游戏中的人工心智：实现

实战人工智能系统：游戏中最小化实现

该人工智能系统被嵌入一款简易射击游戏中，以清晰展示核心功能：感知、记忆、过程分类与动作合成。智能体（学习主体）需躲避由用户控制的猎人发射的弹药。双方沿平行路径移动：猎人可自由左右移动，而智能体每回合最多移动三步。

世界包含四个对象：智能体、猎人、枪支和弹药。世界感知以约30个参数列表形式呈现（坐标、弹药类型等），构成状态。这些参数的任何变化均记录为新状态，一系列状态则形成过程。

通过分类生成知识

过程分类将状态序列转化为算法——即输入（参数范围）、动作（参数变化）、输出（功能依赖关系）的形式规则。知识库初始为空。

在遭受三次攻击后，首个规则浮现：对弹药接近模式的泛化。智能体识别危险并作出反应：

• 尝试性动作：从可用选项中随机选择一步（左或右）。
• 模拟动作：基于现有规则合成预测结果。
• 验证性动作：依据已泛化的成功规避规则形成反射。

通过对智能体移动步数的泛化，得出坐标调整规则；分析弹道轨迹，则生成飞行路径规则。这些洞察使系统能够预判数步之后的情境。

动作合成与执行机制

算法合成模块利用现有规则，为智能体与猎人生成可能的动作选项。结果通过成功率、能耗等标准评估，最优方案由动作模块执行。

成功的模型会被泛化为验证规则。完全适应意味着仅依靠已验证动作即可避免伤害。

游戏包含两种弹药类型：

• 直线型：通过移出路径即可规避。
• 制导型（有限射程）：需退至安全距离。

当步数不足时，压力模式启动：对过往行为进行更长时间跨度的分析。掌握猎人移动规律与开火模式后，系统可模拟未来三回合内的行动，最大化逃生概率。

智能体应对威胁的三种响应方式

• 尝试：在新情境下，数据尚未积累时使用。
• 模拟：基于预测结果选择最优策略。
• 验证：即时反射式响应。

这正对应了学习阶段的演进——从混乱探索到技能精通。

可扩展性与普适性

核心心智结构（感知、记忆、分类、合成、动作）具有普适性，可通过外围模块适应不同环境。未来潜力包括：

• 增加物体数量与动作复杂度。
• 深化模拟深度（更多步数、更长反应时间）。
• 创造力：在信息不全时解决问题（假设作为部分规则匹配）。
• 主动探索：规划实验（目前仅限于影响物体）。

假设通过低成本试错或受控实验进行验证。版本3–4将引入对物体的直接干预能力。

核心收获：

• 系统能在敌对环境中实时生成知识，无需预先训练。
• 三级响应机制支持从试错到本能反射的适应过程。
• 多步前瞻模拟体现预见能力。
• 压力模式扩展历史分析，应对复杂威胁。
• 核心架构具备向强人工智能演进的潜力，融合创造力与实验推理能力。

— Editorial Team