0
1

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

ゲームAIの隠れた選択肢 — Utility AIとIAUSフレームワーク入門

0
Last updated at Posted at 2026-02-12

なぜ今Utility AIなのか

ゲームが好きです。
DQ,FF,Wiz,Ultima,M&M,D&D,RuneQuestなど電源/非電源を問わず、特にRPGが好きで昔から遊んでいますし、TRPGはペンと紙さえあれば世界を作り上げることが出来る楽しさからオリジナルルールなども作ってきました。
プログラミングについて学ぶ機会を得ることができた今、やりたいことと言えばやはりゲームの作成でした。

RPGに限りませんが、プレイヤーが操るPCとは別にシステムに属するNPCはゲーム世界の案内や好敵手、もしくはゲーム世界を世界として成り立たせるために無くてはならない存在です。
そんなNPCが、より実在の人物らしく振る舞うことは、ゲーム世界への没入感を高める役割を担いますが、その振る舞いを決定するのはシステムです。
もし人間らしいNPCが100人、それぞれの個性を発揮して独自に行動するなんて光景、ライフゲームみたいな単純なドットの移り変わりなんかより遥かに面白そうじゃありません?

そんな思いつきからNPCの行動を管理する手法について調べていたところFSM(有限状態機械)、BT(ビヘイビアツリー)、重み付きスコアリングなどに行き着きました。
まず、それぞれがどのようにNPCの挙動を決定するのか簡単に説明します。


15th, Feb, 2026
自分のゲームへの実装例を交えた記事を作成しました。
https://qiita.com/sanmal/items/bfb1eef23cc9dfa39853


ゲームAIの意思決定手法の整理

2-1.FSM(有限状態機械)

Wikipediaからの引用ですが、

有限個の状態と遷移規則からなる状態機械。
チューリングマシンとは異なり計算状態を記憶するテープを持たず、チューリング完全ではないが、様々な応用がある。

とあるように、有限の状態とその遷移条件で記述される手法です。

料理で例えるなら、レシピの順番通りに

  • 「材料を切る」状態 → 全部切れたら →「炒める」状態
  • 「炒める」状態 → 焦げそうになったら →「火を弱める」状態
  • 「炒める」状態 → いい色になったら →「煮込む」状態
  • 「煮込む」状態 → 味見して薄かったら →「味付け」状態
  • 「煮込む」状態 → 味見してOKなら →「盛り付け」状態

今いる「状態」と、そこで何が起きたかという「条件」で次の行動が決まります。

状態と、それが取り得る条件が明示的で把握しやすく、原因と結果の関係性が明瞭なためデバッグしやすいというメリットがありますが、多様な表現を行うことは状態数 x 遷移条件の増大を招き組合せ爆発に至ってしまうデメリットがあります。


2-2.BT(ビヘイビアツリー)

BTはFSMの組合せ爆発を回避する手法として広く利用されており、Unreal EnginやUnityなどのゲームエンジンにも組み込まれています。
FSMが単純なグラフなら、BTは階層的な木構造で表すことができ、複数のモジュールを組み合わせることによる複雑性の表現と共に、モジュールの再利用性、非循環構造のためFSMで起きがちな無限ループのバグを構造的に回避できる、などのメリットがあります。

こちらも料理で例えるなら
冷蔵庫を開ける → 肉があるなら肉料理 → 肉はないが魚はあるなら魚料理 → 肉も魚もないならパスタ
というように、遭遇する条件によって選択肢は枝分かれしていきます。

先述した大手ゲームエンジンでは専用のビジュアルエディタを備えており、視覚的に分岐を把握できるため簡単に必要とするツリーの構築が可能です。
大枠をFSMで決定して、より細かな行動はBTで表現するというようにも用いられます。
ただし、こちらにも条件分岐が進むほど末端への道程は深くなり、条件に「少しだけ状況が違う」際にも新たな分岐を作成するコストの増大などのデメリットがあります。


2-3.重み付きスコアリング(Weighted Scoring)

行動を構成する各要素それぞれに「重み」を付け、合計して一番重い選択肢を最適だと評価する手法です。

こちらも料理で例えるなら
重み付け

  • 今の空腹度: すごくお腹空いた(ガッツリ系 +10点)
  • 冷蔵庫の中身: 卵が賞味期限切れそう(卵料理 +20点)
  • 今の気温: すごく暑い(熱いスープ -10点)
  • 健康意識: 最近太った(カロリー高いもの -5点)

メニューごとの合計点:

  • カツ丼: ガッツリ(+10) + 卵使う(+20) + 熱い(-5) + カロリー高(-5) = 20点
  • そうめん: さっぱり(+5) + 卵使わない(0) + 冷たい(+10) + カロリー低(+5) = 20点
  • 冷やし中華: さっぱり(+5) + 卵使う(+20) + 冷たい(+10) + カロリー中(0) = 35点 ← 採用!

と個別の要素によって細かく、より人間らしいBTより柔軟な対応が可能です。

ただ、異なる単位を持った要素を正規化した上で重みを付ける必要があり、各要素に新たな項目が追加された際には全体の重み付けを相対的に変更する必要が出てくるのがデメリットというか、とても面倒くさいです。
そしてもう一つ、この手法には決定的な弱点があります。
重みは線形にしか作用しないため、「空腹度80%を超えたあたりから急に判断が変わる」のような非線形な反応を表現するのが困難です。


Utility AIとは何か

3-1.基本原理

重み付きスコアリングのデメリットとして、重みが線形にしか作用しないことを挙げました。
ここで「線形にしか作用しない」をもう少し噛み砕きます。

先ほどのメニュー選びで「空腹度」に注目すると、重み付きモデルでは、空腹度が50%でも80%でも、重みの倍率は同じです。
でも実際の人間って
空腹度50%:「まあ食べてもいいかな」
空腹度70%:「そろそろ何か食べたいな」
空腹度85%:「オマエ ウマソウ マルカジリ!!」
というように、空腹度がある一線を超えると、食への切迫感が急激に上がる。
この「入力に対する反応の形」を自由に設計できるのがUtility AIの核心、
Response Curve(応答曲線) です。


3-2. Response Curve — 反応の「形」が性格を作る

同じ「空腹度」という入力でも、Response Curveの形を変えるだけでまったく違うキャラクターが生まれます。

■ 食いしん坊のNPC(ロジスティック曲線)
空腹度30%で既に「食べたい欲」が急上昇。
常に食べ物のことを考えている。

■ 我慢強いNPC(後半急上昇の二次関数)
空腹度70%まではほとんど反応しない。
でも80%を超えると一気に「限界!」となる。

■ ストイックなNPC(緩やかな線形)
空腹度に対して常に一定の反応。
感情に振り回されない合理的判断。

重み付きスコアリングでこれをやろうとすると、キャラクターごとに異なる重み付けテーブルを用意し、
閾値ごとのif文を書き、条件分岐を増やす… 結局BTと同じ「条件爆発」に戻ってしまいます。

Response Curveは「数学の関数一つ」でこれを解決します。


3-3. 正規化と複数軸の独立評価

Utility AIでは、すべての入力をまず0.0〜1.0の範囲に正規化します。

空腹度: 0%(満腹) → 0.0 〜 100%(飢餓) → 1.0
疲労度: 0%(元気) → 0.0 〜 100%(限界) → 1.0
脅威度: 安全 → 0.0 〜 即死レベル → 1.0

単位が揃っているから、異なる性質の入力を同じ土俵で比較できます。
重み付きスコアリングでは「空腹度の10点と気温の-5点は同じ尺度なの?」
という問題がつきまといましたが、正規化でこれが解消されます。

各入力は「Consideration(考慮事項)」と呼ばれ、それぞれが独立にResponse Curveを通って0.0〜1.0の効用値を出力します。

[空腹度 0.8] → Response Curve(ロジスティック) → 効用値 0.92
[疲労度 0.3] → Response Curve(二次関数) → 効用値 0.09
[社交欲 0.6] → Response Curve(線形) → 効用値 0.60

これらを「行動」ごとに集約して、最も効用の高い行動を選ぶ。
これがUtility AIの基本サイクルです。


3-4. 効用値の集約 — 「足し算」ではなく「掛け算」

各Considerationの効用値を「行動の最終スコア」に集約する方法として、Utility AIでは加算ではなく乗算を用います。

なぜか。

加算の場合:
食事の効用 = 空腹(0.92) + 安全(0.80) = 1.72

→ 空腹度が0.0(全く空腹でない)でも、安全度だけで0.80のスコアが残る。
お腹いっぱいなのに「食事」が高スコアになりうる。

乗算の場合:
食事の効用 = 空腹(0.92) × 安全(0.80) = 0.736

→ 空腹度が0.0なら、0.0 × 0.80 = 0.0。
お腹いっぱいなら食事のスコアは確実にゼロになる。
「どれか一つでも理由がなければ、その行動は選ばれない」
という直感に合致する。

ただし乗算にはConsiderationの数が増えるほどスコアが小さくなる(0.8 × 0.8 × 0.8 = 0.512...)という問題があるため、Dave Markは「Compensation Factor」という補正係数を提案しています。
詳細は割愛しますが、要するにConsiderationの数による不公平を数学的に補正する仕組みです。


4. IAUS(Infinite Axis Utility System)

4-1. IAUSとは

ここまで説明してきたUtility AIを、実際にゲームへ実装するための具体的なフレームワークが
IAUS(Infinite Axis Utility System) です。

Dave Mark氏(Intrinsic Algorithm社)が提唱し、GDC(Game Developers Conference)での複数回の講演、著書『Behavioral Mathematics for Game AI』、Game AI Pro シリーズへの寄稿を通じて発表されました。

「Infinite Axis(無限の軸)」とは、先ほどの「Consideration(考慮事項)」を無制限に追加できるという意味です。

空腹、疲労、脅威、社交欲、好奇心、信仰心、気温、時間帯… 必要な評価軸を何本でも差し込める。

BTのように「条件を追加するたびにツリーを組み替える」必要がなく、新しいConsiderationを追加するだけで行動の複雑さが増していく。
この拡張性がIAUSの名前の由来です。


4-2. なぜIAUSはスケールするのか

行動の選択肢が増えたとき、各手法はどうなるか。

■ FSM: 状態10個 → 遷移条件は最大 10×9=90本。
状態20個 → 最大 20×19=380本。O(n²)で増加。

■ BT: 条件10個 → 分岐の組合せは最悪2^10=1,024パス。
条件が1個増えるたびに最悪で倍。

■ IAUS: Action 10個 × Consideration 5個 = 50回の評価。
Action 20個 × Consideration 5個 = 100回の評価。
Considerationを1個追加 → + 20回。線形O(n)で増加。

100体のNPCに20種類の行動と10個のConsiderationがあっても、100 × 20 × 10 = 20,000回の単純な数値計算。
現代のハードウェアなら数ミリ秒で終わる処理量です。


4-3. なぜ日本では知られていないのか

正直に言うと、この記事を書いたきっかけは「IAUS」で日本語検索しても何も出てこなかったからです。

Utility AIについても、日本語で読める記事はとても少なく、一方で英語圏ではGDC講演、書籍、Game AI Pro、GitHubリポジトリなど数多くの情報源があります。

日本語圏で取り上げられていない要因については

  • UnityやUnreal EngineがBTのビジュアルエディタを標準搭載しており、 多くの開発者にとって「BTで十分」な環境が整っている
  • Dave Markの書籍の日本語翻訳(『ゲームプログラミングのための行動AI数学』)の 翻訳品質が芳しくなく(Amaz0nレビュー調べ)、原著の価値が日本の読者に十分伝わらなかった(後単純に7千円は高い)
  • 2D/3Dの表現層に開発リソースが集中し、AI意思決定アーキテクチャの比較検討に至る機会が少ない

などいくつか考えてみましたが、どれも見当違いで、ただ私だけが「すごいの発見した(独りエウレカ)!」と興奮している可能性ももちろんありますが、他にも奇特な方はおられるやもしれず、この記事が数多ある手法の中から Utility AI / IAUS を検討するきっかけになれば嬉しいです。
そして、実際に使う人が増え、様々な知見が集まれば言うことありません。


5. 手法比較の総括

観点 FSM BT 重み付き Utility AI (IAUS)
行動追加コスト 状態+遷移定義 ノード+条件分岐 行動+重み調整 Action+Consideration追加
拡張時の計算量 O(n²) 最悪O(2^N) O(N) O(N)
性格の表現 困難 閾値変更 重み変更 Response Curve形状変更
デバッグ性 ◎ 遷移が可視 ○ ツリーが可視 △ スコア根拠が不明瞭 ○ 各Considerationのスコアを個別確認可能
エンジン統合 ◎ 標準 ◎ UE/Unity標準 △ 自前 △ 自前
学習コスト ◎ 低い ○ 中 ○ 低い △ Response Curveの設計知識が必要
輝く規模 〜10状態 〜50行動 〜20行動 50行動以上、100+ NPC

まとめ

Utility AI / IAUSは万能薬ではありません。「無料のランチなんかないんだよ。」そうですね。
状態が少なければFSMが最適ですし、ゲームエンジンのBTエディタで十分な規模ならBTが合理的です。

ただ、もしあなたが

  • NPCごとに異なる「性格」を持たせたい
  • 行動の選択肢を後から自由に追加したい
  • 100体規模のNPCを自律的に動かしたい
  • BTの条件分岐がスパゲッティ化して困っている

のであれば、Utility AI / IAUSは悪くない選択肢となるのではないでしょうか。
また、文中の表現が食中心なのは執筆時点でお腹が減っているため、特に深い理由はありません。

あなたとあなたのNPCによきゲームライフを!

Zennにも投稿しましたが、Qiitaはゲーム開発者の方が多そうなのでこちらにも投稿いたします。

あなたとあなたのNPCによきゲームライフを!

0
1
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
0
1

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?