我的Uncharted 4開發雜記
我的Uncharted 4開發雜記

本文作者周明倫,在Naughty Dog擔任程式設計師,參與了最近上市的遊戲《秘境探險4:盜賊末路》開發工作。原文刊載於他的部落格「Ming-Lun "Allen" Chou」。《數位時代》經作者同意後編輯、刊登。

關於周明倫如何從一位小小電玩迷到加入Naughty Dog開發《秘境探險4:盜賊末路》的歷程,讀者可以閱讀這篇〈我的秘境之旅〉。

本文屬於My Career系列文,Here is the original English post. 本文之英文原文在此

Uncharted 4已經發售,終於可以分享我負責開發的部分了。我主要是負責單人模式的夥伴AI、多人模式的戰友AI、還有一些遊戲邏輯。沒有收錄到最終遊戲的部分和一些瑣碎的細工我就略過不提。

崗位系統

在本文開始前,我想要先談談我們用來指派NPC移動位置的崗位系統。這個系統的核心邏輯不是我負責的,我寫的是使用這個系統的客戶端程式。

崗位是可行走空間中的離散位置 大部分是用工具自動生成的,也有一些是設計師手動擺置的。

基於不同需求,我們設計不同的崗位平分系統(e.g. 潛行崗位、戰鬥崗位)。然後我們選擇評分最高的崗位,指派NPC移動過去。

圖說明

夥伴跟隨

夥伴跟隨系統是繼承自The Last of Us。基本概念就是,夥伴在玩家周圍找個跟隨點,這些可能的跟隨點從玩家位置扇狀分開,並且要滿足以下的路徑線段淨空條件:

  • 玩家到跟隨點
  • 跟隨點到前方投射點
  • 前方投設點到玩家

圖說明

攀爬是Uncharted 4的新功能,這是The Last of Us 沒有的。為了與現有的跟隨系統整合,我利用攀爬崗位讓夥伴可以跟著玩家一起攀爬。

圖說明

這個功能比我想像中的還要難搞。單純根據玩家的攀爬狀態來切換夥伴的攀爬狀態,結果不甚理想。只要玩家快速在攀爬與非攀爬的狀態之間切換,夥伴就會在兩個狀態間快速跳換。於是我加入了遲滯現象(hysteresis),只有在玩家切換了攀爬狀態,並且保持此狀態移動一定距離之後,夥伴才跟進。廣泛來說,遲滯現象是個解決行為跳換的好方法。

夥伴帶領

遊戲中的某些特定場景,我們要讓夥伴帶領玩家前進。我把The Last of Us的帶領系統移植過來,設計師使用spline曲線在關卡中標記他們想讓夥伴帶領玩家的大致路線。

圖說明

如果有多個帶領路線,設計師則會用腳本語言切換主要的帶領路線。

圖說明

玩家的位置投射到spline曲線上,再往前延伸設定為帶領參考點。當帶領參考點超越被標記為等待點的spline曲線控制點,夥伴會前往下個等待點。如果玩家走回頭路,夥伴只有在帶領參考點離此次推進至最遠的等待點一段距離,才會回頭。這也是利用遲滯現象來避免行為跳換。

我也把動態移動速度調整的功能整合進帶領系統。根據夥伴和玩家之間的距離,一些「速度平面」沿著spline曲線放置。

夥伴有三種移動模式:走路、跑步、衝刺。根據玩家撞到的速度平面,夥伴會選擇不同的移動模式。另外,夥伴的行進動畫速度也會基於玩家距離做微調,目的是避免切換移動模式的時後,有太突然的移動速度變化。

圖說明

夥伴掩體共用

在The Last of Us中,玩家和夥伴可以在各不離開掩體的狀況下重疊 我們稱這個為掩體共用。

圖說明

The Last of Us中的Joel伸手跨過Ellie和Tess按在掩體上
看起來很自然,因為夥伴的身型都比玩家嬌小,但是同樣的動作就不適合身型差不多的Nate、Sam、Sully、和Elena。而且Uncharted 4的遊戲節奏較快,讓Nate伸手去按掩體只會讓動作流暢性打折扣。
所以我們決定就單純讓夥伴靠緊掩體,玩家稍微繞彎避開夥伴。

圖說明

我用的邏輯很簡單,如果玩家位置往移動方向投射的點,落在夥伴掩體周圍的一個方框內,夥伴就會取消目前的掩體行為,並且快速靠緊掩體。

圖說明

救星戰友

我負責多人模式的戰友(sidekicks),而救星戰友是其中最特別的。單人模式中的NPC,沒有一個人的行為跟救星戰友一樣,他們會復甦被擊倒的同伴,也會複製玩家的掩蔽行為。

圖說明

救星戰友會嘗試複製玩家的掩蔽行為,並且盡量待在離玩家很近的地方
所以當玩家被擊倒的時候,他們就可以迅速跑過來復甦。如果玩家有裝備救星戰友的復甦包額外功能,他們會在採取復甦行動之前,朝被擊倒的復甦目標丟復甦包。復甦包丟擲基本上就是延用手榴彈的拋物線淨空測試和擲彈動作,只是我把手榴彈換成復甦包而已。

圖說明

隱蔽草叢

在隱蔽草叢中蹲行也是Uncharted 4才有的新功能,要實作這個功能,我們需要某種能夠標記場景的手段,遊戲邏輯才可以判斷玩家是否身處隱蔽草叢中。我們一開始是讓美術人員在Maya中標記背景模型的表面,但美術人員和設計師之間的溝通時間太長,很難頻繁改進關卡
於是我們決定用另外一種方法標記隱蔽草叢。

我在場景編輯器中的nav mesh增加了隱密草叢的額外tag,讓設計師可以直接在編輯器中精準標記隱蔽草叢。有了這個額外的標記,我們也可以用這個資訊來為隱蔽崗位評分。

圖說明

感知

Uncharted 4沒有像The Last of Us有聆聽模式,所以我們必須要找另外一種方法,讓玩家有辦法得知附近的敵人威脅,好讓玩家不會在未知的敵對環境中產生迷失感。

我利用敵人的感知資料,加入了威脅標示。當敵人開始注意(白色)、起疑(黃色)、和發現(橘色)玩家,這些標示會適時地提醒玩家。另外,我在威脅標示開始累積的同時播放背景雜音,以製造張力。當玩家被發現的時候,則播放大聲的提示音效,這些音效的安排和做用跟The Last of Us類似。

圖說明

調查

這是在我們送廠壓片前,我負責的最後一個功能。我平常在Naughty Dog是不參加正式會議的。不過在送廠壓片的前幾個月,我們每週至少開一次會,由Bruce StraleyNeil Druckmann主持,專注在遊戲的AI部分。幾乎每次開完會之後,調查系統都有需要更動的地方,前前後後總共經歷了好幾次大改。

會讓敵人起疑的因素有兩種:玩家和屍體。當敵人起疑了(起疑者),他會抓最近的同伴來一起調查,離起疑點較近的人會成為調查者,另外一個人則是看守者。起疑者可能會視調查者,也有可能是看守者。我們總共有兩組不同的對話,適用於兩種不同的情況(「那邊有異狀,我去看看」 vs. 「那邊有異狀,你去看看」)。

為了讓雙人調查看起來更自然,我使用了時域錯位的技巧,讓兩人的行動和威脅標示時間點錯開,否則兩個人的行為完全同步,看起來非常機械式、很不自然。

圖說明

如果調查者發現了屍體,他會通知全部的同伴開始搜索玩家,屍體也會被暫時標示,以讓玩家知道敵人為什麼進入警戒。

圖說明

在某些難度下,短時間內連續觸發調查,會讓敵人的感應力變敏銳。他們會更容易發現玩家,即使玩家躲在隱蔽草叢中也一樣。慘烈模式下,敵人永遠處於敏銳狀態。

對話動作

這也是我負責的最後幾個功能之一。對話動作系統負責操控角色,在對話的時候做出一些小動作 像是轉頭看其他人和肢體動作。

之前在The Last of Us,開發人員花好幾個月的時間,把整個遊戲所有的對話腳本手動加註上對話動作,我們可不想再做一次這種苦工。在這個開發階段,已經有部分對話腳本被手動加註好對話動作了,我們需要一個泛用型系統,可以幫沒有加註對話動作的腳本自動產生對話動作。

而我就是負責製作這個對話動作系統,動畫師可以調整參數,改變轉頭速度、轉頭角度、注視時間、反覆時間等。

圖說明

維持吉普車動量

開發初期遇到的問題之一,就是馬達加斯加的吉普車駕駛關卡 當玩家開車撞到牆或者敵人的載具,玩家的車就會旋轉失速以致脫離車隊而關卡失敗。

我使用的解決方法是,當玩家的車撞到牆或者敵方載具的時候,短暫地限制吉普車的最高角速度和線性速度的方向變量。這個簡單的方法相當有效,從此玩家就比較不容易旋轉失速而導致關卡失敗了。

圖說明

載具死亡

可駕駛的載具是首次在Uncharted 4登場,在這之前,所有的載具都是NPC駕駛、沿著固定軌道行進。

我負責載具死亡的部分,摧毀載具有幾種方式:解決駕駛、開槍射車、開車撞飛敵方機車、開車撞敵方吉普車導致旋轉失速。

基於不同的死法,載具死亡系統會選擇載具和乘客的死亡動畫來播放
死亡動畫會漸漸混入物理引擎控制的ragdoll系統,所以死亡動畫會不著痕跡地轉換成物理模擬的翻車。

圖說明

當玩家開吉普車撞飛敵方機車的時候,我使用機車在XZ平面上投影的bounding box和碰撞點,來判斷要使用四個撞飛死亡動畫中的哪一個。

圖說明

至於衝撞使得敵方吉普車旋轉失速,我是拿敵方吉普車與預設行進方向之間的旋轉量差來比較旋轉失速判定閾值。

圖說明

載具播放死亡動畫的時候,有機會穿透牆壁。我使用球體投射,從預設位置投射向載具實際位置。如果投射結果是與牆壁碰撞,則把載具稍微往牆壁的法向量移動。不一次完全修正誤差,是為了避免太過劇烈的位移。

圖說明

我另外實作了一種特別的載具死亡類型,叫做載具死亡提示。這些死亡提示是動畫師和設計師在場景中擺置好的客製化死亡動畫。每個死亡提示在載具行進軌道上都有個進入範圍。當一個載具在死亡提示進入範圍中死亡,則會開始播放死亡提示的特殊死亡動畫。之所以開發這功能,一開始是為了2015年E3展的超帥氣吉普車死亡動畫。

混色用的貝爾矩陣

我們想要消除攝影機切入看穿物體的瑕疵,特別是遊戲中的各種植物。於是我們決定要讓靠近攝影機的像素淡出。使用半透明像素並不是個好主意,因為非常消耗效能。我們使用的技巧,是所謂的混色dithering:[https://en.wikipedia.org/wiki/Dither](https://en.wikipedia.org/wiki/Dither)

使用混色技巧搭配貝爾矩陣(Bayer matrix)。利用一個預先決定的點陣模板來決定哪些像素可以捨棄而不渲染:https://en.wikipedia.org/wiki/Ordered_dithering

結果就是產生半透明的錯覺

圖說明

一開始使用的貝爾矩陣是個8×8矩陣,取自上述的Wikipedia頁面。我認為這個矩陣太小,會造成不美觀的帶狀瑕疵。我想要使用16×16的貝爾矩陣,但是網路上都找不到相關資料,於是我試著用逆向工程找出8×8貝爾矩陣的遞迴特性。

光用目測法,我想我應該可以直接解出16×16貝爾矩陣,但是我想要讓過程更有趣一點。我寫了一個工具,可以生成二的任何次方大小的貝爾矩陣。

換到16×16貝爾具陣之後,可以明顯看到帶狀瑕疵的改善。

圖說明

爆炸聲延遲

這個部份我其實沒有什麼大貢獻,但是我還是覺得值得一提。

在2015年E3展示中,Nate和Sully同時接收到高塔傳過來的爆炸聲和爆炸畫面,這是不合理的,因為高塔距離非常遠,爆炸聲應該會晚一點才被接收到,我在開展前幾週指出這點,美術團隊後來就在爆炸聲之前加上一小段延遲了。

繁體中文在地化

直到送廠壓片前幾週我才開始在遊戲中改用繁體中文字幕,而我找到了許多錯誤。大部分的錯誤都是英文直譯中文,而變成四不像的用語。我認為我沒有足夠的時間可以單槍匹馬全破一次遊戲又同時抓出翻譯錯誤,於是我請幾個QA部門的人分章節、用繁體中文模式遊玩,然後我陸續瀏覽他們的遊玩錄製影片。結果這個方法相當有效率,我成功地把我找到的翻譯錯誤建檔,而在地化小組也有足夠的時間修正翻譯。

結束

以上就是我對Uncharted 4開發上值得一提的貢獻,希望大家讀得愉快 :)

延伸閱讀:我的秘境之旅

往下滑看下一篇文章
五十年零售老店的 AI 轉型:良興攜手 Data-DI,打造專屬 AI Agent 賦能組織升級與知識傳承
五十年零售老店的 AI 轉型:良興攜手 Data-DI,打造專屬 AI Agent 賦能組織升級與知識傳承

1973 年,良興從台北光華商場一間 50 坪的電子零件行起家,半個世紀後蛻變為年營收破十億、毛利率 18% 的全通路 3C 品牌。不過,伴隨規模擴張帶來的不只是成長,還有日益加劇的管理摩擦。門市遍布全台、品項高達近萬筆,加上跨部門協作頻繁,行政耗損與知識傳承的缺口,成為這家老字號邁向下一階段的隱形天花板。

良興總經理賴志達回顧,從電子零件跨入電商、從線下擴張到 OMO 全通路、再到會員深度經營,作為 3C 零售業者,良興每一波轉型都走在同業前面。「現在輪到 AI 了。如何做到人機協作、AI 賦能,就是良興第五波轉型的核心命題。」

AI 自動化,從行政細節釋放組織戰力

轉型需要夥伴,而賴志達評估合作夥伴的標準很明確:技術能力是基本,產業知識(Domain Know-how)的深度是關鍵,回饋速度更是最終決定因素。2025 年的未來商務展上,良興選擇攜手 Data-DI,看重的正是其「策略諮詢 + AI 產品 + 落地陪跑」三軌並行的實施能力。

很快的,良興與 Data-DI 合作的第一個專案,就落在最耗費人力、卻最常被忽視的環節:會議記錄。「會議如果沒有產值、沒有效果,對企業很傷!」賴志達說,他每天參加許多會議,但跨單位協作的會議記錄長期依賴人工聆聽與逐字整理,常出現人名誤植、決策遺漏、行動項目無人追蹤,讓會議效果大打折扣。

數智聚(良興)_1.JPG
良興總經理賴志達
圖/ 數位時代

為了解決會議記錄的痛點,Data-DI 業務副總包威棣指出,在導入工具以前,團隊須先釐清三件事:場景是否具備落地價值、哪些流程節點適合 AI 介入,以及以終為始地掌握客戶真正想要的輸出樣貌。這些看似基本的提問,都決定 AI 能否精準落地。

確認方向後,良興與 Data-DI 成功導入 AI 會議記錄自動化系統,透過模糊比對技術校正語音辨識誤差,並將生成的雙版本報告直接回存至既有資料庫,不僅將行政人員從重複性作業中釋放,也為後續的 AI 應用奠定扎實的系統整合基礎。

賴志達分享,現在他去外部開會也會用這個工具,運用 AI 把錄音轉文字、再整理成簡報,很快就能完成,更令外部夥伴驚艷。「我認為這是很成功的案子!也提醒想做 AI 的老闆們,與其急著搞大架構,不如先從小工具讓公司嘗試 AI,建立理解和認同。」

AI 把資深員工大腦轉化為資產

補完行政效率的缺口後,良興接著切入更深層的營運核心:知識傳承。過去,頂尖銷售經驗長期鎖在少數資深員工身上,新人培訓耗時三個月,員工離職即帶走知識資本。與此同時,網路資訊發達,消費者進店前早已掌握基本規格,3C 通路門市人員要如何發揮更多價值?「我要門市的人不是死背規格,而是面對客人時,能用客人能理解的方式對話。」賴志達說。

為此,Data-DI 協助良興建置 AI 門市教育訓練系統。系統透過六大自動化關卡,串接教材生成、審核上架、AI 銷售對練與成績回報,主管僅需在核心節點審核;員工透過手機語音對練,系統依口吻、專業度、回應力等維度自動評分。賴志達表示,目標是將新人培訓期縮短至一個月,讓數十年累積的銷售智慧轉化為可複製、可傳承的企業資產。

然而,要讓這套系統真正運作,得先解決兩個根本問題:資料從哪裡來?以及訓練如何更準確?

「以前大數據時代,講的是資料要大、全、細、實;現在 AI 要做到的是準(準確)、合(合乎場景)。」包威棣說。良興不同廠商提供的素材品質參差不齊,Data-DI 除了整合內部資料,也補充加入外部市場評測內容以填補空缺,再透過人員審核機制過濾雜訊,搭配 agent 架構的多層步驟與知識限定,確保系統能精準提煉對應品類的訓練素材。

數智聚(良興)_2.JPG
Data-DI 業務副總包威棣
圖/ 數位時代

賴志達則看得更遠:「這些教育訓練的內容,也將成為公司未來訓練機器人很好的原料。」

Data-DI 陪跑型顧問,帶領企業 AI 轉型

良興與 Data-DI 合作的兩個專案中,雙方共同克服了長提示詞邏輯混亂、AI 幻覺污染知識庫、逐字稿讀取逾時等技術難題。邁向下一步,賴志達表示,公司各部門很早就建置 Power BI 報表,但數據豐富不等於決策清晰。「數據是土壤,如果沒有梳理,就沒有用了。」因此,他的下一個目標是活化數據資本、推動行銷自動流,以精實的人力持續驅動成長。

數智聚(良興)_3.jpg
良興攜手 Data-DI 推動 AI 落地,以小步快跑模式為企業創造變革。
圖/ 數位時代

包威棣則從顧問視角歸納兩個觀察:AI 導入需要高層認同、由上而下推進,像賴志達這樣持續引領良興走在業界前端的決策者,就是不可或缺的推手;而單點工具的價值,終究要累積成組織體質的轉變才算真正落地。「就像會議記錄改變了會議當責的結構,人員訓練改變了知識傳承的方式。從點狀應用走向企業變革,這種決策思路才是 AI 真正深入落地產生價值的關鍵。」

最後,對於仍在觀望AI應用的企業,他則建議:「未來 AI 導致的落差只會愈來愈大,人會變成超級工作者,企業會變成超級企業。開始做就對了,先做一個三個月的小任務,降低落差、再急起追上。」從痛點切入、小步快跑,讓組織在實作中累積對 AI 的理解與信任,這正是 Data-DI 的陪跑哲學。

有關更多 Data-DI 相關資訊,請查詢網站:https://www.data-di.com/

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
代理式商務連動百兆商機
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓