我正在开发一款游戏，类似于《风险》或《大富翁》（基本上是一种棋盘游戏，尽管我要问的可以推广到其他类型的游戏）。因此，假设我想要电脑对手，我需要编写人工智能。
现在，我的问题是，我是否需要直接在程序中编写人工智能（硬编码），还是存在一种方法，使我编写的程序可以从一系列的指令和行为规则中读取，将AI进行“软编码”。
我认为，如果像之前所描述的那样软编码，我将需要编写AI可能使用的所有可能动作。我还假设，除非经过编程（例如，依赖于多个因素的决策动作），否则不能告诉软编码的AI执行任何操作。相对于硬编码特定的人工智能，软编码的总体优势/劣势是什么？
一些人工智能技术需要大量的CPU资源，例如启发式广度优先或深度优先搜索，这种技术适用于许多策略游戏。
这样的搜索需要建立API，以便检索当前“状态”（游戏状态的完整表示），以及从该状态（或任何状态）获取所有可能的移动/更改列表和每个移动/更改将导致的新状态。
一旦完成了这个步骤，任何算法都可以通过适当的API调用来查看可以移动到哪些状态，以及可以从这些状态移动到哪些状态等。可以到达的状态将呈指数级增长，尝试向前查看更多的移动将成为计算机的巨大任务，即使只有2个移动也是如此。
由于这种困难，启发式评分被用来评估跟随某些分支的可能有用性，因此搜索算法可能会立即丢弃当前状态的90％的第一个可能移动。
一个遵循获取状态、评估状态和查看从状态到后续状态的可能移动/更改的AI，你显然可以软编码一个AI，但是AI为了启发式地评分状态所做的事情可能是任何事情，你的软编码将像一个小语言。个人而言，除非你想实现一个小语言，否则这是一种相当困难的工作方式。此外，您的软编码将需要某种解释，这可能使其比代码慢两倍，或者慢10倍或100倍...并且任何指数级别的困难技术都意味着性能非常重要。如果选择的AI方法不是指数级别的困难，或者是普通的困难，那么可以使用软编码，但仍然需要实现一个小语言。
当然，您可以将AI作为单独的程序实现，该程序通过网络与游戏程序通信。这可能只是本地主机到本地主机，但当然不必如此。这种性能在某种程度上取决于网络延迟和带宽，但它可能是一个重要问题，也可能不是。
你也可以将AI实现为动态可加载的库（即，您的游戏可能会查看某个文件夹，看到一堆lib文件，并尝试在运行时加载它们（例如，在UNIX上使用dlopen()）。然后，您可以随时添加新的AI而不必触及游戏本身。如果您的主要要求是具有插件AI并在性能问题处保持性能，则这可能是可行的方法。