush for the rescuers.
补充补充资料：Valve 官网还有更多公开技术论文
Valve（曾经）对技术发布非常开放，他们网站上还有更多论文，推荐花点时间看看。
TheMakeA查看英文原文
Valve is (was) very open with their publications. There are more available on their website[1]. I definitely recommend taking a little time to look through them. [1] http://www.valvesoftware.com/publications.html
支持点赞基于情绪强度的动态难度设计
根据计算出的玩家'情绪强度'来调整敌人刷新和行为——非常妙。
johnyzee查看英文原文
Adjusting enemy spawn and behavior by a calculated 'emotional intensity' of the player - very nice.
补充指出论文中 Bot 会被'隐形传送'回队伍的作弊机制
如果幸存者 Bot 因为任何原因跑得太远，它会在没有人类玩家看着的时候被传送到队伍附近（AI 作弊算法！！！很喜欢这个）。
solnyshok查看英文原文
If a SurvivorBot ever gets far out of place for any reason, it is teleported near the team when no human is looking at it (AI cheating algoritm!!! Really enjoyed that)
相关资源
从这篇论文所有 HN 讨论帖的全部评论里整理出来的链接。
历次讨论
- 2009Hacker News 讨论帖11 分 · 0 评
- 2013Hacker News 讨论帖277 分 · 82 评
同领域还值得读
DeepSeek-R1：通过强化学习激励 LLM 的推理能力
DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via RL
研究如何用强化学习激励大语言模型的推理能力，提出 DeepSeek-R1，并探讨 RL 训练对模型推理表现的影响。
AI 与机器学习2025 · 1,351 分 · 1,056 评 · 引用 30进阶 · 约 80 分钟编辑精选1-bit LLM 时代：面向低成本计算的三值参数
The Era of 1-bit LLMs: ternary parameters for cost-effective computing
提出用三值参数 {-1, 0, 1} 替代 LLM 中的浮点权重，即所谓“1-bit LLM”。
AI 与机器学习2024 · 1,040 分 · 447 评 · 引用 19进阶 · 约 45 分钟编辑精选DeepSeek-V3.2：推进开放大语言模型的前沿
DeepSeek-v3.2: Pushing the frontier of open large language models
这是 DeepSeek-V3.2 的技术报告，延续了 DeepSeek 开源权重模型的路线，目标是让开放模型继续逼近甚至追平前沿闭源模型。
AI 与机器学习2025 · 982 分 · 465 评进阶 · 约 90 分钟编辑精选通过自我对弈与通用强化学习掌握国际象棋和将棋（AlphaZero）
Mastering Chess and Shogi by Self-Play with General Reinforcement Learning
DeepMind 的 AlphaZero 论文：用通用强化学习算法（自我博弈 + MCTS + 神经网络），从零开始仅数小时训练便在国际象棋和将棋上击败了世界顶级引擎 Stock…
AI 与机器学习2017 · 539 分 · 270 评 · 引用 13进阶 · 约 90 分钟编辑精选用强化学习发现更快的矩阵乘法算法
Discovering faster matrix multiplication algorithms with reinforcement learning
论文提出 AlphaTensor，用强化学习搜索矩阵乘法算法。
AI 与机器学习2022 · 518 分 · 111 评专业 · 约 90 分钟编辑精选