平光天气下，雪面会“消失”
滑过雪的人大多遇到过这种情况：天空被厚云均匀覆盖，光线从各个方向同时打下来，雪面上没有阴影。平时一眼就能看到的雪包、凹坑、坡度变化，在这种光线下几乎全部消失，眼前只剩一片均匀的白。滑雪者把它叫作平光（flat light）。再加上雾或降雪，能见距离可能只剩几十米。
在这种条件下，人类选手会本能地做几件事：放慢速度、站得更高以便吸收看不见的起伏、更依赖旗门和赛道边的标志、回忆这条赛道上次滑的时候哪里有坑。
问题是，游戏里的AI选手会怎么做？如果它仍然按晴天的路线全速滑，精确地避开每一个看不见的雪包，那它等于是在透视地形。玩家在雾里摸索，对手却像开了地图，这场比赛就没有公平可言。im体育的设计原则是：能见度下降时，AI选手的感知也必须下降，路线也应该跟着变。
给AI一套会被天气削弱的感知
我们在AI滑雪对手的路线规划里，把AI能拿到的信息分成赛前信息和实时感知两类。能见度主要作用于实时感知，具体体现为三个参数：
- 感知距离：AI能“看到”前方多远的雪面细节。晴天可能是一两百米，大雾里可能降到三四十米。
- 地形分辨度：在感知距离内，它能分辨多小的起伏。平光天气下，距离不一定缩短，但小雪包和浅坑会被“抹平”，AI只能看出大的坡度变化。
- 雪况估计误差：看不清雪面反光和质地时，它对冰面、新雪的判断误差变大。
这三个参数由当前天气直接驱动，与玩家屏幕上的雾效、光照同源。雾有多浓、光有多平，AI的感知就削弱多少。它不会拿到地形网格里的精确高度，只能拿到一个被模糊过的版本。
看不清时，靠记忆和旗门
感知变弱以后，AI需要别的信息来源来补位，这和人类选手一样。
旗门与赛道标志
旗门颜色醒目、位置固定，即使在雾里也比雪面细节更容易看清。所以AI在低能见度下会把路线规划的锚点从“雪面特征”转向“旗门序列”：先保证按顺序通过旗门，再在旗门之间选择一条对未知地形最宽容的线。赛道边的防护网、标志杆也起类似作用，帮它判断赛道边界。
对这条赛道的记忆
一名在这座山上比过多次的AI老将，会记得第三个旗门后有一个坡度折点，第五段外侧常年有一个雪包。雾天里这些记忆就变得很值钱。新人AI没有这些记忆，只能更保守。这自然形成了一种合理的差异：天气越差，经验越重要。玩家也同样可以积累这种经验——在晴天多滑几次，雾天时就更有底。
记忆也可能过时。如果昨夜大量降雪改变了地形，老将记住的雪包可能已经被填平，新的风积雪出现在它不知道的地方。这种“记忆偏差”也是AI在恶劣天气下失误的一个合理来源。
风险阈值跟着能见度移动
AI选手的性格决定了它愿意为速度承担多少风险。能见度下降时，同一件事的风险变大了：看不见的雪包可能让它失去平衡，看错的冰面可能让它侧滑。所以它的决策会发生两种调整。
- 速度上限下调：在感知距离之内，它需要保证能对突然出现的地形做出反应。感知距离越短，允许的速度越低。这是一个与反应时间和刹车距离相关的约束，不是随意设定的减速。
- 路线向宽容的线收敛：原本激进的外线、贴近雪包的内线，都会被更平顺、离赛道边界更远的中线替代。
不同性格的调整幅度不同。以一个设计示例来说：同样是感知距离从一百五十米降到五十米，稳健型AI可能把速度降到晴天的八成、全程走中线；激进型AI只降到九成，仍在熟悉的段落尝试外线，结果是它更可能在雾里出错，也可能因此赢下比赛。这让雾天比赛的结果更分散，而不是晴天排名的简单复制。
让玩家看懂AI为什么变慢了
AI在雾里变慢，如果玩家不知道原因，可能会误以为是难度系统在“放水”。所以我们需要把这个变化做成玩家可读的反馈。
- 对手的动作：AI在低能见度下会站得更高、手臂更张开以保持平衡，转弯更圆。玩家看得出它在“摸着滑”。
- 回放与解说：赛后回放中可以标注“能见度低，对手降低速度”“对手依靠旗门定位”之类的信息。
- 赛前天气信息：比赛开始前展示能见度预报和变化趋势，这类数据来自im体育的实时天气模拟，玩家和AI看到的是同一份。
最终我们希望玩家得出的结论是：雾天里对手变慢了，是因为它也看不清；对手犯了错，是因为它记错了地形；而我这一轮赢了，是因为我晴天练得多，记住了这条线。能见度在im体育的滑雪比赛里，应该是一个同时考验所有人的条件，而不是只考验玩家的滤镜。
