今天我們將討論“情景感知”，這是《從軍》中AI的一個重要組成部分。更具體地說，這將使你的AI隊員更好地識別危險和優先目標，並它允許你隊伍中的士兵做出自己的決定。
經過多次測試之後，我們決定提升您AI隊友的智力。我們將教他們越過障礙，聽從指揮官的命令，使用掩體，甚至投擲手榴彈。最後一項也是最重要的一項，是允許AI識別敵方的威脅和敵方單位目標。這都歸功於“仇恨計”威脅積累系統。
打個比方，使用了“仇恨計”威脅積累系統的AI士兵。當您對AI造成傷害或擊殺AI的隊友時，該系統將會積累AI士兵可見的目標的“威脅”指數，。
該系統確實能夠正常工作，但在某種特定情況下事情變得有些不對勁了，打個比方當敵方處在一個比較低“威脅”值的狀態，但有更好的射擊角度時。在權衡了所有的利弊之後，我們決定重新設計系統，採用一種叫做“效用函數”的不同方法。
這些指針（向量）是針對AI士兵的，主要目的是權衡各個方向的威脅大小。
這就是AI士兵看待和評估危險的方式。
從技術上講，新的算法是輸入值之上的一組數學函數。最後一個函數允許AI衡量輸入值，並將結果作為一個單一的數字——來自敵人的危險，AI使用這個數字來確定自己的目標。這種方法打開了大量可以配置的參數，從而影響AI行為。
對玩家來說，這意味著使用“效用函數”算法選擇目標的AI士兵在快速變化的戰鬥環境中反應更靈敏。第一次內部測試已經表明，士兵的行動與真實玩家的行動明顯更相似:他們對危險反應更快，更願意在不同目標之間切換。
特別有趣的是，在新算法中，我們看到了機器學習的潛力，它將不斷改進人工智能士兵的行為。
我們可以說，一個人工智能系統(通過機器學習)讓另一個人工智能模塊(目標選擇模塊)在戰鬥中更加有效，顯示出更好的結果。
我們仍在為AI的學習選擇正確的標準，甚至可能會為不同的任務訓練AI，追求更高的生存能力或在戰鬥中能有更好的表現。
打個比方，處於防守狀態的士兵應該選擇威脅最大的目標，而在進攻狀態下，應該選擇最容易擊殺的目標。很明顯，這些目標並不總是一致的。學習可以讓我們結合人工智能領域當前的發展，並在未來有效地應用它們來改善遊戲中AI的行為。