前言
這學期我同時修了 KBAI 和這堂 CS 7632 - Game AI。如果說 KBAI 是用符號推理解抽象問題，那 Game AI 就是把 AI 技術搬進遊戲世界裡，讓你親眼看到 Agent 在螢幕上動起來。
這堂課所有作業都在 Unity 裡完成，用 C# 實作各種遊戲 AI 技術。從最基本的路徑規劃，到狀態機、彈道計算、程序化地形生成，每個作業都能直接跑起來看結果。對於平常寫 Python 或 JavaScript 的人來說，這種即時視覺回饋的感覺蠻新鮮的。
我是 2026 Spring 的學生。課程內容和作業可能每學期有所不同。
課程內容
課程影片按主題分成 15 個模組，涵蓋了遊戲 AI 的主要領域：
- Basic Agent Movement：基本的移動和轉向
- Computational Geometry：幾何計算基礎，為路徑規劃打底
- Path Planning：Grid、Waypoint、A*、Navigation Mesh
- Steering Behaviors：群體移動、避障、追蹤
- Ballistic Projectile Targeting：物理彈道計算
- Decision Making：行為樹、狀態機
- Procedural Content Generation：程序化生成地形和關卡
- Minimax & Monte Carlo Tree Search：對弈 AI
每個模組都不長，而且講解清楚。和對應的作業關聯性很高，看完影片就能動手。
作業
總共有 7 份 Homework 加上一個 PCG 專案和一個 Racetrack 專案。全部都在 Unity 裡完成。
路徑規劃系列（HW 1-4）
這四份作業是循序漸進的：
- Grid Lattice：建立基本的網格圖結構
- Path Network Navigation：Waypoint 路徑網絡導航
- A Pathfinding*：在導航圖上實作 A*
- Navigation Mesh Generation：從幾何形狀生成 NavMesh
每份都建立在前一份的基礎上，所以前面如果沒搞懂，後面會比較卡。但整體來說難度不高，概念清楚就能寫。
彈道與狀態機（HW 5-6）
- HW 5 - Ballistic Projectiles：實作物理彈道計算，讓 Agent 能精準投擲
- HW 6 - Finite State Machine：這是最有趣的一份。你要設計一支 Prison Dodgeball 隊伍的 AI，用 FSM 控制球員的攻擊、閃避、撿球等行為
HW 6 大概是所有作業裡最好玩的。看自己設計的 AI 隊伍在場上打躲避球，贏了會很有成就感。
Racetrack（HW 7）
設計賽車 AI。有 Fuzzy Logic 和 Neural Net 兩種方向可以選。Fuzzy Logic 比較直覺，Neural Net 是進階挑戰。
PCG 專案
Procedural Content Generation：程序化生成地形。用演算法生成山脈、峽谷、沼澤等不同地貌。
考試
沒有正式考試，只有 Quiz。而且全部都是 Open Book、沒有 Honorlock 監考。所有 Quiz 的截止日期都是學期末，所以你完全可以集中在最後一口氣做完。難度不高，有看課的話基本上不會有問題。
工作量
說白了，這堂課在有 AI 輔助的時代算是一堂水課。
所有作業都是 Gradescope 自動評分，Quiz 全部 Open Book 且截止日期都在學期末，沒有 Honorlock。整堂課的結構非常適合用 AI 來加速，但我自己是把 AI 當作規劃和測試的工具，不是直接拿來寫作業。讓 AI 幫忙理解概念、規劃 FSM 的 State Transition、或者幫忙 Debug，但核心邏輯還是自己寫。這樣學到的東西才是真的。
和 KBAI 比起來輕鬆不少。每份作業的範圍都很明確，指示也很清楚。大部分作業一個週末就能完成，前提是你對 Unity 和 C# 不會太陌生。
最大的門檻可能是 Unity 環境本身。如果你之前完全沒碰過 Unity，第一週花點時間做 Roll a Ball 教程熟悉一下界面和工作流程會很有幫助。但課程本身不會要求你做什麼複雜的 Unity 操作，主要就是寫 C# 邏輯。
作為和 KBAI 同學期的搭配，工作量分配起來蠻合理的。Game AI 的節奏穩定且可預期，不會有 ARC-AGI 那種需要長期迭代的壓力。
建議
- 提早裝好 Unity：版本要對，第一次開專案可能要下載不少東西。
- HW 1-4 要連貫理解：這四份是一個系列，跳著做會很痛苦。
- HW 6 先在紙上畫 FSM：State 和 Transition 想清楚再寫 Code，不然改來改去很浪費時間。
- 影片認真看：這堂課的影片和作業的對應關係非常直接。
總結
Game AI 是我在 OMSCS 裡修過最輕鬆也最有趣的課之一。它教的是一套和 ML 完全不同的 AI 技術：路徑規劃、狀態機、行為樹、程序化生成。這些都是遊戲開發者每天在用的東西，而且因為所有作業都能即時看到視覺結果，學習的過程很有滿足感。
在有 AI 工具的今天，這堂課的難度又降了一個檔次。但即使如此，我還是建議把 AI 當輔助而不是代勞。自己理解路徑規劃和狀態機的邏輯，比直接拿到答案有價值得多。
如果你需要一堂輕鬆的課來搭配重課，或者單純對遊戲 AI 有興趣，這堂非常推薦。不會讓你焦慮，但也不是完全放水。每份作業都學到實用的東西，做完會覺得時間花得值得。
我是小貓貓工程師
希望我的分享能給正在考慮繼續深造的你一些啟發
找到自己繼續學習的動力
本文由小貓貓工程師與 AI 協作完成
