文章目录01 图书介绍02 读者受益03 作者介绍04 目录05 了解更多当下 AI 正在深度改造游戏行业智能 NPC、程序化关卡生成成为行业热点。但不少开发者只接触 AI 生成素材却不懂如何把 AI 模型真正集成进 Unity 游戏项目理论看多、落地困难缺少完整可运行的工程实践案例。《AI 重塑游戏开发让 NPC “活” 起来》立足真实游戏业务用 7 套可运行项目打通 AI 从训练到游戏引擎集成的完整链路。获取方式https://item.jd.com/14816155.html01 图书介绍作为知名游戏厂商 AI 团队负责人作者将自己多年在游戏领域的 AI 探索经验和盘托出以真实的游戏项目案例系统讲解 AI 技术从数据构造、模型训练到游戏工程集成的完整实践路径回答 “如何将 AI 真正做进游戏” 这个核心问题。02 读者受益阅读本书你将收获游戏 AI 完整工程落地能力掌握多套真实可运行项目包含玩家战斗力预测、AI 照片捏脸、网格寻路、三消关卡智能生成、可交互智能 NPC、阵容挖掘与推荐、视频动作生成 7 个脱胎于真实业务的项目案例。吃透完整工程链路每个案例完整走完数据构造、模型训练、接口封装、模型推理到 Unity 项目集成拒绝纸上谈兵。打通主流 AI 技术栈熟练掌握 PyTorch、Stable Baselines3PPO 算法、通义大模型与 Function Calling、MediaPipe、遗传算法与强化学习方法可迁移至其他技术栈。实现鲜活的 LLM 智能 NPC学会角色性格塑造、对话记忆管理、意图识别、工具调用打造拥有自由交互能力的游戏角色。获得开源配套资源全部案例源码与素材 GitHub 开源跟随书中步骤实操学完即可迁移到自己的游戏项目。适配多类人群成长需求适合有一定游戏开发基础的程序员、有志进入游戏行业的 AI 工程师、游戏新人、高校学生、独立游戏开发者补齐游戏 AI 落地短板。03 作者介绍罗培羽现任广州 4399 技术研发中心 AI 团队负责人。长期关注 AI 技术在游戏研发中的落地应用具有丰富的游戏开发、技术架构与 AI 游戏实践经验。曾出版《Unity3D 网络游戏实战》《百万在线大型游戏服务端开发》等多部游戏开发技术图书内容涵盖游戏客户端、服务端、网络架构与大型在线游戏开发并曾在 UWA DAY、GSS 全球游戏峰会等会议进行技术分享。04 目录Contents目 录 前 言 第1章 从战斗力预测开始入门模型设计11.1从战斗力预测开始11.1.1 解读游戏场景11.1.2 理解AI的数据基础——张量21.1.3 构建输入-输出模型31.1.4 计算损失函数和梯度51.1.5 循环训练61.1.6 模型推理71.2数据集处理81.2.1 分析业务数据81.2.2 自定义数据集91.2.3 数据加载器101.2.4 升级多维输入-输出模型111.2.5 升级双重循环训练121.3战斗匹配系统131.3.1 收集线上玩家属性131.3.2 构造ELO排行数据141.4模型结构与生态161.4.1 卷积网络扩展二维特征171.4.2 ResNet支撑深层网络191.4.3 自注意力Transformer架构201.4.4 常用的第三方库201.5总结21第2章 AI驱动的照片捏脸系统222.1解读游戏场景222.2关键技术原理232.3开发捏脸模拟器242.3.1 制作三维模型242.3.2 定义捏脸数据252.3.3 模型形变控制262.3.4 头发类型控制272.3.5 用户交互界面302.3.6 提取面部关键点312.4数据集和归一化362.4.1 数据集生成362.4.2 人脸关键点归一化402.5脸型参数预测432.5.1 神经网络结构的设计432.5.2 数据集类的实现452.5.3 训练器的实现482.5.4 预测器的实现532.6与真实人脸的风格化对齐552.6.1 提取真实人脸的关键点562.6.2 统计分析风格化的差异582.7发型分类器的构建602.7.1 数据集的准备602.7.2 数据集类的实现622.7.3 卷积神经网络模型的设计642.7.4 训练器的实现662.7.5 预测器的实现702.8发型分类器的调优722.8.1 解决数据类别不均衡问题732.8.2 解决训练数据不足问题752.8.3 使用预训练模型进行迁移学习762.9管线整合802.10总结82第3章 在网格寻路中入门强化学习843.1解读游戏场景843.2关键技术原理853.3开发网格寻路游戏853.3.1 设定游戏状态853.3.2 创建地图863.3.3 动作执行873.3.4 实现游戏主循环883.4基础的强化学习训练893.4.1 标准强化学习环境的三要素903.4.2 动作空间和观测空间923.4.3 奖励函数943.4.4 训练模型953.4.5 评估效果973.5奖励函数的优化983.5.1 分析训练失败的原因983.5.2 奖励函数的改进993.5.3 验证智能体玩游戏的效果1013.6四种进阶技术1023.6.1 使用TensorBoard监控训练1023.6.2 Stable Baselines3同时运行多个环境1023.6.3 回调训练过程的数据监控1043.6.4 自定义网络结构1073.7总结108第4章 三消游戏关卡的智能生成1094.1解读游戏场景1094.2关键技术原理1104.3开发基础版三消游戏1114.3.1 定义基础配置1114.3.2 实现核心逻辑1124.3.3 实现交互逻辑1134.3.4 匹配和消除1154.3.5 人工测试1174.4开发游戏智能体1184.4.1 基于贪婪策略的决策逻辑1184.4.2 自动化的流程评估1194.5强化学习生成关卡1204.5.1 环境类设计1204.5.2 动作空间1224.5.3 状态表示与观测空间1234.5.4 动作执行1244.5.5 奖励函数设计1254.5.6 实现训练器1274.5.7 制作关卡生成器1294.6模型泛化能力的优化1314.6.1 生成多种难度关卡1314.6.2 扩展棋盘尺寸1324.6.3 关键参数调优1334.6.4 改进奖励机制1344.7总结136第5章 可交互的智能NPC1375.1解读游戏场景1375.2关键技术原理1385.2.1 消息处理流程1385.2.2 接入通义模型1395.2.3 游戏系统说明1405.3搭建LLM通信基础1425.3.1 定义API数据结构1425.3.2 实现HTTP通信客户端1435.3.3 验证第一轮对话1445.4实现闲聊功能1455.4.1 扩展闲聊通信接口1455.4.2 角色性格塑造1475.4.3 对话记忆管理1485.4.4 识别目标角色1495.4.5 整合对话流程1505.5理解动作指令1525.5.1 Function Calling技术1535.5.2 意图识别1555.5.3 游戏动作封装1575.5.4 工具注册和管理1605.5.5 收集场景信息1615.5.6 整合所有流程1625.6总结166第6章 考量平衡性的阵容挖掘与推荐1676.1解读游戏场景1676.2关键技术原理1686.3开发对战模拟器1696.3.1 战斗功能概览1696.3.2 核心类结构设计1736.3.3 HTTP API1756.3.4 HTTP客户端1766.4基于遗传算法的阵容挖掘1866.4.1 队伍个体的设计1876.4.2 遗传算法的主体实现1916.4.3 适应度函数的基础设计1936.4.4 “轮盘赌”和“锦标赛”的选择策略1956.4.5 交叉和变异1966.4.6 进化流程的整合1986.4.7 挖掘效果的验证1996.4.8 适应度函数的优化设计2016.4.9 动态的教练队伍机制2056.5基于强化学习的阵容推荐2076.5.1 转化为序列决策问题2086.5.2 环境设计2096.5.3 状态空间表示2126.5.4 动作空间表示2156.5.5 单步执行与状态转移2156.5.6 奖励函数设计2186.5.7 预测器与实时推荐2196.5.8 模型训练和效果验证2206.5.9 强化学习中的动态教练机制2246.5.10 应对有限英雄池的挑战2286.6总结231第7章 视频动作生成2327.1解读游戏场景2327.2关键技术原理2337.3提取姿态关键点2347.3.1 构建姿态提取器2347.3.2 直接导入骨骼位置的错误示范2367.4用LookRotation控制骨骼方向2407.4.1 基础旋转控制2407.4.2 让y轴指向目标方向2447.4.3 手臂骨骼控制2467.5读取MediaPipe姿态数据2497.5.1 定义MediaPipe数据结构2497.5.2 实现数据读取器2517.5.3 实现姿态可视化2537.6Unity骨骼控制动画2557.6.1 设计骨骼旋转计算的代码框架2557.6.2 实现右臂的骨骼控制2567.6.3 建立动画播放系统2597.6.4 实现腿部的骨骼控制2617.6.5 实现躯干的骨骼控制2647.7动画优化与适配2697.7.1 平滑插值优化2697.7.2 角色位置调整2697.7.3 骨骼旋转约束2717.7.4 任意3D模型适配2757.8AI姿态检测的技术原理2777.9总结279第8章 未来之路2808.1智能资源生产2808.2软件工程模式创新2818.3游戏自动推演及调优2828.4游戏引擎重构2838.5总结284后记28505 了解更多