红警3AI会学习吗？游戏AI到底有没有记忆

红警3AI学习能力这个说法，我在贴吧和游戏群里见过不下十次。有人说"电脑会记住你的战术，第二次就不好使了"，说得有鼻子有眼。我打了十几年红警，一直觉得这事悬，但没验证过。上个月连着下了几天雨，我索性认真做了个实验：同一套开局战术，对着同一难度的一家电脑，连打十局，看它到底学不学。

答案先剧透：不学。一局都没学。但这十局打下来，我倒是把游戏AI和机器学习的边界彻底搞明白了，这收获比赢十局大多了。

实验设计很朴素，先交代清楚。版本是起义时刻，地图选的"卡巴纳研究站"，1v1，对手固定凶残级苏联AI，我用的盟军。战术就一招：工程师快偷——速起重工厂，工程师蹲多功能步兵车，直扑对面主基地偷家。这招对电脑胜率一直不低，问题是对同一个对手连用，它的防守会不会升级。

十局全录了屏。变量我尽量控住：出生点位随机这点没法控，所以遇到同一出生点重复的局才算同条件样本，最后有效局七局。做实验嘛，讲究个诚实。

实验结果：红警3AI学习能力为零，第七局它输得一模一样

原子答案：同一战术连打七局，凶残AI的应对方式没有任何一局出现变化，工程师偷家成功率稳定在6/7。红警3的AI没有跨局记忆，你重启一局，它就把你忘得干干净净。

七局的数据摆出来：偷家成功六局，失败一局——失败那局是我手滑，步兵车开进了地堡射程，纯属操作事故，不是电脑学聪明了。最说明问题的是第七局和第一局，电脑的出兵序列几乎逐帧一致：先狗探路，然后双矿车，天启坦克的时间点都在同一分钟。它连"上次被偷到破产"这件事都不记得。

局内呢？局内有那么一点点像"记忆"的东西。比如你炸掉它一次矿车，它会补 defenses，兵营被端了会重建。但这不是学习，是触发器——血量低于阈值、建筑被摧毁，满足条件就执行预设动作。跟你在Excel里写个IF公式是一个原理。挺朴素的。

这种设计思路在学界有个老名字，叫有限状态机，维基百科上有限状态机的词条讲得很清楚。红警3的行为树比纯状态机复杂些，但本质还是"条件-动作"的查表逻辑，表是发售前策划写死的，2008年写死的。

那为什么凶残级感觉会"读心"？作弊式加成拆给你看

原子答案：凶残AI的压迫感来自资源加成和全图视野，不是战术进化。难度越高，系统给电脑的钱越多、开图越狠，同一套战术树用更厚的家底执行，玩家自然觉得它"变聪明了"。

我把七局录像里电脑的经济数据扒了一下（开了观战回放看的）。同一时间点，凶难AI的资金大约是我的1.7倍，出兵峰值差距更夸张。简单说，它不是棋高一着，它是带着一倍半的盘缠跟你下棋。你战术再好，架不住对面天启坦克论批发。

这就引出一个很多人混淆的点。玩家口中的"AI变聪明"，多数时候是"AI变有钱"。我后来又拿中等难度打了三局对照，同一战术，电脑穷了，防守塔少了，偷家难度直线下降。难度滑块调的不是智商，是资源阀门。

这块想再深挖的，可以翻翻我之前写的红警3AI难度背后的三种设计，里面把简单、中等、凶残三档的底层差异拆得更细。顺带一说，各代红警的AI思路还不一样，红警3AI的行为逻辑拆解那篇讲出兵套路的部分，跟这次实验能完全对上。

实验中途有个小插曲，值得一提。第四局我故意换了个打法，前期暴兵压制，不偷家，想看看电脑会不会"记住"前三局的偷家而提前设防。结果它毫无反应，防的还是它脚本里该防的东西。挺好笑的。我反而被它的公式化背刺了两次——它出兵的时机太规律，规律到我可以掐表。反过来说，真正不会学习的是它，会学习的其实是我。

打到第九局我有点恍惚。对面还是那个开局造双矿的苏联，还是那个时间点出海啸坦克。一瞬间甚至有点同情它：十八年了，它一步都没挪过。够专一。

游戏AI和机器学习，到底差在哪一层？

原子答案：差在"谁写的行为"。脚本AI的行为是人提前写死的规则表，机器学习AI的行为是从数据或胜负反馈里自己练出来的权重。前者永远不更新，后者每训练一轮都在变。

拿红警3举例最直观。凶残AI开局先造什么、几点进攻，是策划在Excel表里填的数值，写完就封版。而真正用了机器学习的游戏AI，比如用强化学习训练的星际争霸智能体AlphaStar，它的策略是从几百万局对战里"输"出来的。你打它十次同一招，第十一次它真可能变阵。我那个实验放在AlphaStar身上，结论会完全反过来。

关于机器学习到底怎么从数据里学东西，白话入门看这篇机器学习到底是什么就够了，不写一个公式。想直接看AI自己打游戏是怎么回事的，游戏AI是怎么自学成才的从下棋讲到打星际，脉络清楚。要是你想知道强化学习凭啥能训出这种东西，AI与强化学习的关系用打游戏就把原理讲透了，一脉相承。

给个直观的对比表，主观评分，帮你看清层次：

说个业内公认的事实：AlphaStar对人类顶尖选手打出了职业水准的对局，这在脚本AI的框架里是想都不敢想的。一个填表的AI，上限就是填表那个人的想象力。

从"电脑不会学习"里，我顺手学到的三件事

原子答案：脚本AI的可预测性本身就是攻略资源；"AI会记住你"是玩家的归因偏差；判断一个AI聪不聪明，先看它的行为能不能被同一招重复触发。

头一件，可预测等于可利用。这次实验后我打凶残AI的胜率明显上去了，因为我不再把电脑当"智能对手"，而是当成一台会动的发牌机。它的出兵表就是攻略本体。第二件，归因偏差。人输了就爱给对手加戏，"它学会防我了"比"我操作变形了"体面多了。群里那些"AI有记忆"的传说，八成是这么来的。

第三件最实用：拿"同一招打三次"当试金石，可以快速判断你面对的任何智能系统是脚本还是模型。智能音箱听不懂的指令换三个说法再喊，每次反应一致，那就是关键词匹配；反应各不相同，背后多半有真模型。我后来拿这招测家里的扫地机路线规划，居然也管用。土办法，但灵。

对AI的学习机制本身好奇的，推荐看维基百科强化学习词条，再看这篇AI智能怎么学习新知识，两下对照，红警3的电脑和AlphaStar的差距你就彻底看懂了。

常见问题

红警3的AI开局战术是随机的还是固定的？

是固定池里随机抽。凶残AI的开局就那么几种模板，抽到哪个走哪个，模板内部是死的。我的七局里它抽到同一个模板五次，重复率高得离谱，这也是"没有学习"最直观的证据。

游戏里AI难度越高是不是越接近人工智能？

不是。红警3的难度只调资源和视野加成，决策逻辑一行没变。感觉"更聪明"纯粹因为电脑钱多兵多，容错高了而已。这跟机器学习意义上的智能是两码事。

现在有游戏真的用机器学习做AI吗？

有，但不在RTS主力圈。强化学习在围棋、星际这些科研项目里验证过上限，商业游戏里更多用在NPC行为生成、画面超分这类环节，核心对战AI用脚本仍是主流，原因很简单：脚本可控，训练出来的模型设计师管不住。

我拿同一招打别的游戏AI，第二次真被防住了，怎么回事？

大概率是脚本里有个"玩家重复行为计数器"这类预设逻辑，属于策划提前写好的应对，不是AI现场学的。判断标准看第三局：如果第三次它又防不住了，那就是查表，真学习不会退步。

十局打完，我坐在椅子上想了挺久。红警3AI学习能力这个东西，问出口的瞬间答案就注定了——一个2008年的脚本AI，哪来的学习。但这次实验让我把"感觉它变聪明了"和"它真的在学习"这两件事彻底分开了，这分辨力以后看任何AI新闻都用得上。

如果你也有过"电脑记住我了"的瞬间，把这篇转给那位天天跟你吹AI会自我进化的群友吧，让他也做个实验，比吵架管用。