帝国时代3的AI什么水平？行为逻辑比红警复杂

帝国时代3AI学习这个话题，是从一次饭局吵起来的。老同学坚持认为帝国3的电脑"会运营"，我说那叫脚本写得好。回家我不服气，翻出游戏对着最难级电脑认真打了半个月，录了十二局屏，专门盯着它的经济运营看。越看越有意思——这游戏的AI确实比红警3高一个层次，但高的原因，跟大多数人想的不一样。

先把话放这：它依然不会学习，但它把"查表"查出了花。这篇文章就讲这张表是怎么查的。

我的观察方法交代一下，不然结论没有根基。版本用决定版，1v1黑森林和德克萨斯两张图各六局，难度固定最难。我不追求赢，前五分钟故意不打架，就 observer 模式挂机看它运营（决定版有个观测者延迟功能，方便复盘）。经济建筑的建造顺序、村民的分配流向、每一波兵的配比，我用表格手动记的。十二局记下来，手腕都酸了。

没有金标准对照，这就是个笨人笨办法。但笨办法出真东西。

帝国3AI的经济决策链，拆开是四段流水线

原子答案：帝国3AI的运营分四步循环——派探险家探图圈资源点、按预设序列补经济建筑、村民按采集优先级自动再分配、兵力按克制关系配比。四步都是固定逻辑，但环环相扣，形成的运营水平明显高于红警3的单线出兵。

逐段说。第一段探图，开局两分钟内它的探险家必然摸清你主基地方向，狗的走位都有讲究，优先贴地图边缘绕圈。第二段囤田，这是我印象最深的部分：它的磨坊和农庄不是乱造的，村民数量过20之后，粮食采集的村民占比稳定在55%上下浮动，跟我查的高手录像数据（普遍50%-60%）几乎重合。这个数字是策划调出来的，调得相当讲究。

第三段再分配是精髓。你把它的金矿骚扰掉，它的村民不会傻站着，会在十几秒内被重新分派到伐木或农田。注意，这是"经济系统容错"，不是智能——它判断的依据是采集点失效这个事件，触发搬家的固定指令。红警3的矿车被端了也有类似补救，但帝国3的再分配粒度细到单个村民，观感上就"活"很多。

第四段配兵最容易被误读成"学习"。你重步兵，它出骑兵；你重骑兵，它补长枪。看起来像它在分析你、适应你。其实呢？这套克制应对也是预设的对策表。证明方法很损：同一局里我把主力兵种来回切换三次，它的应对每次都精确命中克制表，但从不搞伏击、不预判、不将计就计。查表查得再准，它也不会骗你。

拿红警3对照：帝国3AI学习的"错觉"从哪来？

原子答案：帝国3给AI装了经济系统，决策变量多了一个数量级，容错和再分配逻辑让它显得会思考。红警3的AI本质是出兵计时器。两者都是脚本，复杂度差在游戏规则本身。

上个月我刚好做过红警3的AI实验（同一招打七局，电脑一次都没变），这次正好拿来当对照组。红警3的经济只有矿车采矿一条线，AI的经济行为压缩成"矿车数量"一个变量，剩下的全是出兵序列。帝国3不同，村民采集分四类资源，资源之间还要换算，光"什么时候升时代"这一件事，AI就要在科技、兵力、经济三个方向上做权重取舍。规则复杂，脚本能表演的空间就大。

打个比方。红警3的AI是自动售货机，投币出饮料，动作利索但没有惊喜。帝国3的AI像一台编程好的咖啡机，会根据你的选择调整水温、粉量、萃取时间，花样繁多，可配方还是出厂时写进芯片的。都是机器，一个是查表快，一个是表大。

红警那套的完整实验数据我写在红警3AI会学习吗的验证实验里了，两个实验对照着看，你对"脚本AI"这四个字的理解会立体很多。红警3的出兵套路拆解，另有看懂电脑对手出兵套路一篇，细节更全。

讲个翻车现场，帝国3的AI蠢起来也是真蠢。第八局，我故意在它必经的隘口造了个贸易站卡位，它的部队在隘口前集结了整整四分钟，来回踱步，就是不肯拆。最后居然绕了半张地图从侧翼包过来。战术上你可以说这叫迂回，我看着更像是寻路逻辑卡了 bug。旁边我表弟笑到拍大腿：这AI跟我打的不是一张图。

还有它的时代升级时机。十二局里它升三代的节点误差不超过90秒，稳定得像地铁时刻表。稳定是脚本的美德，也是它的死穴——你掐着它的升级节奏打时间差，基本一打一个准。我后来六连胜全靠这一招，赢了也没啥成就感，赢的是张表。

游戏AI到底有没有真在用机器学习？

原子答案：商业即时战略游戏的对战AI几乎清一色是脚本和有限状态机，机器学习只活跃在科研项目和棋牌类。不是技术做不到，是可控性和开发成本不划算。

DeepMind用强化学习练出的AlphaStar在星际争霸II上达到过宗师段位，这是公开可查的事实，AlphaStar的词条里有对局细节。但商业游戏厂商为什么不跟进？我问过做游戏开发的朋友，他的原话是："训练出来的模型策划改不动，出了平衡性问题只能重新训练，成本炸裂。脚本今天改表明天上线。"一句话讲透行业现实。学术界把这件事研究得更透，《自然》杂志收录过AlphaStar的完整论文，结论部分就讨论过这类AI在商业环境落地的成本障碍。

脚本AI还有个隐藏优势：性能。帝国3的AI决策跑在你本地CPU上，查表的开销约等于零；换一个神经网络推理，低配机器的帧数先扛不住。所以你现在买的任何一款RTS重制版，对战AI骨子里还是2005年的技术，顶多把表填得更漂亮。

想顺着这条线把AI的"学习"彻底搞明白的，推荐三篇：机器学习入门白话版讲AI怎么从数据里学；游戏AI强化学习入门讲让AI自己打游戏是怎么回事；机器学习六个月学习计划适合想把这套东西亲手跑一遍的人。由浅入深，顺序别乱。

帝国时代3AI学习的观察框架：两条标准判断游戏AI水平

原子答案：判断一个游戏AI的水平，一看它的决策是响应式还是预测式，二看它的失误是否可复现。两条都指向"查表"，就能定性它是脚本；有预测、有不可复现的失误，才可能有模型。

框架说起来简单，用起来意外地顺手。响应式指它只对已发生的事做反应，比如兵种克制表，你出了它才应对，永远慢半拍；预测式是它会在你没出招前布局，比如提前在你分矿路上设伏。帝国3的AI全程响应式，一次预测都没做过。失误复现更好验证，我在同一张图重开三次，同样的开局，它前五分钟的建筑顺序一字不差。真模型可做不到这么齐整，神经网络的输出天然带随机性。

这两条我后来拿去测了手机上的自走棋和一台"智能"扫地机器人，全都能用。说白了这个框架的价值不在游戏，在于给你一双拆穿"智能"包装的眼睛。现在啥产品都敢往自己身上贴AI标签，会拆，就不会被营销话术带着走。

关于AI学习的原理性追问，比如"机器到底怎么从经验里变强"，可以接着读让AI学习的原理，数据喂养到模型毕业的完整流程都在里面。那份红警3的对照实验如果还没看，回头补上，两篇是一套的。

常见问题

帝国3最难AI的经济运营能到什么水平？

按我的十二局记录，二十分钟时它平均能维持55到60个村民、资源采集分配接近高手录像的比例。运营框架是及格的，短板在战术欺诈为零，时间点又太规律，掐表就能反制。

帝国3的AI会针对玩家的战术做调整吗？

会应对，不会针对。你出什么兵它按克制表补什么，但不存在"预判你要打快攻所以提前修塔"这类预测行为。把同一招用两局，第二局它的准备和第一局完全一样。

决定版的AI比2005年原版有升级吗？

有，主要是表填得更细、难度档位更多，个别加了些开局变体，但架构没换，仍是行为规则那套。所以原版时代总结的AI弱点，决定版大多还能用。

有没有AI真的会越玩越强的游戏？

棋牌和科研向对战环境里有，AlphaStar就是代表。商业游戏里基本没有，玩家遇到的"变强"要么是难度加成，要么是剧情脚本，跟持续学习不沾边。

半个月十二局打完，我对帝国时代3AI学习这个问题的最终回答是：它不学习，但它证明了一件事——规则足够精巧的查表，也能演出七分像人的运营。剩下的三分，恰是机器学习要补的东西。分清这七分和三分，你看AI的眼光就跟大多数人不一样了。

这半个月的游戏时间没白费。觉得这两套实验有意思的，把文章转给那个总说"游戏AI会进化"的朋友，让他也录个屏试试，真理越辩越明嘛。