ゲームAIは、敵キャラやNPCの「判断」と「移動」をルールで組む仕組みです。最初の1本は、状態3つの有限状態機械(FSM)で作れます。
ChatGPTのような生成AIとは別物で、大量のデータや高性能なパソコンは要りません。条件分岐が書ければ、追いかけてくる敵は数十行で動きます。この記事では手法の比較、動作を確かめたサンプルコード、ゲームエンジンの公式機能、生成AIへの頼み方を順に説明します。
この記事でわかること
- ゲームAIと生成AIの違い
- 代表的な手法5つ(FSM・ビヘイビアツリー・A*・ユーティリティAI・強化学習)の難易度と向く場面
- 追いかけてくる敵AIを状態3つのFSMで作る手順とPythonコード
- Unity・Unreal Engine・Godotで使える公式の仕組み
- ChatGPT・Claude Code・Codexへの頼み方と、任せきりにできない部分
先に結論:最初はFSM、次に経路探索の順で作る
作りたい動きによって選ぶ手法が変わります。初心者はFSMで判断を作り、A*で移動を足す順が取り組みやすいです。下の表で、自分が作りたいものに近い行を探してください。
| 作りたい動き | 選ぶ手法 | 難易度 | 最初の一歩 |
|---|---|---|---|
| 敵が見つけたら追いかけてくる | 有限状態機械(FSM) | やさしい | 状態を3つ紙に書く |
| 壁や障害物をよけて移動する | 経路探索(A*) | ふつう | マス目のマップで試す |
| 行動の種類が多いボスやNPC | ビヘイビアツリー | ふつう | エンジンの公式機能を使う |
| 状況に応じて行動を選び分ける | ユーティリティAI | ふつう〜難しい | 行動ごとに点数の式を作る |
| 動きをAI自身に学ばせたい | 強化学習 | 難しい | 公式のサンプル環境を動かす |
ゲームAIとは?生成AIとの違い

ゲームAIは、ゲームの中でキャラクターを動かすためのルールと仕組みのことです。文章や画像を作る生成AIとは、目的も作り方も違います。
ゲームAIが担当する3つの仕事
仕事は大きく3つに分けられます。
- キャラクターの判断:巡回するか、追いかけるか、逃げるかを決める
- 経路探索:壁や段差をよけて、目的地までの道を見つける
- レベル調整:プレイヤーの状況に合わせて、敵の数や強さを変える
3つ目はメタAI(ゲーム全体の調整役)と呼ばれます。初心者が最初に作るのは、1つ目の「判断」と2つ目の「経路探索」です。
生成AI(ChatGPTなど)との違い
同じ「AI」でも中身は違います。
| 比べる点 | ゲームAI | 生成AI |
|---|---|---|
| 主な役割 | キャラクターの判断と移動 | 文章・画像・コードの生成 |
| 中身 | 人が書いたルールと計算手順 | 大量のデータで学習したモデル |
| 動く速さ | 1秒に何十回も判断する | 返事に時間がかかる |
| 結果の予測 | 同じ条件なら同じ動き | 同じ質問でも答えが変わる |
ゲームは1秒間に何十回も画面を描き直すため、敵の判断も一瞬で終わる必要があります。ルールで組んだAIは軽く、動きを予測しやすいので、今も多くの場面で使われています。
ゲームAIの代表的な手法5つと選び方
手法は5つ覚えれば、入門としては十分です。判断を作る手法が4つ、移動を作る手法が1つと分けて考えると混乱しません。
| 手法 | 役割 | 向く場面 | 弱点 |
|---|---|---|---|
| 有限状態機械(FSM) | 判断 | 状態が少ない敵やギミック | 状態が増えると線が絡む |
| ビヘイビアツリー | 判断 | 行動の多いボスや仲間NPC | 木の設計に慣れが要る |
| ユーティリティAI | 判断 | 生活シミュレーションや戦術 | 点数の調整に時間がかかる |
| 強化学習 | 判断 | レースや物理を使う動き | 学習の環境づくりが大変 |
| 経路探索(A*) | 移動 | 迷路や建物の中の移動 | 広いマップでは工夫が要る |
有限状態機械(FSM)
有限状態機械(FSM)は、キャラクターを「巡回中」「追跡中」などの状態で管理する方法です。状態と切り替わる条件だけを書くので、全体を見わたせます。
ビヘイビアツリー
ビヘイビアツリーは、行動を木の形に並べ、上から順に「できる行動」を探す方法です。行動の追加や並べ替えがしやすい点が強みです。
ユーティリティAI
ユーティリティAIは、行動ごとに「今どれだけやりたいか」を点数にして、高いものを選ぶ方法です。空腹なら食事の点数が上がる、といった自然な切り替えを作れます。
強化学習
強化学習は、よい結果に「報酬」という点数を与え、試行錯誤で動きを学ばせる方法です。学習に時間がかかり、思わぬ動きを覚えることがあるため、最初の1本には向きません。
経路探索(A*)
A*(エースター)は、スタートからゴールまでの近道を探す計算手順です。「ここまでの歩数」と「ゴールまでの予想」を足して、小さい順に調べます。
最初の1本:追いかけてくる敵を状態3つのFSMで作る

最初の1本は「巡回・追跡・攻撃」の3状態だけで作るのがおすすめです。画面のないPythonで考え方を確かめてから、ゲームエンジンに移すと迷いません。
手順1〜4:紙に書いてからコードにする
- 状態を決める:巡回(patrol)、追跡(chase)、攻撃(attack)の3つ
- 切り替わる条件を決める:距離5以内で追跡、距離1以内で攻撃
- 状態ごとの行動を決める:巡回は左へ歩く、追跡は近づく、攻撃は止まる
- 毎ターン「状態を決める→行動する」を繰り返すループを書く
手順1と2を表にしたものを「状態遷移表」と呼びます。コードを書く前に、この表を作るだけでバグが減ります。
| 今の状態 | 条件 | 次の状態 |
|---|---|---|
| 巡回 | 距離が5以内 | 追跡 |
| 追跡 | 距離が1以内 | 攻撃 |
| 追跡・攻撃 | 距離が7より遠い | 巡回 |
| 攻撃 | 距離が2〜7 | 追跡 |
サンプルコード(Python)
下のコードは、1列のマス目の上で敵とプレイヤーを動かす例です。Python 3.13で実行し、動くことを確かめています。
# 敵AI:状態3つの有限状態機械(FSM)
SIGHT = 5 # この距離以内でプレイヤーに気づく
REACH = 1 # この距離以内で攻撃する
def next_state(state, dist):
# 一度気づいたら、少し離れても追い続ける
sight = SIGHT if state == "patrol" else SIGHT + 2
if dist <= REACH:
return "attack"
if dist <= sight:
return "chase"
return "patrol"
def act(state, enemy, player):
if state == "chase": # プレイヤーへ1マス近づく
enemy += 1 if player > enemy else -1
elif state == "patrol": # 巡回:左へ1マス
enemy -= 1
return enemy # attack は動かない
enemy, player, state = 10, 0, "patrol"
for turn in range(1, 9):
player += 1 # プレイヤーが右へ歩く
state = next_state(state, abs(player - enemy))
enemy = act(state, enemy, player)
print(turn, state, "enemy =", enemy, "player =", player)
実行すると、3ターン目に追跡、5ターン目に攻撃へ切り替わる様子が表示されます。
コードの読みどころ
next_state が「判断」、act が「行動」です。この2つを分けておくと、状態を足す時に直す場所が1か所ですみます。
一度気づいた敵は、気づく距離を5から7に広げています。境目で追跡と巡回が何度も切り替わる動きを防ぐための工夫です。
- SIGHT を 3 に変える:敵が鈍くなり、近づくまで気づかない
- 「逃げる(flee)」を足す:体力が少ない時だけ遠ざかる
- 巡回を往復にする:端まで来たら向きを変える
次の1本:経路探索A*で壁をよけて追いかけさせる
FSMだけでは、敵は壁にぶつかって止まります。「追跡」状態の移動をA*に置きかえると、壁をよける敵になるので、2本目の題材に向いています。
A*の考え方
- 調べる候補のマスを、予想コストの小さい順に取り出す
- 上下左右のマスを見て、壁やマップの外なら飛ばす
- 今までより少ない歩数で行けるなら、歩数と「来た方向」を記録する
- ゴールに着いたら、「来た方向」を逆にたどって道を作る
予想コストは「ここまでの歩数+ゴールまでの縦横の距離」です。この予想があるので、ゴールと逆の方向を調べる回数が減ります。
サンプルコード(Python)
S がスタート、G がゴール、# が壁です。こちらも Python 3.13 で実行して確かめました。
# A*(エースター):壁をよけて近道を探す
import heapq
GRID = ["S..#....",
".#.#.##.",
".#...#..",
".####.#.",
"......#G"]
def find(ch):
for y, row in enumerate(GRID):
if ch in row:
return (row.index(ch), y)
def astar(start, goal):
todo = [(0, start)] # (予想コスト, マス)
cost = {start: 0}
came = {}
while todo:
_, cur = heapq.heappop(todo)
if cur == goal:
path = [cur]
while cur in came:
cur = came[cur]
path.append(cur)
return path[::-1]
x, y = cur
for nx, ny in ((x+1, y), (x-1, y), (x, y+1), (x, y-1)):
if not (0 <= ny < len(GRID) and 0 <= nx < len(GRID[0])):
continue
if GRID[ny][nx] == "#":
continue
new = cost[cur] + 1
if new < cost.get((nx, ny), 10**9):
cost[(nx, ny)] = new
came[(nx, ny)] = cur
guess = abs(goal[0] - nx) + abs(goal[1] - ny)
heapq.heappush(todo, (new + guess, (nx, ny)))
return None
path = astar(find("S"), find("G"))
print("歩数:", len(path) - 1)
for y, row in enumerate(GRID):
print("".join("*" if (x, y) in path and c == "." else c
for x, c in enumerate(row)))
実行すると「歩数: 15」と、通った道を * で示した地図が表示されます。地図の # を増やしたり減らしたりして、道が変わることを確かめてください。
FSMと組み合わせる
組み合わせ方は単純です。追跡状態の時に A* で道を求め、道の2番目のマスへ1歩進みます。毎ターン計算し直すと重くなるので、数ターンに1回にします。
Unity・Unreal Engine・Godotで使える公式の仕組み

実際のゲームでは、経路探索を自分で書く場面は多くありません。3つのエンジンとも、移動と判断の公式機能を用意しているからです。2026年10月時点の公式ドキュメントで確認した内容をまとめます。
| エンジン | 移動(経路探索) | 判断・学習 |
|---|---|---|
| Unity | AI Navigation パッケージ(NavMesh、NavMesh Agent) | ML-Agents(強化学習・模倣学習など) |
| Unreal Engine | Navigation System(Navigation Mesh) | Behavior Tree と Blackboard |
| Godot | NavigationAgent2D/3D、AStarGrid2D | 専用機能は未確認。FSMを自分で書く形が基本 |
NavMesh(ナビメッシュ)は、キャラクターが歩ける範囲を面で表したデータです。Unity の AI Navigation パッケージは、シーンの地形から NavMesh を自動で作ります。NavMesh Agent を付けたキャラクターは、互いをよけながら移動します。
ML-Agents は、ゲームのシーンを学習の場として使うための公式ツールです。学習の計算はPython側のパッケージが受け持つため、Unity と Python の両方の準備が要ります。
Unreal Engine:Behavior Tree と Blackboard
Unreal Engine には、NPC の AI を作るための Behavior Tree が標準で入っています。Blackboard は、判断に使う情報を「キー」として置いておく場所です。
公式ドキュメントの例では、「明かりがついているか」というキーが真なら逃げ、偽ならランダムに動きます。移動は Navigation System が受け持ち、当たり判定の形から Navigation Mesh を作ります。
Godot の NavigationAgent2D/3D は、経路探索・経路に沿った移動・ほかのキャラクターの回避をまとめた補助ノードです。マス目のゲームなら、A* を実装した AStarGrid2D クラスが使えます。
機能の名前や設定項目はバージョンで変わります。使う前に、自分のバージョンの公式ドキュメントを開いて確認してください。
生成AI時代の作り方:ChatGPT・Claude Code・Codexへの頼み方
ゲームAIのコードは、生成AIに下書きを頼めます。「状態・条件・エンジン名」の3点を先に渡すと、直しが少なくなるので、頼む前に状態遷移表を作っておきましょう。
プロンプト例3つ
- FSMを作る:「Unity(C#)で敵AIを作ります。状態は巡回・追跡・攻撃の3つ。距離5以内で追跡、1.5以内で攻撃、7より離れたら巡回に戻ります。状態の切り替えと行動を別のメソッドに分け、数値はInspectorで変えられるようにしてください。」
- 経路探索を足す:「上のコードの追跡を、NavMesh Agent を使った移動に変えてください。目的地の更新は0.3秒に1回にします。変えた行だけ、理由つきで示してください。」
- 不具合を直す:「敵が追跡と巡回を細かく行き来します。状態が切り替わるたびにログを出すコードを足し、考えられる原因を可能性の高い順に3つ挙げてください。」
任せきりにできない部分
生成AIが書いたコードは、動かすまで正しいか分かりません。古いバージョンの書き方や、存在しない機能名が混ざることがあるため、公式ドキュメントとの照合が欠かせません。
- 面白さの調整:気づく距離や攻撃の間隔は、遊んでみて人が決める
- 動作の確認:エラーが出なくても、意図した動きかは目で見て確かめる
- 全体の設計:どの手法を使うか、状態をいくつにするかは作る人が決める
- 重さの確認:敵を100体出した時に処理が遅くならないかを測る
学ぶ順番と入門書、向く人・つまずく所
学ぶ順番は「FSM→経路探索→エンジンの公式機能→発展的な手法」がおすすめです。前の段階で作ったものを、次の段階で作り直す形で進めます。
学ぶ順番(5段階)
- 条件分岐・ループ・関数を、PythonかC#で書けるようにする
- この記事のFSMを写して動かし、状態を1つ足す
- A*を動かし、FSMの追跡と組み合わせる
- ゲームエンジンの公式機能(NavMesh や Behavior Tree)で同じ敵を作り直す
- ユーティリティAIや強化学習を、小さな題材で試す
入門書3冊(出版社の公式ページで確認)
2026年10月時点で、出版社の公式ページに掲載があり、購入の案内が出ていた本だけを挙げます。在庫の最新は各ページで確認を。
| 書名 | 出版社 | 向く人 |
|---|---|---|
| 人工知能の作り方 ―「おもしろい」ゲームAIはいかにして動くのか(三宅陽一郎) | 技術評論社 | コードの前に、考え方を読み物でつかみたい人 |
| ゲームAI技術入門 ──広大な人工知能の世界を体系的に学ぶ(三宅陽一郎) | 技術評論社 | 意思決定・ナビゲーション・メタAIを体系的に学びたい人 |
| 実例で学ぶゲームAIプログラミング(Mat Buckland) | オライリー・ジャパン | FSMや経路プランニングをコードで学びたい人 |
向く人・つまずく所
| つまずく所 | 起きること | 対策 |
|---|---|---|
| 状態を増やしすぎる | 切り替えの条件が追えなくなる | 3〜5状態で止め、超えたらビヘイビアツリーへ |
| 最初から強化学習に挑む | 環境づくりで手が止まる | FSMとA*で1本完成させてから |
| 生成AIのコードをそのまま使う | 直す場所が分からない | 1行ずつ説明させ、数値を自分で変える |
| いきなり3Dで作る | AI以外の作業に時間を取られる | 2Dやマス目で動きを確かめる |
向くのは、数字を少し変えては動かす試行錯誤を楽しめる人です。仕組みを知らないまま生成AIに任せると、直せなくなる点には注意してください。
あわせて読みたい記事
よくある質問
ゲームAIを作るのに数学や機械学習の知識は要りますか?
最初の1本には要りません。FSMは「もし〜なら」の条件分岐、A*は足し算と距離の計算で書けます。強化学習に進む段階で、確率や学習の考え方を少しずつ足していけば間に合います。
ChatGPTなどの生成AIだけでゲームAIは作れますか?
コードの下書きは作れますが、任せきりにはできません。敵の強さや気づく距離といった「遊んで面白いか」の調整は、実際に動かして人が決める部分です。仕組みを理解したうえで生成AIに頼むと、直しの指示も出しやすくなります。
どのプログラミング言語で始めるのがよいですか?
使うゲームエンジンに合わせるのが近道です。UnityならC#、GodotならGDScript、Unreal EngineならブループリントかC++です。エンジンを決めていないなら、PythonやJavaScriptで考え方だけ先に試せます。
強化学習から始めてもよいですか?
おすすめしません。強化学習は学習用の環境づくりと報酬の設計が必要で、思った動きにならない時の原因も探しにくいからです。FSMと経路探索で1本動かしてから取り組むと、強化学習が向く場面も判断できます。
まとめ:状態3つのFSMから始めて、少しずつ足していく
ゲームAIは、キャラクターの判断と移動をルールで組む仕組みで、生成AIとは別の技術です。最初は状態3つのFSM、次にA*、その後にエンジンの公式機能という順で進めると、無理なく形になります。生成AIはコードの下書きに役立ちますが、面白さの調整と動作の確認は作る人の仕事です。
英語の公式ドキュメントを読む力と、AIツールの使い方をまとめて身につけたい人には、留学という選択肢もあります。セブ島のKredoのAI留学は1か月で、午前に英語マンツーマン、午後にChatGPT・Claude Code・Codexを使うAIのグループ授業があります。内容や費用はAI留学とは?留学でAI(人工知能)を学ぶ方法・費用・向く人で確認できます。
参考にした公式情報
2026年10月時点で確認した公式ページです。機能名や仕様は更新されるため、最新は各公式ページで確認してください。
英語でIT・AIを学べるKredo
英語×IT・AIのスキルを身につけてグローバルに活躍しませんか?
当メディアを運営しているKredoは、英語×ITをオンラインで学ぶ「Kredoオンラインキャンプ」と、フィリピンのセブ島で英語とIT・AIを学ぶ「KredoIT留学」「KredoAI留学」を提供しています。これまでの卒業生は3,000名以上。英語とITを学び、海外就職やキャリアチェンジを目指せます。これからの時代に必要な英語×IT・AIのスキルを身につけてグローバルに活躍しませんか?












