黄鸿波表示，强化学习技术的落地并不在于要把算法改得多牛，而是要将强化学习技术与深度学习、游戏策划相结合，形成一套完备的解决方案，并将其实现。
强化学习让游戏更加智能
强化学习在游戏中的落地，能够让游戏变得更加智能，可玩性变得更高，这就是在游戏中采用强化学习的主要目的。
“强化学习是一种机器学习范式，它训练代理的策略，以便可以做出一系列决策。” 黄鸿波表示，代理的目的是根据对环境的观察来输出动作。这些行动将导致更多的观察和回报。当代理与环境交互时，培训涉及大量的反复试验，并且每次迭代都可以改进策略。
在游戏中，采取行动或执行行为的代理是游戏智能体（Agent）。考虑游戏中的角色或机器人，它必须了解游戏的状态，玩家在哪里，然后基于此观察，应根据游戏的情况做出决定。在强化学习中，决策由奖励决定，奖励在游戏中可以作为高分提供，也可以提供给达到特定目标的新水平。
黄鸿波表示，关于游戏情况的最酷事情是，在游戏的压力下训练了智能体的策略。 例如，它可以了解受到攻击时的处理方式，或如何行为以达到特定目标。
行为树在游戏中的作用
行为树是一个包含逻辑节点和行为节点的树结构体。通常情况下，可以将每一种情况都抽象成一个类型的节点，按照规范去写节点，然后把这些节点连接成一棵树。当用户每次去找一个行为的时候，就会从树的跟节点出发，从各个节点中寻找出一个和当前数据相符合的行为。
简单来说，在AI各模块耦合度较高、粒度较大的情况下，往往一个变动都牵扯到大量的修改，也很容易出现大量的重复代码。而行为树的出现，给了广大游戏开发者提供了一个“方格本”，让AI开发者比较方便的搭建出一整套可复用、好扩展维护的AI框架出来。可以说，强化学习是用训练得来的，行为树是若干个else、if的语句结合。
上图所示，图中有一个根节点，往下是一个树节点，树节点中又包括逃跑、攻击、闲逛等。把上图当成一个AI或是机器人，让他在丛林中巡逻。当AI看到一个ORC半兽人，并判断打不过这个ORC，当触发这个条件，AI会逃跑，逃跑就会执行Run动作。当判断比较容易打，就会执行Fight操作。
在上图中，有两个节点，一个是Root，即根节点；一个是Selector节点,即逻辑节点。所有的节点都是按照一定顺序，从左往右执行，这就是一个行为树。因此，只需要写好每个节点里对应的逻辑，就能够让AI执行一些相关动作。若干个行为树，最后就组成了一个游戏。
强化学习和行为树相结合让游戏更加丰富
如何使用强化学习和行为树相结合，让游戏更加丰富呢？这是很多游戏里需要讨论的一个比较难的应用。
在此之前，不妨先讨论什么时候用强化学习比较好,什么情况下用行为树比较好。黄鸿波表示，用行为树没有办法很好达到目标的，就可以用强化学习，例如在FPS（第一人称射击游戏）中，应该用多大火力，应该朝谁开火，应该用什么样的武器等等，是比较难通过行为树来决策的，一般来讲用强化学习实现就会比较好。
什么时候用行为树？例如在游戏中遇到障碍物时需要跳过去，可以选择用强化学习来做，也可以选择用行为树来做。但如果用强化学习来做，训练起来就会很麻烦。由于这种情况下只有一个选择，就是跳过去，因此用行为树就会更加简单。
不难发现，如果把强化学习和行为树结合起来用在游戏中，就是一个比较好的方案。黄鸿波表示，强化学习与行为树相结合，有两种比较大的实现方式：一种是以强化学习为主，行为树为辅；另一种是以行为树为主，强化学习为辅。
行为树侧：以行为树为主要的AI运动方式，行为树从游戏客户端接收obs输入，根据自身的目标情况，针对于obs来写相应的行为树行为，在行为树的各个行为中，将一些需要强化学习做决策的节点交给强化学习来进行，那么在这里，就需要强化学习针对一些特定的场景来做相应的训练。
强化学习侧：整体策略则变成了训练若干个模型，每一个模型执行一种策略，然后再嵌入到行为树当中。
黄鸿波表示，这两种不同的实现方式，究竟哪个好，这就需要根据不同的情况、不同的应用、不同的游戏进行不同的考虑，因此不能一概而论。
在接下来的时间里，黄鸿波详细介绍了西山居在强化学习与行为树中采用的技术框架，并结合大量的游戏案例，详细介绍了行为树和强化学习在游戏中是如何进行结合，让游戏变得更加丰富。对案例实践感兴趣的用户，不妨关注AISummit 全球人工智能技术大会的精彩分享视频。（https://aisummit.51cto.com/）
