这周还有点任务没完成，电脑也没带回家，就来加班了。结果碰见我导师也来加班，她跟我说加班要提前跟她说，我也嘴欠，直接来了一句：“为啥加班还要报备啊”。说完我才想明白，因为加班要给加班费😂尴尬

#21天打卡游戏人的日常思考# PM力能力模型有三个基本元素：第一是沟通力。在亚洲很多其他国家都能看见三个分别用双手遮住眼睛、耳朵与嘴巴的猴子雕像。在日本叫三猿，又称三不猴，意为“不见、不闻、不言”，而在世界其他地方则被称为“Three wise monkeys”，代表了睿智的三个秘密。但PM恰恰相反，我们需要具备的能力是“多看，会听，说对。”第二是思维力，首先要有丰富的知识储备，并学习明辨事实和观点的能力，再不断培养自己的批判性思维方式。第三是影响力，有了两个前者，影响力会伴随着你的行动散发开来，不断巩固。

#21天打卡游戏人的日常思考# 将片面的问题联系到玩法整体来观察，拿PVP玩法来说，便是看局内联系。上面所举的例子中，僵尸是一个实际威胁，而玩家在面对威胁时，总共有3个要素在影响他的PVP体验，首先对抗生化人玩家需要武器装备，如果玩家初期没办法快速获得装备，就是前期失败的主要原因。再来，玩家有野外的威胁，也就是当开局一段时间，天黑之后，玩家呆在户外时，压力值会不断增高，对你的身体造成一些不良的反应，进而导致失败。所以玩家一般在压力值的逼迫下，只能寻找房屋来避免压力值的攀升，而夜晚还有生化潮的威胁，也就是大批生化人的围攻，它们的袭击目标则是以待在房屋内的玩家为主体。所以策划在看待一个问题反馈时，不能单凭数据中显示游戏对局前期失败率高，就判定游戏难度高于预期，而是要联系玩法整体来看，看是生化潮刷新频次过多，还是压力值的攀升速度过快，又或者是装备投入的不足。否则，盲目地根据玩家的反馈对游戏做改动，又或者是单凭数据便开始对玩法做加减，势必会引起新一轮的吐槽。

#21天打卡游戏人的日常思考# 一个玩法上线，就要做好面对铺天盖地的吐槽。首先，来自外部用户的反馈，因为用户属性不一，对玩法的看重点不同，所以没有任何事情是完美的。其次，是来自项目组内部成员的意见，包括运营，程序，甚至是从Leader层给到他们对未来玩法的优化方向。所以如何平衡“众口难调”的问题，让大多数用户能够满意便是关键。

#21天打卡游戏人的日常思考# 每个团队的情况不同，但大多数情况下，在策划提完需求之后，程序和美术只负责实现，而最终的验收成果只由策划负责。这一过程中，我建议作为牵头需求实现的策划，应该找到恰当的时间节点，将开发小组集合到一起，在小黑屋里一起体验实际的demo，无论是为你的成果验收提供新视角，还是提高团队凝聚力，都是绝佳的方式。

#21天打卡游戏人的日常思考# 工作不仅仅是工作，进入游戏行业的人或多或少都保有游戏的热爱，但在经过一个个项目的需求洗练后，难免会出现对相似需求的厌倦。所以在推动执行的时候，作为策划，你需要充分的调动这种开发小组的积极性，你要有足够的忽悠技巧，提炼出这个需求的挑战点与创意点，让程序有兴趣来主动地实现需求。比如此前为了吸引身为暴雪重视老粉的程序大佬，化身标题党，将一个技能编辑器的需求文档起名为：“超越魔兽的技能编辑器，牛不，赶紧过来完成旷世功业！“，虽然拉稳了仇恨，但无疑成功吸引了程序老哥的全部注意力。

#21天打卡游戏人的日常思考# 开工如开战，当你拉上程序，美术来组成一个策应组，开始做需求的那一刻，也就是整个开发小组对策划进行打分的时刻，你的策划案，你的讲述都会影响开发小组对你的认同程度。这也是为什么我一直在强调知识面与预设问题的原因，因为当你完成对策划案的演示过后，才是战斗的开始。程序会追问你编辑条件的细节，而美术则会针对需求中花里胡哨的表现效果提出底层架构不支持等等质疑，而如果你完全没有防备，天真地以为这些问题都是专业向的，与策划无关，等到开工会上被提问时才一脸懵圈地给出：这个问题先放后面/我不知道等等这类型的答复，那么开发小组的成员就会对形成一种心理预期，这个策划连基本细节都没有理清便要开始执行，未来的返工是必然的，浪费我的才华与时间，扣分。所以，不要认为这些条件框架是在扼杀你的创意，因为如果你在美术，程序面前碰了壁，得不到他们的认同，那么你的需求就不会得到100%的执行。再进一步讲，当你的需求对于开发小组的童鞋来说是一个挑战时，你需要有足够的专业知识，来支持你说服他们，接下这个挑战。

#21天打卡游戏人的日常思考# 策划案的编辑过程中我们需要预先设想可能面对的问题，而在开始执行需求之前，你同样需要关注这个需求的实现基础能有一定的了解和预期。这包括你在引擎，架构，动画，特效，动作，音频等等方面进行恶补，作为策划的你需要拥有足够广的知识面。因为只要当你对这些方面有足够的了解，才不会产出一个天马行空的需求，有人会质疑这是在扼杀创意，但实际上，这是在帮助你的创意得到落地的机会。比如你提出的需求里需要一套技术方案，那么你需要提前了解一下这套方案能否实现，能够实现到什么程度，以及原因。纸面上的策划案不可能涵盖所有问题，所以这是需要你跟对接需求人提前确认的点；再比如，开发周期的问题，一个足够有创意，可行性高的策划案，最后因为开发所需周期过长，无法赶上线节点的憾事，便是可以通过提前的沟通与了解避免的。

#21天打卡游戏人的日常思考# 策划作为需求的发出方，但执行需求是团队中的各个专业成员，所以在编辑策划案时，我习惯多加一个步骤，与对口的成员讨论方案，得到他们的反馈意见来进一步完善策划案。而在沟通过程中，也了解了不同专业的人，他在看策划案时的偏好与关注点不尽相同，但总结来说，便是抽象的长段文字比不上具象化的重点演示。

#21天打卡游戏人的日常思考# 设想问题，理清设计细节：像写作文一样，给你的策划案打草稿，在这里我们所做的依旧是给这个PVP需求完善它的框架，你需要将脑海中的想法，创意都在键盘上敲击出来，一个个地设问，推敲，取舍；想清楚这个玩法系统中各个节点的问题，好应对策划案提交后面对来自其它开发人员的问题，防止一脸懵逼。

#21天打卡游戏人的日常思考# 要写一个策划案，你会碰到什么情况呢？有的Leader可能会给你详细地描述他的需求，有的Leader可能会抛给你一个参考的游戏项目，让你自行揣摩。而当一个策划新人遇到这种短小精悍的需求时，你需要做的是定位需求。知道做什么比怎么做更重要：很多情况下，新人在遇到Leader对任务描述比较简短时，或是不敢追问，或是觉得自己有很多想法可以发挥，多半都会选择盲目地领了需求后乱写一通，于是这种策划案交上去，最终导致的是与Leader的想法不一致，策划案只能面临被否决，回炉重造的命运。

#21天打卡游戏人的日常思考# 博/*和谐*/弈/*和谐*/论方法的引入，为在不确定性问题的处理上提供了理想的技术工具，譬如基于反事实遗憾最小化（Counter Factual Regret Minimization）方法实现的德州AI，通过寻找博弈中的纳什均衡点，在1对1，以及最近在多人德/*和谐*/州/*和谐*/扑/*和谐*/克游戏上击败了人类职业玩家。同时，博/*和谐*/弈/*和谐*/论和多智能体(Multi-agent)相结合，在如同机器人足球，线上多人游戏的场景中，探索不同智能体间合作和对抗的策略，也给 AI 的研究方向带来了许多创新的想法，而且对于解决现实世界中的问题都是非常必要的，因为真实环境中AI面对的绝大多数问题，都是信息不完全而且存在多方合作或对抗的情况。

#21天打卡游戏人的日常思考# 2015年，Deepmind 的围棋AI程序 AlphaGo 横空出世，首次在无让子的对局中击败人类职业棋手，2016年1月，Deepmind 在 Nature 上发表相关论文“Mastering the game of Go with deep neural networks and tree search”，而后不久的2016年3月，AlphaGo 在五番棋比赛中以4:1击败人类世界冠军李世乭，引发了新一轮的人工智能狂潮。 在这个版本的 AlphaGo Lee 中，从历史对局中提取了3000万样本数据进行初始的监督学习(Supervised Learning)策略模型训练，使得AI可以根据一个给定的盘面判别下一步的走法，并在此之上，采用了强化学习(Reinforcement Learning)的思想对 AI 的走子能力和局面判断能力进行进一步的提升，基于这种方法强化的 MCTS 终于在面对人类职业棋手上取得了突破性进展，在不同的线下和线上比赛击败所有前来挑战人类高段职业棋手，并于2017年初以3:0再度击败人类世界冠军柯洁。 在2017年底，进化版的 AlphaGo Zero 在不依赖任何人类数据的情况下，依赖深度强化学习和自我对弈的方法，21天训练超越之前所有版本的 AlphaGo 程序，彻底明确了 AI 在围棋领域的霸主地位。

#21天打卡游戏人的日常思考# 20世纪90年代，当时的围棋AI第一人，曾经六夺国际围棋AI冠军的程序“手谈”的作者，中山大学陈志行教授，在半自传作品《电脑围棋小洞天》中就提到当时(2000年)围棋AI的一些局限性： 对全局局势的判断： 受计算能力的限制，在围棋中难以基于博弈树搜索给出对当前局势的精确判断局部死活的计算方法： 局部棋的死活，也不能完全基于定式库+搜索的方法，应该多考虑一些基于直觉判断的方法作为补充如何突破定式： 象棋AI程序可以通过自身的思考(搜索)突破一些已有的定式，创造出新的合理的走法，但是围棋AI却做不到，在对战人类棋手时的缺陷非常明显在现在看来，以陈教授为代表的一系列围棋 AI 先行者所考虑的问题是非常有前瞻性的，纯粹以搜索+人为规则为基础的方法是没有办法解决非常复杂的问题的，陈教授在“手谈”的一个改进版本“乌鹭”中，便引入了模式识别的思想来改进对局部死活的判断，即将局部旗子的形式作为图型编码输入，把需要下一步需要关注的走位作为输出，存在模式库中，作为对纯搜索的补充。这里的模式识别的方法虽然和人工智能中模式识别(Pattern Recognition)相去甚远，但是其“凭经验直接看出关键走位/一块棋死活”的主要思想和后续基于机器学习方法在围棋 AI 上做出突破可以说是非常一致的，只是受制于当时计算机硬件和软件的发展水平，相关的思路和尝试并没有获得很好的结果。