TGDF2017心得筆記 - Day1

這兩天會去聽2017台北遊戲開發者論壇，

就我有聽的場次簡單地寫個心得筆記。

Day 1 - Google最新訊息搶先看

講師分享Google提供跟遊戲有關的最新服務。

我對工具的態度，通常是先知道有這樣的東西就好，
等有需求的時候再去研究，所以就不多說了。

總之就是以後有遊戲要測各種android平台的話，
直接找google提供的服務比較方便。

Day 1 - VR & AR邁向實境之路

講師分享AMD對VR的產品發展。

除非是有一定要VR才能實現的功能，我大概才會想多研究。
假如是為了想先站在浪頭上而去接觸，那要投入更多資源，
對我來說不划算，也不是我想做的事。

Day 1 - 以小型獨立工作室塑造 3D 日式動畫畫質

講師分享其所屬專案的美術製程。

由於是電子小說，攝影機角度比較固定，
建模（包含人物）可以只針對攝影機會照到的角度處理，
人物的五官可以直接用2D方式畫上去，
色塊著色的方式主要就是製作工具控制切分色塊的臨界值
場景氛圍則用工具控制色調與對比度，或用一些後製效果去處理，
同時把主角相對於背景突顯出來。

至於減少成本的方式，可以多放靜態場面，還有減少人物轉角度的狀況，
讓美術素材能夠盡量重複利用。
總之可以參考看看新房昭之的作品XD

Day 1 - 遊戲人工智慧與關卡難易度

教授介紹拆分遊戲內容來定義難度進而訓練AI的方法論。

遊戲流程其實就是有限狀態機，是狀態、對象、輸入輸出的集合，
所以要先從遊戲流程中拆解出狀態機，再來找出與難易度有關的要素，
便可參數化這些要素，進而以data driven的方式調校AI。

教授用撞球遊戲為例介紹了整個流程：
決定難易度的要素主要是AI要能判斷球的好打程度，
球與球間的距離、夾角、球的聚合程度等等，
然後可能也要考慮下一顆球的好打程度。

再來是根據輸入讓AI有預測輸出的能力，
最直接的方式是AI用遊戲裡的物理模擬去算不同結果，
但考量效能這並不是合適的作法，
於是便用機器學習的方式，
去預測擊球的結果與最後停下來的位置，
訓練到預測的結果與實際物理模擬的結果盡量接近。

這樣AI就有選球打的能力了。
讓AI根據難易度去做不同的輸入選擇，
笨一點的AI就選容易輸的輸入，強一點的AI就選容易贏的輸入。

所以回過頭來，最重要的是如何拆解出遊戲的狀態機，
建立難度與遊戲機制的對應關係。

而且這個對應關係有機會是可逆的：
假如可以設計關卡來對應不同難度，
那也有可能輸入難度自動產生關卡。
只要盡可能量化各項要素，
依特定樣板自動產生的遊戲內容是很有機會可以實現的。

Day 1 - 《地下城物語》─再滾燙的紅海都有屬於你的一條活路

講師分析所屬專案從開案、設計、到營運的策略
主要就是以遊戲機制為主，並盡量透過玩家意見回饋來改善內容。

另外，雖然有些細節要試了才知道，
但目標跟方向是需要先確定的，
且遊戲中內容都盡量不與此目標與方向牴觸。
因為遇到過不少反例，所以就特別心有戚戚焉 orz

（待續）