高斯核在游戏设计中的实战应用
05/2457 浏览开发心得 疑似 AI 合成内容
一种直觉的数学化
你在写一个仓库拍卖游戏的战利品系统。
最朴素的想法是：从物品池里随机抽，直到凑够总价值。
跑起来一看——运气好时全是高价大件，运气差时一堆零碎小物，两次游戏体验天差地别。
你想要的是"大概在范围内，但还有惊喜"这种感觉。
怎么把这种模糊直觉变成代码？
你需要的工具叫高斯核：weight = exp( -k · distance² )
它描述的是一件最朴素的事——离中心越远，这件事发生的概率越低，但不是零。
weight
1.0 ┤ █ ← k = 3.0（严格集中）
│ ███
│ █████
│ ▒▒▒▒▒▒▒▒▒▒▒▒▒ ← k = 1.0（中等）
0.5 ┤ ▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒
│ ░░░░░░░░░░░░░░░░░░░░ ← k = 0.3（宽松分散）
│░░░░░░░░░░░░░░░░░░░░░░░
0.0 ┼────────────┬─────→ distance
0
三个参数直觉：
- k 越大，钟形越窄，结果越集中在中心
- k 越小，钟形越宽，结果更分散、更有惊喜
- 中心本身权重永远是 1，永远是最优先的候选
一、战利品生成：围绕目标价值选物品困境
仓库总价 1000 万，要放 15 件物品，平均每件约 67 万。系统每次选物品时，应该给"接近 67 万"的物品更高权重，给"只值 500 块"或"值 800 万"的物品更低权重——但不能完全排除。解法：把"当前目标均价"当中心，把价格偏离程度当距离：weight(item) = exp( -k · ln(item.value / targetPerPick)² )
这里用的是对数比值而不是线性差，因为价格的感知是乘法性质的——10 万偏到 5 万，和 100 万偏到 50 万，感知上"一样偏"。每次从剩余物品中按权重随机选一件，再把它的价格从剩余预算里扣掉，targetPerPick 随之更新。总价值被软性约束在目标附近，但不是死板的精确控制。
二、对称 vs 非对称：一维的各向异性困境
仓库总是出一堆小红，大红几乎没见过。
去看代码，发现用的是标准对称高斯核。
对称核意味着"比目标贵 10 倍"和"比目标便宜 10 倍"惩罚相同。
但在游戏体验上，这两种偏差截然不同：
- 出现一件太便宜的物品：玩家略感失望，无伤大雅
- 出现一件超级昂贵的物品：玩家惊喜，愿意截图分享
以 k=1.5 为例，价值是目标 10 倍的物品，相对权重只有 1.4%——大红不是统计事故，是系统主动压制的结果。
解法：高于目标价的方向用更小的 k（衰减更慢），低于目标价保持正常衰减：
当 value > target： weight = exp( -(k/2) · ln(ratio)² )
当 value ≤ target： weight = exp( -k · ln(ratio)² )
weight
1.0 ┤ *
│ * * * ← 非对称核
│ * * *
0.5 ┤ * * * *
│ * * * ← 对称核 * *
│ * *
0.0 ┼────────────→ ln(value/target)
偏 -2 -1 0 1 2 偏
便 贵
宜 左侧对称 右侧衰减更缓
同样是 10 倍偏离，非对称核下权重提升到约 12%。
把设计意图直接编码进衰减函数的形状，这是高斯核最迷人的地方。
三、各向同性 vs 各向异性：方向决定一切困境
做一个潜行游戏的敌人感知系统。第一版用圆形感知范围：以敌人为圆心，5 米内就被发现。测试下来感觉不对——从背后悄悄靠近和从正面硬闯一样容易被发现，完全不符合常识。
问题在于用了各向同性核：衰减在所有方向上相同，形状是圆。weight = exp( -k · (dx² + dy²) )
Y
↑
░░░░░░░░░
░░░▒▒▒▒▒░░░
░░▒▒▒███▒▒▒░░
░░▒▒▒███▒▒▒░░
░░░▒▒▒▒▒░░░
░░░░░░░░░
└──────→ X
各方向衰减相同（圆形等值线）
解法：换成各向异性核，不同方向用不同 k：weight = exp( -( kx · dx² + ky · dy² ) )
Y
↑
░░░░░
░░░▒▒▒▒▒▒▒░░░
░░▒▒███████▒▒░░
░░░▒▒▒▒▒▒▒░░░
░░░░░
└──────────────→ X
kx < ky：X 方向衰减慢，椭圆横向拉伸
（正前方感知远，侧面和背后感知近）
更进一步，椭圆可以旋转——跟随敌人的朝向动态更新。这样视野锥就自然地成为了敌人身体的一部分。各向异性核的经典应用场景：
- 敌人视野锥：正前方感知远（kx 小），侧后方急剧衰减（ky 大）
- 风向下的气味传播：顺风方向扩散慢，逆风方向扩散快
- 运动模糊：沿速度方向拉伸，垂直方向极窄
- 地形坡向扩散：水流、泥石流沿坡度方向传播
四、双边滤波：懂得在哪里停手的高斯困境
用柏林噪声生成了一张地形图，噪声太杂想做高斯模糊。
效果出来了，但海岸线和悬崖的陡峭边缘也跟着糊掉了——平原和山地的边界变成了一片漫坡，地图失去了地理感。
普通高斯模糊不区分"要不要模糊"——它对所有相邻像素一视同仁，悬崖两侧的格子会互相平滑。
解法：双边滤波（Bilateral Filter），在空间距离之外加入值域差异这第二个维度：weight = exp( -k_spatial · dist² ) · exp( -k_range · Δvalue² )
两个高斯核同时工作：靠近的格子权重高（空间高斯），但值差异大的格子权重被另一个高斯压低。
结果是：相似区域之间自由平滑，跨越陡峭边界的格子互不影响。游戏中的应用：
- 地形生成：平原内部平滑，山地与平原的陡坡保持锐利
- 光照烘焙：光影交界处保持清晰，阴影区内部柔和
- NPC 情绪扩散：同类情绪在友军间传播，跨越阵营边界的传播被抑制
五、可分离高斯：从 2D 拆成两次 1D困境
想给 1080p 全屏加一个 Bloom 辉光，高斯核半径 15 像素。每个像素要做 15×15 = 225 次乘加，两百万像素，60fps，计算量爆炸。
各向同性高斯核有一个救命性质：可以分解为两次独立的 1D 高斯卷积——先横向扫一遍，再纵向扫一遍，结果与一次性做 2D 完全相同。
225 次乘加 → 2×15 = 30 次。GPU 上跑大范围 Bloom 因此变得可行。
注意边界：各向异性核如果椭圆旋转了任意角度，就不可分离，必须完整计算 2D 卷积，或用近似方法。
只有椭圆长短轴与坐标轴对齐时，才能拆成两个不同 k 的 1D 卷积。
六、时间域高斯：把"距离"换成"时间差"困境
赛车游戏的方向盘，直接读取陀螺仪数据——一抖一抖的，玩起来像在冰上漂移。
你想要的是"跟手但不颤抖"的手感，过度平滑又会让操控感觉迟钝。
高斯核的"距离"可以换成任何连续量，包括时间。
把历史输入按时间距离加权平均，越近的帧权重越高——这正是时间域高斯卷积。
k 越大平滑越少（响应灵敏），k 越小平滑越多（手感稳定但黏）。
时间域高斯的其他游戏场景：时间抗锯齿（TAA）：当前帧与历史帧加权混合，历史帧权重随帧龄高斯衰减。
越老的帧权重越低，画面发生突变时历史帧的影响自动减小，在抗锯齿和避免鬼影之间取得平衡。
事件余震衰减：BOSS 死亡或队友阵亡后，NPC 的反应强度不应立刻归零，而应随时间自然消退：influence(t) = exp( -k · (t - t_event)² )
适用于冷却期内的 NPC 台词触发概率、debuff 强度衰减、音乐情绪权重的平滑过渡。
七、混合高斯：叠加多个核，制造多峰分布困境
做 RPG 的掉落系统，总感觉少了什么。
物品质量中规中矩，没有那种"废品一堆，偶尔中大奖"的紧张感。
单个高斯核永远只有一个峰——它让结果集中在某个目标附近，天然抹平了两极分化。
要制造"要么很差，要么很好，中间反而少"的体验，需要叠加两个核：weight = w₁ · Gauss(center₁, k₁) + w₂ · Gauss(center₂, k₂)
weight
│ * *
│ * * * *
│ * * * *
│ * * * *
│ * * * *
│ * * * *
│* * * *
│ * *
│ ******
0.0 ┼──────────────────────────────────→ value
↑ ↑
中心1（低价日用） 中心2（高价稀有）
中间价格出现频率极低
典型游戏应用：双峰战利品：一个核集中在低价（日常消耗品），另一个集中在高价（稀有件）。
中间价格反而极少出现——"没什么用 / 超值"的二元体验，比线性分布更有戏剧张力。
敌人行为节奏：攻击间隔有两个峰——“疯狂连击期"和"蓄力等待期”。
用混合高斯采样间隔时间，在不写硬状态机的情况下产生节奏感。
程序生成资源矿脉：贫矿和富矿各有一个核，很少出现"中等矿"。
玩家要么值得停留，要么完全不值——探索的决策更加干脆。
八、截断高斯：有边界的连续分布困境
做 AOE 技能，范围内均匀伤害。
测试下来，玩家在技能圈里根本不走位——站在圈边上和站在圆心受到的伤害完全一样，走位有什么意义？
解法：范围内改用高斯分布伤害，范围外截断为零：
damage = MAX_DMG · exp( -k · dist² ) if dist < radius
= 0 otherwise
damage
MAX ┤ ████
│ ████████
│ ██████████
│ ████████████████
│ ████████████████████
0 ┼──┤ ├──→ distance
↑ ←── radius ──→ ↑
边界外=0 边界外=0
● 核心区：高伤，须规避
◎ 中间圈：可承受，决策空间
○ 边界外：安全
三层策略空间自然形成。走位拉扯、卡距离、近战取舍，都有了数学支撑。
变种：
- BUFF 光环：站在施法者身边收益最大，边缘收益渐弱，超出范围归零
- 仇恨分配：最近目标仇恨最高，但仇恨在一定范围内按高斯分布，而非只锁定最近一个
九、粒子系统与程序动画
困境 A：手枪准星圆，奔跑时大、蹲伏时小。每颗子弹的飞行方向怎么决定，才能让散射既符合直觉又可调节？
粒子初速度方向偏离主轴的角度，几乎普遍使用高斯分布：小角度偏离概率高（形成密集主束），大角度偏离概率低（形成稀疏外沿）。
k 值直接控制"准直性"：激光束用大 k，火焰用小 k，手枪的 k 值根据玩家状态动态变化。
困境 B：角色走上台阶时，脚的 IK（逆向运动学）修正量每帧根据地形重算，结果脚像在弹跳。
脚踩地形的目标高度不能直接用，需要在时间轴上做高斯平滑——让 IK 修正"追上"真实地面而不是跳变。
本质上是对目标位置序列做时间域高斯卷积。
十、玩家匹配：技能的高斯不确定性困境
多人对战需要匹配系统。
最朴素的做法是 ELO 分——赢了加分输了减分。
问题是，新玩家只打了 5 场，他的分数到底可信吗？
一个 1500 分的老玩家和一个 1500 分的新玩家，应该被同等对待吗？
微软 TrueSkill 系统的做法：把每个玩家的技能建模为高斯分布：skill ~ N(μ, σ²)
μ 是估计的技能均值，σ 是不确定性。
新玩家 σ 很大（不确定），随着对局积累 σ 收窄（越来越确定）。
匹配算法寻找 μ 相近且 σ 都较小的玩家组队——两个人的技能都已经比较确定时，这场匹配才是公平的。
这里高斯的意义不在于衰减，而在于把一个确定值扩展成一个分布来建模不确定性。
同样的思路可以用在游戏 AI 上：与其给 NPC 一个固定的射击准确率，不如给它一个高斯分布的命中偏差——高技能 NPC 的 σ 小（命中稳定），低技能 NPC 的 σ 大（命中随机）。
十一、自适应高斯：k 值本身是变量困境
AI 敌人平时巡逻时不那么敏感，但一旦听到枪声就应该进入高度警觉状态，感知范围大幅扩大。
用硬状态切换来实现，感觉很生硬——"正常/警觉"之间像拨开关。
让 k 随状态连续变化：警觉值从 0 升到 1 的过程中，k 从 2.0 线性降到 0.5，感知椭圆从小圆变成朝声源方向拉伸的大椭圆。
AI 的行为变化就不是状态机跳转，而是感知能力的平滑过渡。其他应用：
- 动态景深：玩家拉近相机查看细节时，近处虚化的 sigma 减小，推远相机时增大
- 技能疲劳效应：同一 AOE 连续释放，k 值逐渐增大（范围收缩），表达"过热"而不需要单独写冷却系统
- RTS 的损伤状态：单位受损时感知 k 增大，表现出战术收缩而不需要显式编写撤退逻辑
十二、高斯核的边界——什么时候不该用它
认清局限，才能在对的地方用对的工具。
需要长尾分布时困境：想加一个极端事件——超级史诗掉落，概率极低但不能为零，一旦出现玩家会震惊。
高斯核衰减极快，极端值出现概率趋近于零。
这类场景需要幂律分布（Power Law）：weight ∝ value^(-α)
幂律的尾部"厚"得多，可以自然产生极端值。
游戏里的彩票掉落、经济系统的财富集中、Pareto 法则（20% 的物品带来 80% 的价值感），背后都是幂律而非高斯。
需要平顶均匀区域时困境：技能范围内所有位置应该同等重要，但又不想要硬边界。
用平顶高斯（Super-Gaussian）：weight = exp( -k · dist^(2n) ) n > 1
weight
1.0 ┤ ████████ ← n=3（平顶高斯）
│ ██ ██
│██ ██
0.5 ┤ · · · · · ← n=1（普通高斯）
│ · ·
│ · ·
0.0 ┼─────────────────────→ distance
←── 平顶区 ───→
n 越大，核越平顶越接近 Box 核，但保留平滑边缘过渡。
需要保证总量守恒时困境：RTS 影响力地图每帧更新，单位的威胁值向周围格子扩散，但几轮之后总威胁量越来越大。
高斯核用于权重采样时不需要归一化，但用于扩散时，未归一化的核会导致总量持续增加。
热扩散、传染病扩散、影响力传播，都需要先把核所有权重归一化到 1——扩散前后总量守恒。
小结：四个问题定一个核
每次用高斯核之前，问自己四个问题：
1. 容忍多少偏差？ → k 的大小
2. 哪个方向的偏差更可接受？ → 对称还是非对称，或各向异性的轴向
3. 边界需要保留吗？ → 要不要加值域维度（双边滤波）
4. 状态会变化吗？ → k 是常数还是随系统状态更新的变量四个问题回答完，一个高斯核的设计基本就定了。
它不是复杂的数学，而是把"越偏离越不好，但不是完全不可能"这种设计直觉，翻译成机器可以执行的概率权重。