——構(gòu)建

「游戲模型

Large Gameplay Model, LGM)

是通往 AGI 的一條可能路徑.

導(dǎo)語：

上周四（10月16日），筆者十分有幸在上海市徐匯區(qū)文旅局和錸三實(shí)驗室聯(lián)合主辦的上做了名為《AI和游戲如何共同構(gòu)建新的體驗》的分享；今天筆者將其整理成文，并將當(dāng)時沒有時間在現(xiàn)場分享的一些細(xì)節(jié)內(nèi)容組織成書面的形式分享給大家，希望能夠?qū)Ω魑惶剿鰽I游戲方向的戰(zhàn)友們有所幫助！

全文長度：約1.7萬字，算上視頻內(nèi)容，推薦閱讀時間約 1-1.5 小時。

全文脈絡(luò)可以被大致分為三部分：

1. 游戲機(jī)制、游戲演出、游戲內(nèi)容生成、AI游戲的Scaling Law四個話題組成第一部分，核心圍繞著定義、論證我的 “Large Gameplay Model (LGM)” 概念；

2. AI Gaming Infra單獨(dú)組成第二部分，圍繞著構(gòu)建 LGM 當(dāng)下最應(yīng)做的方向；

3. 游戲社區(qū)、游戲化AI、AI Gaming for Science組成最后一部分，主要探討 LGM 構(gòu)建的長期主義價值，和AI游戲的北極星。

您可以從此開始正式閱讀了。

大家好，我是錸三實(shí)驗室的AI研究員吳天驕，非常非常榮幸能有這個機(jī)會給各位前輩做一次分享，正式講述一下我關(guān)于AI游戲的一些淺薄觀點(diǎn)。

如海報標(biāo)題所說，我今天準(zhǔn)備了八個和AI游戲有關(guān)的topic，但其實(shí)有一點(diǎn)標(biāo)題黨，因為標(biāo)題說的是八個可能用AI“拓展游戲性邊界”的路徑，但實(shí)際上今天我要講的可能有一半內(nèi)容并非圍繞純粹的、狹義的“游戲”展開，可能是更形而上的、跨領(lǐng)域的東西。所以與其說“AI如何拓展游戲性邊界”，不如定義為“AI和游戲如何共同構(gòu)建新的體驗”。但有一點(diǎn)是肯定的：所有的路徑之中，游戲都是其中最最核心的角色！

這八個路徑可以形成一個光譜。我個人特別喜歡“光譜”這個設(shè)定，我也喜歡去光譜化許多概念，便于給大家講解，也便于我自己理解。光譜的特點(diǎn)是它沒那么離散，就像我們現(xiàn)實(shí)生活中的大部分概念那樣，都不是非黑即白的、可以被模型真正量化的，事物之間的邊界往往是模糊的；但人類要構(gòu)建一個東西的時候，往往是從非離散走向離散的過程，這個過程需要用到抽象和邏輯思考，但總歸是要先理解這些事物不那么離散的本質(zhì)。

對于每個話題，我在后面又補(bǔ)充了一個“敘事錨點(diǎn)”。對于每個環(huán)節(jié)，我都將圍繞這個錨點(diǎn)來展開探討。

隨著色調(diào)逐漸變暖，溫度逐漸升高，話題的重心也將從純粹的游戲體驗閉環(huán)轉(zhuǎn)向更開放、熵更高的可能暫未被明確定義的領(lǐng)域。我將按照從冷至暖的順序來聊一聊。

為什么“AI原生游戲”仍然不存在

如果大家看過“錸三實(shí)驗室”此前發(fā)布的AI游戲方向研報，大概知道我長期以來堅持的一個判斷：AI原生游戲是偽命題。

我的邏輯很簡單：從第一性原理出發(fā)，游戲存在的意義是人類覺得好玩。一個產(chǎn)品無論多么炫技、理念多么超前，如果缺乏心流與閉環(huán)，無法提供穩(wěn)定的愉悅感，那么它與游戲的本質(zhì)背道而馳——這種情況下，AI只是噱頭，而不是游戲性的驅(qū)動力，這個產(chǎn)品作為游戲就沒有價值。但要注意我的定語——并不是說這個產(chǎn)品沒有價值，只是說它作為游戲的出發(fā)點(diǎn)是偽命題！這就是我強(qiáng)調(diào)的從游戲的第一性原理出發(fā)推導(dǎo)的結(jié)論。

游戲的“好玩”始終是一種近乎玄學(xué)的存在。這個概念表面上極為主觀，但從設(shè)計方法論的角度出發(fā)，我們?nèi)匀豢梢試L試用相對框架化的方式去解構(gòu)它。

對于游戲行業(yè)的從業(yè)者而言可能比較熟悉，“好玩”通常被拆解為一系列可分析的組成部分：關(guān)卡循環(huán)、反饋節(jié)奏、交互動機(jī)、系統(tǒng)平衡等。它們共同構(gòu)成了一個穩(wěn)定、可收斂、由規(guī)則驅(qū)動的體系——也就是我們所說的游戲機(jī)制（Mechanics）。

而這些機(jī)制在被設(shè)計師有機(jī)組合后，便形成了和諧的玩法（Gameplay）。兩者之間的關(guān)系并非簡單疊加，而是一種類似化學(xué)反應(yīng)的過程：

其中，人（游戲設(shè)計師）的品味（Taste），正如化學(xué)反應(yīng)中的催化劑。它并不直接改變機(jī)制的結(jié)構(gòu)，卻決定了反應(yīng)能否發(fā)生、以及反應(yīng)最終的形態(tài)。

這也是游戲設(shè)計中最具人性的部分——為什么機(jī)制A與B結(jié)合能產(chǎn)生令人上癮的體驗，而C與D卻無法成立？為什么在某些情境下需要做減法，而在另一些情境下又必須做加法？理論層面我們或許能解釋一部分，但總會在某個臨界點(diǎn)上失語。那種無法再被邏輯完全解釋的部分，就只能訴諸設(shè)計師的直覺與品味。

市場最終選擇的，是那些由穩(wěn)定機(jī)制與優(yōu)質(zhì)品味共同催化出的游戲體驗，成為經(jīng)典詠流傳。

而從這一層結(jié)構(gòu)去反觀AI的本質(zhì)，就不難理解：構(gòu)成游戲性（Gameplay）的這兩大要素——規(guī)則驅(qū)動的機(jī)制與人的審美判斷——恰恰是當(dāng)下AI最難以勝任的領(lǐng)域。這也解釋了為什么現(xiàn)階段的AI游戲大多“看上去很聰明”，卻未必真的“好玩”。

我從去年8月開始一直到今年7月份都持有以上的這個看法，這也是驅(qū)動我持續(xù)做Research的核心動力。

AI原生：定義從0到1

直到我在今年7月開始真正意義上的AI游戲開發(fā)實(shí)操，這個觀點(diǎn)才開始出現(xiàn)轉(zhuǎn)折。實(shí)踐讓我意識到，過去大家對于“AI原生”的理解太表層了。

什么是AI原生？用一句話總結(jié)，那就是：

沒有AI，這個產(chǎn)品根本無法存在。

換句話說，AI不是錦上添花的功能組件，而是從0到1構(gòu)建整個系統(tǒng)的必要條件。假如去掉AI，這個項目立即崩塌，不復(fù)存在，那么它才配被稱為AI原生。

以此標(biāo)準(zhǔn)回看當(dāng)下市面上的AI游戲，它們幾乎無一例外仍是“AI增強(qiáng)型游戲”而非“AI原生游戲”。哪怕是那些看似以AI判定勝負(fù)或決定劇情走向的作品，本質(zhì)上仍運(yùn)行在確定的框架之上。AI在其中的作用只是“局部隨機(jī)變量”——為確定性系統(tǒng)增添不確定性，而不是創(chuàng)造系統(tǒng)本身。

對于像Mirage，Genie這種世界模型做出的游戲，那就是AI原生游戲。AI不僅生成內(nèi)容，還生成規(guī)則；它不在固定的世界中運(yùn)行，而是自己生成世界的法則。

這才是AI真正參與0到1構(gòu)建過程的產(chǎn)品。但現(xiàn)在還沒有。

如果硬要討論

Character.ai

這種產(chǎn)品，我覺得也可以算AI原生，但 我更傾向于不認(rèn)為他們屬于“游戲”，依舊是純發(fā)散的聊天機(jī)器人。但到了Silly Tavern這一維度的產(chǎn)品，我覺得就可以勉強(qiáng)沾邊了。

https://github.com/SillyTavern/SillyTavern

簡中社區(qū)可能將其譯為“小酒館”或“傻酒館”。這個產(chǎn)品本質(zhì)上就是在C.ai基礎(chǔ)上增加了更多api，給玩家多了更多定制化的功能，并用一些基礎(chǔ)規(guī)則收斂了AI行為，如讓玩家設(shè)計“角色卡”，并同時有了基礎(chǔ)概念，如地點(diǎn)、道具等。于是它擁有了規(guī)則框架，有基礎(chǔ)循環(huán)，且是理論上可以真正從抽象維度去涌現(xiàn)的、無限的體驗。

那么我們現(xiàn)在就可以把“AI原生游戲”分為兩個分支：

第一個就是所謂世界模型，靠純粹AI原生能力去做端到端的生成；

第二個是從 Silly Tavern 可以延伸的一個，現(xiàn)有游戲機(jī)制和AI底層原理更能有機(jī)結(jié)合的方向。

端到端生成方向可能更多還是要靠算力的力大磚飛，以及基模的技術(shù)性突破。這些可能不是我們今天在場大部分人有機(jī)會接觸的領(lǐng)域。

于是我也專注于鉆研第二個方向，這可能是更加偏前端產(chǎn)品維度的、對技術(shù)門檻要求低但對游戲機(jī)制理解和設(shè)計師“品味”有一定要求的方向。

我認(rèn)為這個方向是AI原生的——沒有AI的存在，其游戲性是無法被構(gòu)建的。在探討這個概念之前，我想先表述一下我自己對游戲玩法概念的拆解。當(dāng)然，關(guān)于“什么是游戲”的話題已經(jīng)被前人探討過無數(shù)次，包括如今的世界上可能每一處角落都還在有人進(jìn)行無休止的探討，這也是游戲迷人的一點(diǎn)——或許有一些共識存在，但每一次市場上那些推陳出新的玩法出現(xiàn)，都讓這些共識更像是形而上的辯經(jīng)而非不變的真理。

于是我搬出我自己的定義：

目前我們探討的常規(guī)游戲，更多像是多種玩法的組合而成的體驗；那些也許好玩的游戲都至少要有一個最核心的玩法，并和諧地設(shè)計其他玩法，目的都是輔助這個核心玩法的構(gòu)建。

而組成每一個玩法的最小單位是游戲機(jī)制，串聯(lián)起這些游戲機(jī)制的叫游戲規(guī)則。每一個機(jī)制都是一個最小反饋循環(huán)——玩家輸入、系統(tǒng)處理、反饋輸出、玩家基于反饋再次輸入。

舉個例子，

CAM DOWN!

（我們今年的一款游戲）從現(xiàn)實(shí)中的拍攝和直播行為取得靈感，玩家可以在游戲中直播拍攝任何畫面，直播間的觀眾會進(jìn)行實(shí)時的反饋。在這個體驗里，“拍攝”就算是一種機(jī)制，它的反饋循環(huán)為：舉起相機(jī) → 在屏幕上顯示取景內(nèi)容 → 玩家看到取景內(nèi)容（交互行為的直接反饋） → 基于反饋玩家開始下一次拍攝行為循環(huán)，以此往復(fù)。這就是我們游戲中最小反饋循環(huán)的一個。

然而單一機(jī)制構(gòu)不成玩法。如果這款游戲只有這個獨(dú)立的拍攝反饋循環(huán)的話，它只能算作是一個交互玩具，可以放在大學(xué)里的交互媒體設(shè)計畢業(yè)展上，但如果放在游戲?qū)I(yè)的展里面，就不太合適——它還構(gòu)不成完整的玩法。這個時候就需要別的機(jī)制 相互耦合，來讓系統(tǒng)真正具有“游戲性” 。

直播間的反饋也是一種機(jī)制，反饋循環(huán)為：玩家控制直播的內(nèi)容 → 觀眾反饋 → 玩家感知到反饋 → 基于反饋開始下一次直播行為循環(huán)。定義好了這些，我們就可以設(shè)計相關(guān)的規(guī)則來串聯(lián)起合適的機(jī)制，構(gòu)成玩法循環(huán)。在

CAM DOWN!

里，我們定義好拍攝畫面和直播內(nèi)容的關(guān)系，以及觀眾的反饋會具體如何影響玩家后續(xù)的行為邏輯，例如拍攝畫面好 → 觀眾點(diǎn)贊 →人氣值上漲 → 收益上漲，最后將直播收益作為游戲的最終目標(biāo)，那么這樣一來，游戲的核心玩法就成型了。玩家至少可以通過交互行為來獲得預(yù)期反饋，并向著目標(biāo)持續(xù)體驗游戲。

如果進(jìn)一步抽象，我們會發(fā)現(xiàn)其實(shí)他們無非就是顆粒度大小的差異。顆粒度大一些，單位就是游戲玩法，小一些就是游戲機(jī)制。

如果我們能靠更小顆粒度的“機(jī)制”，讓AI在規(guī)則之中涌現(xiàn)出“玩法”——構(gòu)建游戲性的最小單位，那么這樣的AI游戲就是AI原生的了。

而當(dāng)我們放棄“AI做插件”的思路，而去思考AI能在游戲構(gòu)建中承擔(dān)怎樣的基礎(chǔ)角色，就會發(fā)現(xiàn)“機(jī)制”才是最值得重構(gòu)的部分。

游戲機(jī)制是可以繼續(xù)被解構(gòu)和拆分成更小顆粒度的穩(wěn)定單位的，只要我們可以在設(shè)計系統(tǒng)的時候，把思維抽象再抽象，抽象到極致來解構(gòu)這些規(guī)則。

我平時最常舉的例子，就是角色關(guān)系；在設(shè)計傳統(tǒng)RPG游戲里的角色之間的關(guān)系時，可能會給每個關(guān)系去做定義，如友情、親情、愛情、仇敵、陌生人，等等等等。實(shí)際上，定義到這種細(xì)致程度的，大部分也只有那些生活模擬類游戲才能達(dá)到。

那么，去用程序定義它們的時候，可能常見的做法是去寫一個父類定義角色關(guān)系類，然后定義基礎(chǔ)屬性和邏輯，再去分別開子類來給每種關(guān)系配表；在需要依托關(guān)系屬性介入做邏輯判定的環(huán)節(jié)中，相關(guān)的方法可能再去取對應(yīng)的那個關(guān)系的屬性，基于結(jié)果推進(jìn)這個相應(yīng)的邏輯環(huán)節(jié)。

然而，當(dāng)我們試圖真正構(gòu)建AI原生機(jī)制時，傳統(tǒng)意義上對關(guān)系的抽象遠(yuǎn)遠(yuǎn)不夠。我們必須進(jìn)一步提升抽象層級，對這些人類社會性概念進(jìn)行再解構(gòu)。

以“愛情”為例，我們在解構(gòu)這個概念的時候，其實(shí)就是在問自己：什么是愛情——這聽起來像是一個哲學(xué)問題（笑），但在系統(tǒng)設(shè)計的語境中，我們可以嘗試把它分解為一組更基礎(chǔ)的屬性：例如“親密關(guān)系的”“排他的”“具有生理驅(qū)動的”等。這樣的拆解并非終點(diǎn)，我們還可以繼續(xù)向下分層，去尋找這些屬性背后更細(xì)的邏輯單元。

這一過程實(shí)際上極度考驗設(shè)計師的抽象能力與邏輯能力。它不僅需要形式化思維，更需要豐富的生活經(jīng)驗作為前提支撐——只有對現(xiàn)實(shí)關(guān)系具備深刻體察，才能反向推導(dǎo)出抽象層的定義。

當(dāng)設(shè)計師將所有可想到的角色關(guān)系逐一拆解到足夠細(xì)的顆粒度后，可以將這些概念放入一個共享的“語義池”中，通過比較與歸納，提煉出它們的共性維度，從而定義出一套具有普適性的規(guī)則集。

有了這樣的健壯、可泛化的規(guī)則集，接下來便可以讓LLM在其中自由涌現(xiàn)——這是AI最擅長的部分。

那這個時候，什么親情友情愛情仇人，都無需游戲設(shè)計師自己去定義了；LLM可以在你這個健壯的普適規(guī)則集里，涌現(xiàn)出無限可能，但又那么地符合邏輯，前提是我剛才說的，這個規(guī)則集要足夠健壯，抗造。

這時候的游戲內(nèi)角色關(guān)系，就是AI原生的了。

所以，無非就是顆粒度

為了方便大家更好地理解顆粒度對AI原生涌現(xiàn)玩法的構(gòu)建，我在這里拿我從7月開始在做的一個AI游戲試驗場demo舉例。

Kingdom of LLMs demo

[, or

Rule Jigsawing Lab

(規(guī)則拼接實(shí)驗室) ]

在立項伊始，這款游戲的目標(biāo)就是去構(gòu)建一個從0到1的AI原生體驗，驗證我上面所述的一切想法。

所以其實(shí)這款游戲目前是沒有玩法的——或者說叫AI原生玩法。

在我把游戲內(nèi)機(jī)制的顆粒度細(xì)分之后，主要?dú)w納了五大維度：

微觀層 —— 規(guī)則與行為 角色層 —— 感知與認(rèn)知 社會層 —— 關(guān)系與協(xié)作 制度層 —— 事件與循環(huán) Meta層 —— 演化與協(xié)議

我接下來為大家一條條梳理。

微觀層 —— 規(guī)則與行為

單個角色的即時行為邏輯。

在這一層面，我主要定義了兩個部分：動作接口與最小顆粒度行為。

首先定義好游戲中的一切“動作”邏輯，并用接口泛化，如說話、移動、交互（這三種動作基本上可以包含并表述99%的游戲內(nèi)事件）。

然后定義這些動作發(fā)出的行為顆粒度——這個過程就更加抽象了，可以理解為它們是可被 LLM 直接調(diào)用的、行為級的游戲語言語法。

目前版本關(guān)于AI的latency我還沒有管，所以角色做決策響應(yīng)還很慢；

以及請忽視其他角色在邊上閑聊天

所以我們可以從演示中看到，“我”對另一名角色做出了“說話”動作，另一名角色隨后做出了一些復(fù)合行為：移動到酒面前，與酒進(jìn)行“交互”動作（拾取酒，這個可視化還沒做），并對“我”通過“說話”動作做出了回應(yīng)。 通過定義好這些構(gòu)成動作的最小顆粒度，LLM便可以編排一切具體的行為。

角色層 —— 感知與認(rèn)知

單個智能體的目標(biāo)形成、記憶積累與行動選擇邏輯。

在這一層面，我主要圍繞游戲中最需要智能的對象——角色進(jìn)行系統(tǒng)性構(gòu)建。

驅(qū)動智能體角色的一切行為的核心骨架被我拆成了三個部分：上下文（短期記憶）、意圖識別、認(rèn)知系統(tǒng)。我認(rèn)為這三個部分足以處理游戲中角色需要應(yīng)對和執(zhí)行的一切事情。

目前角色形象資產(chǎn)來自網(wǎng)絡(luò)免費(fèi)素材包 首先，角色的短期記憶收集了一定范圍內(nèi)一切需要被角色意識到并可能影響角色做決策的信息——誰和誰說了什么、誰做了什么、什么事情剛剛發(fā)生、我現(xiàn)在感覺怎么樣等等。 然后，會有一個叫

Memory Executor

的組件，基于一個有一定上下文工程和簡單后訓(xùn)練處理的LLM，來專門持續(xù)處理角色的短期記憶信息。處理之后就進(jìn)入下一步——意圖識別環(huán)節(jié)。 同樣地，我也做了一個叫

Intent Interpreter

的組件，這也由一個被專項處理過的LLM來驅(qū)動，專注處理上一環(huán)節(jié)的LLM處理后的記憶信息，來識別成為角色的真正行為意圖（如果此時需要）。意圖識別環(huán)節(jié)構(gòu)成了通往最后角色執(zhí)行我們上一層面看到的“動作”和行為語法的橋梁。 而對于認(rèn)知系統(tǒng)，主要是用來服務(wù)短期記憶的信息收集部分，同時也在角色做出最后實(shí)際“動作”的環(huán)節(jié)扮演重要角色。可以說認(rèn)知系統(tǒng)貫穿智能體角色始終，甚至貫穿整個游戲世界。它是這樣運(yùn)轉(zhuǎn)的： 首先，定義好離散化的基礎(chǔ)認(rèn)知概念，我在這里將其分為三大類——人、事、物，試圖包攬絕大部分情況。分別給人事物三種認(rèn)知再做細(xì)致的基礎(chǔ)概念劃分，用游戲化符號來對大模型進(jìn)行語義對齊。 然后，對于所有游戲內(nèi)的事物（對象），均會向外散發(fā)出信號，這些信號由其附帶的基礎(chǔ)認(rèn)知概念構(gòu)成。同時，智能體角色具有接收外界信號的能力，通俗來講就是角色的視聽觸覺等感官能力；這些信號可能也會受到環(huán)境條件的阻礙，比如傳播范圍、障礙等（如視覺信號無法穿過不透明的物體）——本質(zhì)上就是在離散地解構(gòu)和模擬現(xiàn)實(shí)世界。智能體角色接收完信號后，將會進(jìn)行一個信息提煉的過程，并將相關(guān)信息轉(zhuǎn)化到短期記憶里，形成上下文，再由這個環(huán)節(jié)的LLM進(jìn)行下一步處理，轉(zhuǎn)化為意圖，到最后角色執(zhí)行的“動作”；一旦有具象的動作出現(xiàn)，這個環(huán)節(jié)又會再散發(fā)出新的信號，構(gòu)成周圍其他角色的上下文認(rèn)知。于是我們可以回過頭來再看這個演示，里面其實(shí)透露出了很大的信息量：

“我”對另一名角色說了指令后，首先發(fā)生的是“我”的這個“動作”發(fā)出的信號被角色接收到，通過認(rèn)知系統(tǒng)處理為她的短期記憶（構(gòu)建上下文），她的記憶處理器再去通過LLM來處理這段上下文，其中包含了她對“我”的認(rèn)知（“我”對于她而言是誰？），對于“我”說的話的認(rèn)知（“酒”是什么東西？），并開始構(gòu)建下一步的意圖；當(dāng)她的認(rèn)知系統(tǒng)提供了相關(guān)上下文后，這個智能體就有了基礎(chǔ)認(rèn)識，即“Steven（一個我熟悉的人——具體為什么熟悉？可以是游戲中大家共同的經(jīng)歷決定的，也可以是玩家預(yù)設(shè)的）希望我去給他取一瓶酒”，意圖識別器就可以轉(zhuǎn)化為正確的意圖——看到前面的酒，移動過去，拾取（交互），并做出回應(yīng)。 我們發(fā)現(xiàn)，當(dāng)整個微觀規(guī)則和構(gòu)建基礎(chǔ)角色的顆粒度與規(guī)則集足夠穩(wěn)健后，對于這種帶有邏輯鏈路的復(fù)合事件，整個行為流程全為AI涌現(xiàn)的結(jié)果，沒有一絲一毫的預(yù)設(shè)邏輯：每個角色的“行動決策”是一個動態(tài)組合結(jié)構(gòu)。AI 不只是執(zhí)行，而是自己推演角色接下來的行為鏈。

這樣一個游戲角色就通過AI原生的方式被構(gòu)建出來了。

社會層 —— 關(guān)系與協(xié)作

多角色之間的交互網(wǎng)絡(luò)。

當(dāng)我們將前兩者定義好后，后面更宏觀的、發(fā)散的概念自然而然就可以通過AI的力量涌現(xiàn)出來，這也就是我說的AI最擅長的事情。第一個事兒就是智能體角色之間的關(guān)系發(fā)展。

基礎(chǔ)行為和感知認(rèn)知構(gòu)建了角色的基本活動邊界，通過LLM智能涌現(xiàn)逐步形成關(guān)系網(wǎng)和游戲社會。

在我之前測試的例子里，到現(xiàn)在都一直被我津津樂道的其中一個，是我操控兩個互相關(guān)系很好的角色強(qiáng)行干架。

很快一個非常有意思的現(xiàn)象就發(fā)生了：在干架途中，兩個角色開始對話，對話內(nèi)容如上。

發(fā)生這個現(xiàn)象的原理也非常不言自明——在前面我們提到了微觀規(guī)則的構(gòu)建和智能體角色的運(yùn)轉(zhuǎn)原理，那么當(dāng)角色之間有了相互的認(rèn)知、對于目前在做的事情有了基礎(chǔ)認(rèn)知和上下文，LLM自然而然就會通過意圖識別環(huán)節(jié)判斷出角色的現(xiàn)狀和下一步的合理行為；在這樣一個背景下，當(dāng)角色發(fā)現(xiàn)自己在和好朋友打架，非常合理地就會對應(yīng)地做出符合角色之間的社會關(guān)系的復(fù)合決策。

同樣地，當(dāng)角色之間有了基礎(chǔ)關(guān)系，他們就會自然而然地進(jìn)行互幫互助行為

基礎(chǔ)行為和感知認(rèn)知構(gòu)建了角色的基本活動邊界，通過LLM智能涌現(xiàn)逐步形成關(guān)系網(wǎng)和游戲社會。

在這樣的顆粒度下，社交關(guān)系不是固定變量，而是語言驅(qū)動的流動系統(tǒng)。這意味著“聯(lián)盟”“背叛”“交易”等事件都能自然涌現(xiàn)。

制度層 —— 事件與循環(huán)

世界運(yùn)行的制度、法律、經(jīng)濟(jì)循環(huán)。

到了這一層就要開始構(gòu)建我在前面一直在解構(gòu)的玩法（Gameplay）了。通過前面幾層顆粒度的涌現(xiàn)，我認(rèn)為AI原生的機(jī)制可以被構(gòu)建出來（最小交互循環(huán)），下一步就是圍繞構(gòu)建出來的這些機(jī)制來讓AI涌現(xiàn)出玩法，所以我在這里引入了制度層，來定義游戲內(nèi)引導(dǎo)玩家或者說定義玩家體驗流程的元素。

在這一層中，我需要單獨(dú)定義事件顆粒度，以及涌現(xiàn)出事件的規(guī)則，讓游戲內(nèi)對象基于LLM推演自由演化，在規(guī)則的收束下自然而然演化出大大小小的事件和循環(huán)，推動游戲的宏觀層發(fā)展（說白了就是傳統(tǒng)RPG游戲里的“任務(wù)系統(tǒng)”）。

它的顆粒度特征為：制度規(guī)則是可組合、可學(xué)習(xí)、可被AI實(shí)驗的。玩家與AI可以共同調(diào)試世界。

Meta層 —— 演化與協(xié)議

游戲作為系統(tǒng)自我學(xué)習(xí)的層。

其實(shí)，在前四層中，如果按照我的理論能夠構(gòu)建出一個穩(wěn)定的具有可玩性的體驗的話，我認(rèn)為已經(jīng)算是AI原生游戲了。

那么到了Meta層，其規(guī)則試圖構(gòu)建的內(nèi)容將不只是游戲玩法了，而是一個目前看來更加形而上的AI游戲世界。這個部分我也沒有在演講中展開來講，在后面的分享中我會試圖去詳細(xì)展開闡述我構(gòu)建AI游戲世界的一個關(guān)鍵概念：LS類系統(tǒng)（Learnable System Class）理論框架。

在AI原生道路上發(fā)展，下一層的目標(biāo)我認(rèn)為是使游戲的“規(guī)則”本身成為AI的可學(xué)習(xí)對象。

這意味著AI不僅能在游戲中玩，還能修改玩法來適應(yīng)目標(biāo)。

做個總結(jié)：在

Kingdom of LLMs

里，我們不是讓AI“玩“”游戲，而是讓AI在不同顆粒度下“理解”規(guī)則、“表演”行為、“拼接“”世界

從一次簡單的移動交互，到制定一條王國法令，都是同一套語言系統(tǒng)在不同分辨率下的演出。

于是我定義了一個簡單的坐標(biāo)系，其中橫軸為顆粒度大小，縱軸為工程能力要求；游戲的規(guī)則顆粒度越細(xì)，對應(yīng)需要的工程能力就要越強(qiáng)。

但AI原生游戲的顆粒度有個上限，那就是我上面所定義的游戲玩法（Gameplay），因為在我的定義里，一旦有了一個玩法，整個體驗的游戲性就出來了，就不再是交互玩具了。所以，一旦你這個游戲已經(jīng)有了一個不需要AI參與也能構(gòu)建起來的游戲玩法，就不叫AI原生游戲；游戲的核心玩法是由AI通過更小顆粒度規(guī)則涌現(xiàn)出來的，那就是AI原生游戲。

LGM（Large Gameplay Model）

沿著這個方向思考，我提出了一個我自己的“原生”概念：LGM（Large Gameplay Model）。

我在之前的文章中提出過

Gameplay as Language

的概念：

一個好的游戲規(guī)則框架，本質(zhì)上就是一門高信息熵的元語言。 就像自然語言有語法與句法，游戲的底層規(guī)則也可以被抽象為邏輯語法。 當(dāng)規(guī)則足夠清晰且高度抽象時，它們不僅能承載復(fù)雜的玩法，還能成為 AI 與玩家對齊的語義橋梁。 一旦實(shí)現(xiàn)這一點(diǎn)，AI 生成的內(nèi)容將不再是“表面平鋪”的碎片，而是能夠通過規(guī)則語法生成更高維度的內(nèi)容表達(dá)（事件鏈、敘事循環(huán)、系統(tǒng)性體驗）。 Re3 Lab，公眾號：錸三實(shí)驗室

我們都知道，大語言模型（LLM）的成功源自“語言可符號化”這一特性：詞匯、語法、上下文都能被編碼為結(jié)構(gòu)化信息。那如果游戲的底層規(guī)則也能被同樣抽象化——能被符號化、組合、推理——AI是否也能“讀懂”游戲語言？

如果 Gameplay as Language 成立，我們就一定有辦法推導(dǎo)出范式，來讓AI也擅長處理游戲這門可以被同樣符號化的語言。

那這樣的AI就是我所說的 LGM 了。

游戲是AI的語言

LGM要解決的問題是什么？

自然語言有語法與句法；游戲語言有邏輯與反饋。在自然語言中，我們用規(guī)則去描述意義；在游戲語言中，我們用機(jī)制去構(gòu)造體驗。

當(dāng)規(guī)則足夠清晰且高度抽象時，AI就能在這門語言的語法框架內(nèi)生成語義表達(dá)——即“玩法”。

換句話說，AI可以從“理解文字”躍遷為“理解規(guī)則”，從“生成故事”躍遷為“生成體驗”。

這便是AI原生游戲的關(guān)鍵轉(zhuǎn)折點(diǎn)：AI不再只是執(zhí)行設(shè)計師預(yù)設(shè)的邏輯，而是在邏輯層面參與構(gòu)造。

從開發(fā)流程角度看，程序員的任務(wù)其實(shí)是把設(shè)計師的“自然語言需求”翻譯成“游戲語言實(shí)現(xiàn)”。AI介入LGM后，這條翻譯鏈可以反過來——AI成為能讀懂、解釋、甚至反向修改游戲語言的智能體。它不再是工具，而是共創(chuàng)者。

為什么C.ai當(dāng)年能夠火遍全網(wǎng)，形成范式？就是因為我上面說的這些——在AI原生的體驗里，AI的角色“升維”了，AI在和玩家一同書寫語言，共塑全新的體驗。

為什么C.ai的模式現(xiàn)在走向尾聲？就是因為自然語言不夠好玩兒。

就像當(dāng)你玩了一把精彩絕倫的文字冒險DND后，你總要幻想能有一個機(jī)會去通過更高維的敘事方式，來把這種絕妙的體驗發(fā)揚(yáng)光大。

這tmd就是 LGM 要解決的問題。

doesn't exist - a modern text adventure

文字冒險游戲的演出形式就是純粹的自然語言，所以這樣的游戲擅長由 LLM 來承載和擴(kuò)展內(nèi)容。那么依此就又可以推導(dǎo)出一個道理：那些高維的游戲玩法，你能想到的，亦或是想都想象不到的，是不是就可以由 LGM 來承載和擴(kuò)展內(nèi)容。

其中：

完整論證（草稿）：

讓我們開啟新一輪的例證環(huán)節(jié)，來更好地闡述“游戲是AI的語言”。

《模擬人生》系列絕對是傳統(tǒng)游戲品類里對當(dāng)下AI游戲的發(fā)展有著重大啟示的游戲，基于生活模擬類玩法衍生出的大大小小的包含AI元素的游戲在近兩年內(nèi)數(shù)不勝數(shù)。我在這里舉兩個例子，均是較大體量的作品：

inZOi

The Proposal

(暫未公布） 。

inZOi

的玩法和AI元素我在這里不做過多介紹了。其對我最大的啟發(fā)是，它提出了一個用LLM對傳統(tǒng) Utility AI 框架的優(yōu)化方案 （也是我上面提到的短期記憶模塊的重大參考） 。

圖片出處：GDC 2025

就像模擬人生里的那樣，傳統(tǒng)的NPC行為邏輯基于Utility AI框架，主要依靠于給角色定義的數(shù)值權(quán)重來做決策，比如餓了就吃，困了就睡。 這樣的話，因為缺少長線和帶背景信息的推理能力，再出現(xiàn)一些復(fù)雜情況時便會出現(xiàn)一種滑稽的情況：比如你和你的老婆預(yù)定了晚上6點(diǎn)的餐廳，但你在5點(diǎn)半的時候感覺到了餓意，傳統(tǒng)的NPC這個時候一般就會立刻去吃東西，渾然不顧半小時后就要去餐廳吃飯了。相信熟悉模擬人生的朋友們對這種類似的情況都很熟悉。

也不是不能解決這個問題：加一條預(yù)設(shè)的規(guī)則就好了。程序規(guī)定——如果晚上訂了餐廳，那么在此之前餓了的話不能去吃東西。但如果遇到其他類似的情況都要這樣增加預(yù)設(shè)條件，那么對于inZOi這種游戲永遠(yuǎn)也加不完。你永遠(yuǎn)不知道這種涌現(xiàn)式生活模擬類游戲能有多少個意想不到的事件。

于是KRAFTON的深度學(xué)習(xí)團(tuán)隊給這個決策過程引入了神經(jīng)網(wǎng)絡(luò)技術(shù)。他們直接在游戲內(nèi)部署了本地模型，用LLM的技術(shù)指揮NPC的決策最后生成具體指令。這樣一來，對于一些長線的決策（比如在晚上有預(yù)約餐廳的情況下）或者復(fù)雜背景信息時做出的決策便會更有邏輯，更像人類。就像如果你直接把這些情形拿去問deepseek，它往往也會給你一個更有道理的答案。 NPC還會給每日寫日記，做總結(jié)，從而規(guī)劃第二天甚至更加長遠(yuǎn)的計劃。比如某個NPC周末要參加某個活動，那么他可能就會提前去計劃購物，準(zhǔn)備相應(yīng)的衣服或者物品。 83 【inZOi是一個真正意義上玩AI的游戲 - steven_quacles | 小紅書 - 你的生活興趣社區(qū)】 dYG7jPgZC4LSOXj https://www.xiaohongshu.com/discovery/item/67dfb508000000001d01f939?source=webshare&xhsshare=pc_web&xsec_token=ABWhV891ssoXZx3QFwotR-H1RgZZ87bguGrBW63CXXVPM=&xsec_source=pc_share

inZOI

目前暴露出的最大問題是它不好玩。當(dāng)我們仔細(xì)觀察其游戲規(guī)則維度，并和《模擬人生》做對比時，就會發(fā)現(xiàn)，它的基礎(chǔ)規(guī)則和行為體系很單??；換句話說，它的玩法顆粒度不夠細(xì)，不夠多。這就又回到上一部分的理論中：構(gòu)建好的AI涌現(xiàn)玩法的前提，是足夠健壯的、顆粒度足夠細(xì)的規(guī)則集。

inZOI

的第一步就沒做好，而是堆料到視聽體驗上去了。

我們再來看

The Proposal

這款游戲。這是一款全網(wǎng)沒有任何信息透露的游戲，除了許怡然老師的個人分享（感謝許老師的信息開源?。?。

大家可以先看下面的視頻了解一下這款游戲是怎么玩兒的。

我們不難發(fā)現(xiàn)，無非就是構(gòu)建體驗的基礎(chǔ)規(guī)則集的顆粒度、顆粒度、顆粒度的問題。

所以，顆粒度體現(xiàn)在這兩個游戲的差異上，就是對于游戲這門語言的“行為語法”的構(gòu)建上的差別。當(dāng)語言的語法（規(guī)則構(gòu)建）足夠強(qiáng)大，語義（游戲化符號）的表達(dá)才能更加高維。

如果在《The Sims》里，每個角色的動作都來自一套這樣的“行為語法”，且AI如果能理解這種語法，它就不只是能“說故事”，還能“演故事”——比如AI自己決定去安慰另一個NPC。

當(dāng)我們再回頭看這張表，就會發(fā)現(xiàn)這其實(shí)本質(zhì)上是一個工程問題。這里的工程問題不單單指AI的技術(shù)架構(gòu)和游戲開發(fā)能力，更多還有對游戲的拆解能力，也就是我前面說的，對游戲機(jī)制構(gòu)建過程中的抽象與邏輯還原能力。

這個過程還是相當(dāng)難的，也是相當(dāng)長期的。

游戲是AI的語言這個理論，在我的游戲研發(fā)過程中也給了我自己很多啟發(fā)，我在這里分享兩點(diǎn)。

首先就是在這樣的演出效果下，游戲可以省去一切需要寫的邏輯function call——甚至重寫狀態(tài)機(jī)、行為樹范式。

當(dāng)角色受重傷時，傳統(tǒng)游戲的做法大多是去依賴顯式邏輯體系(Utility AI, FSM, Behavior Tree等)，來枚舉并判斷角色的決策路徑。然而，隨著角色行為的復(fù)雜度提升，這種以規(guī)則枚舉為基礎(chǔ)的設(shè)計模式往往會迅速膨脹，導(dǎo)致邏輯鏈條冗長、維護(hù)成本陡增。

Kingdom of LLMs

中，將游戲語義對齊給AI后，可以純粹由大模型根據(jù)上下文自發(fā)執(zhí)行。只需定義好自發(fā)執(zhí)行所需的一切基礎(chǔ)條件，在此之上一切邏輯function call的功能都無需再補(bǔ)充。

第二個意義是讓AI把控那些無法量化的概念。例子依舊來源于

CAM DOWN!

我們曾經(jīng)在設(shè)計不同玩家的角色定位時，腦暴出了一種“直播間房管”的角色定位，其目的是運(yùn)營管理直播間，帶水軍節(jié)奏等，讓直播間的人氣高漲。

這個時候我想到了一個概念叫“網(wǎng)感”——當(dāng)玩家角色的網(wǎng)感強(qiáng)的時候，其運(yùn)營直播間的效果就會更好。但問題是，“網(wǎng)感”是一個非常抽象的概念，該如何用游戲的形式來模擬其抽象效果？

到最后我只能訴諸于“強(qiáng)行量化”，將其強(qiáng)行量化成數(shù)值，和游戲內(nèi)角色關(guān)聯(lián)——比如角色升級的時候，可以選擇升級“網(wǎng)感”值，但這樣的話這個概念和玩家自己的操作和代入就毫無關(guān)系了。

在這個時候，如果我們能夠?qū)⒅辈ラg玩法的基礎(chǔ)規(guī)則集的顆粒度構(gòu)建好，并引入AI——由AI把控“網(wǎng)感”概念，在游戲規(guī)則內(nèi)自由發(fā)揮，這種抽象的、難以量化的概念也可以有機(jī)會在游戲的語義中被表達(dá)，最大化成都增強(qiáng)玩家的代入感和趣味性。

以上兩個靈感雖然都是基于很抽象的模型框架，但我認(rèn)為和游戲機(jī)制那一趴還是有本質(zhì)區(qū)別的，所以值得單拎出來持續(xù)探索。核心目標(biāo)相似：讓AI做擅長的事情并盡情涌現(xiàn)；一個是涌現(xiàn)玩法，一個是涌現(xiàn)具象內(nèi)容。在前者不允許出錯，其關(guān)乎于游戲世界的穩(wěn)定性；后者允許出錯，或者說不叫出錯，叫possibility——在很多時候，我們反而希望其能有“反差”的內(nèi)容。

但優(yōu)先級和前提也是明確的：這些反差內(nèi)容能夠獲得正反饋的先決條件，是先要有一個穩(wěn)定的機(jī)制涌現(xiàn)沙盤，或者說穩(wěn)定的LGM。這層決定了這些反差內(nèi)容至少是要符合邏輯的。

我認(rèn)為人天然對那些意料之外，且符合邏輯的事情著迷；如果是符合邏輯但意料之內(nèi)，就沒那么有正反饋；如果是意料之外但不符合邏輯，負(fù)反饋就更大了，這也是現(xiàn)在AI幻覺問題在C端產(chǎn)品造成的最大困擾。

這就是 LGM 存在的價值。

AI無法創(chuàng)造新的內(nèi)容

但如果想要創(chuàng)造一個擁有持續(xù)性美好體驗的AI原生應(yīng)用，我們不能迷信AI在內(nèi)容涌現(xiàn)上的力量。

這部分將會是一個看起來比較反直覺的理論：

對于AI生成的內(nèi)容，我認(rèn)為現(xiàn)在市面上一直存在著一個誤區(qū)：很多信仰AI的、做C端應(yīng)用的產(chǎn)品經(jīng)理，往往都會錯誤地相信AI的一個特性——可以無限生成內(nèi)容和體驗，并以此為產(chǎn)品核心哲學(xué)，來圍繞這一點(diǎn)大量做文章。我想說的是，這個特性是偽命題：AI生成的內(nèi)容和體驗其實(shí)都是有限的。

因為至少目前的大模型，是無法創(chuàng)造新的內(nèi)容的，一切看似的無限生成的內(nèi)容，都是神經(jīng)網(wǎng)絡(luò)涌現(xiàn)擬合的結(jié)果，沒有一絲一毫是新的內(nèi)容，因為AI不具備創(chuàng)意性。

AI的力量在于利用上下文來無限生成內(nèi)容。構(gòu)成產(chǎn)品健壯的上下文規(guī)則的做法是我一直在聊的“顆粒度理論”，而構(gòu)成上下文的新內(nèi)容則要另辟蹊徑。

這就像在大語言模型剛剛誕生之時，我們對其產(chǎn)出的內(nèi)容有著無限的好奇；但在當(dāng)下如果讓你去讀ChatGPT產(chǎn)出的小說，你一定會覺得非常無聊。

但我們當(dāng)下對于AI產(chǎn)出的內(nèi)容的興奮點(diǎn)來源于什么？來源于我們自己，或者說人類提供的提示詞和上下文窗口。

這是人與AI的最大區(qū)別：人可以源源不斷地創(chuàng)造新的真實(shí)內(nèi)容。

所以如果產(chǎn)品閉環(huán)中可以把人（可以是用戶本身、也可以是其他用戶）和人的現(xiàn)實(shí)生活中的內(nèi)容做關(guān)聯(lián)、綁定、轉(zhuǎn)化，那么就找到了一個我們上面所說的創(chuàng)造“真的”內(nèi)容的點(diǎn)；具體如何把這個點(diǎn)和最終的情感陪伴體驗結(jié)合，則要落實(shí)到具體的游戲設(shè)計層面。

所以我長期看好那些關(guān)注「用戶故事」的AI原生方向。那些利用AI的能力，利用游戲化的設(shè)計，真正把人和能夠創(chuàng)造正反饋的無限內(nèi)容有機(jī)結(jié)合起來的產(chǎn)品，不論是AI+社交，還是AI+OC，還是AI陪伴類助手。

在演講中，我提到了兩個這方面的優(yōu)質(zhì)方案，第一個切入點(diǎn)在于社交（引入其他用戶創(chuàng)造新的真內(nèi)容），第二個切入點(diǎn)在于與用戶相關(guān)的經(jīng)歷（用戶本身成為無限真內(nèi)容的提供者）。 第一種方案通過機(jī)制來關(guān)注「用戶故事」、用「內(nèi)容轉(zhuǎn)化協(xié)議」構(gòu)建體驗。 「內(nèi)容轉(zhuǎn)化協(xié)議」的具體內(nèi)容：

一切「情感陪伴」類AI產(chǎn)品的核心根本——讓虛擬世界不僅僅是封閉的幻想空間，而能與玩家的現(xiàn)實(shí)生活建立映射關(guān)系。 如果玩家能在虛擬世界中找到現(xiàn)實(shí)中的某種投射，并且該投射對應(yīng)的現(xiàn)實(shí)本體是玩家在乎的（例如情感關(guān)系、個人創(chuàng)造、社會身份），那么他們極有可能對虛擬內(nèi)容產(chǎn)生長期的沉迷與投入。 這也是為什么 OC（原創(chuàng)角色）文化 能夠自發(fā)興盛：玩家在虛擬角色中投射了真實(shí)的情感與自我表達(dá)。 同樣，虛擬世界的社交屬性也依賴于這種映射。 在這層協(xié)議中，AI 的角色極為關(guān)鍵。它需要具備生成穩(wěn)定且有效的“生活化符號” 的能力——即能將日常生活中的體驗、關(guān)系、情緒，轉(zhuǎn)譯為游戲化的事件與表達(dá)。 Re3 Lab，公眾號：錸三實(shí)驗室

第二種方案通過找到一個可以鏈接用戶現(xiàn)實(shí)生活內(nèi)容、構(gòu)建共同經(jīng)歷的方式創(chuàng)造無限體驗——這層無限屬性的前提是產(chǎn)品找的這個“用戶現(xiàn)實(shí)生活內(nèi)容”本身是無限的真內(nèi)容。

這是一個很有創(chuàng)意的產(chǎn)品，最重要的是其找到了上面所述的屬于它的一條構(gòu)造“無限真內(nèi)容”的路徑，即依附于游戲產(chǎn)品這個外部內(nèi)容。 逗逗的產(chǎn)品體驗和其他游戲產(chǎn)品有點(diǎn)像是“寄生關(guān)系”：它本身的產(chǎn)品機(jī)制其實(shí)是不支撐它創(chuàng)造真內(nèi)容的，而是結(jié)合玩家游玩別的游戲的體驗來利用AI的能力去加工相關(guān)信息，轉(zhuǎn)化（或試圖轉(zhuǎn)化）成消費(fèi)級體驗。 所以它其實(shí)是取巧地找到了一個口子來提供無限內(nèi)容，那就是另一個消費(fèi)級內(nèi)容賽道（游戲）；這樣一來，在逗逗構(gòu)建的產(chǎn)品模型里，就不需要考慮去怎么提供無限內(nèi)容了，要考慮的只是把外來的這個無限內(nèi)容結(jié)合AI和機(jī)制來加工轉(zhuǎn)化成自己的消費(fèi)級內(nèi)容（與用戶的相關(guān)經(jīng)歷），產(chǎn)品體驗就閉環(huán)了。 那么只要游戲這個賽道能源源不斷地提供新的內(nèi)容和體驗，逗逗游戲助手的理論生命周期就能無限延長。

AI游戲需要更多的Researcher

全文到這個部分已經(jīng)走到了大半——前面的內(nèi)容在論述 LGM 的定義和原理，后面的內(nèi)容將會講述 LGM 一些更宏大的敘事。

而這個中間部分，將會闡述我對現(xiàn)階段構(gòu)建 LGM 過程的現(xiàn)狀和理解。

當(dāng)有了一定清晰的理論時，接下來就要步入實(shí)踐環(huán)節(jié)了。

我認(rèn)為，AI 游戲的發(fā)展現(xiàn)在正處在和 Agent 崛起前夜一樣的節(jié)點(diǎn)。 就像Agent當(dāng)初的發(fā)展路徑一樣——沒有MCP，沒有標(biāo)準(zhǔn)化的 Memory API 與 Tool/Action Schema、沒有足夠穩(wěn)定的推理與執(zhí)行中間件，就不會有今天泉涌而出的各個領(lǐng)域的 Agent 應(yīng)用。

同理，如果沒有屬于 AI 游戲的基礎(chǔ)設(shè)施，我們也無法真正進(jìn)入 AI 原生游戲的時代。只有把這些底層能力跑通，AI 游戲才能從“Demo”邁向“生態(tài)”。

所以23年、24年出來的AI游戲方向的很多產(chǎn)品都胎死腹中：沒有通用的架構(gòu)級的infra層基礎(chǔ)，想要靠之前我們想當(dāng)然的AI能力一步到位做出現(xiàn)象級產(chǎn)品，屬實(shí)是要么步子邁太大，扯到蛋；要么就是做著做著發(fā)現(xiàn)，自己的游戲壓根就不需要AI的存在。因為我們發(fā)力的方向和順序都錯了。所以我們要好好重新沉下心來，從頭規(guī)劃一下。

這八個可能的infra方向是我在構(gòu)建《規(guī)則拼接實(shí)驗室》項目時逐步總結(jié)出來的，他們本身的名稱也足夠不言自明。當(dāng)然，可能的infra范式遠(yuǎn)遠(yuǎn)不止這些，我在這里主要想給大家提供一個sense，表達(dá)在我的愿景中，當(dāng)下值得發(fā)力的方向。

在這點(diǎn)上，像

Aivilization

WorldVac

這樣的項目反而值得尊重。

它們并沒有急于追求商業(yè)閉環(huán)或游戲目標(biāo)，而是從“AI在游戲領(lǐng)域能到達(dá)什么效果”出發(fā)，反向推導(dǎo)玩家體驗與系統(tǒng)邏輯。這個過程漫長、艱難、甚至看似“不務(wù)正業(yè)”，但它們代表了正確的路徑。

我判斷至少還需要兩年時間，AI游戲的Infra層才可能真正成型。而前提是我們能有越來越多的

Aivilization

WorldVac

越多團(tuán)隊選擇做基礎(chǔ)設(shè)施，行業(yè)的未來就越清晰。

因此我在此呼吁：

AI游戲生態(tài)的誕生，離不開更多從底層思考的Researcher。

而兩年之后會發(fā)生什么？

當(dāng)Infra穩(wěn)固之后，AI游戲的格局將出現(xiàn)兩極分化：

一類是垂直賽道型小體量產(chǎn)品——像肉鴿（Roguelite）那樣，小而美，形成新的風(fēng)格品類；

另一類是基于AI游戲通用協(xié)議的泛娛樂生態(tài)爆發(fā)——AI不再只是游戲的引擎，而成為跨媒體內(nèi)容平臺的通用接口。

最后，值得強(qiáng)調(diào)的一點(diǎn)是：AI游戲是一個值得長期主義投入的方向。

原因有二：
其一，基礎(chǔ)模型的迭代對產(chǎn)品端影響相對有限，只要牢牢把握模型原理并與玩法有機(jī)結(jié)合，產(chǎn)品生命周期可持續(xù)；
其二，游戲的商業(yè)化路徑極為務(wù)實(shí)——“好玩≈能賺錢”。
與互聯(lián)網(wǎng)應(yīng)用不同，游戲的收入邏輯更清晰，也更能讓團(tuán)隊在可控功耗下長期存活。

AI游戲會重塑供給關(guān)系

infra層爆發(fā)之后，有一個方向的生態(tài)增長必不可忽略：新的游戲生態(tài)的形成。

前兩天看了場，張鵬老師講的一點(diǎn)可能對于今天在座的很多前輩來說是老生常談了，但我還見識短淺，對我的啟發(fā)很大，我在這里稍微分享一下：

他說AI的作用絕不是降本增效，而是改變供給——供給關(guān)系一改變，自然就會有新的需求，解放生產(chǎn)力和新的需求的創(chuàng)造是相輔相成的，然后就會有平臺的誕生，自然而然。

抖音的出現(xiàn)讓攝像頭平權(quán)，改變了互聯(lián)網(wǎng)消費(fèi)內(nèi)容的生態(tài)格局；AI的出現(xiàn)，到現(xiàn)在各個巨頭在一直追求能夠做到類似事情的，可能都放在視頻生成，或者交互視頻生成上（Sora App）。

然后就是新的需求的誕生：在抖音之前，沒有人會想過我可以平時拍下日常發(fā)到網(wǎng)上，就像Sora出來之前也沒有人會想過我可以創(chuàng)作一堆有的沒的AI視頻傳播我的抽象想法。

那么發(fā)展 AI Gaming Infra 實(shí)際在做的另一件事兒就是游戲級別的體驗內(nèi)容的創(chuàng)作逐步平權(quán)。

待到infra層進(jìn)一步發(fā)展后，先是各路前端開發(fā)者受益，不需要再自己造輪子（當(dāng)然那個時候還有沒有前端開發(fā)者這個角色的存在要打個問號）；然后就是非技術(shù)背景的游戲設(shè)計師/產(chǎn)品經(jīng)理，比普通人多的技能其實(shí)就是抽象和邏輯能力；到最后就是隨便揪一個人出來就能進(jìn)行游戲創(chuàng)作，就像今天的拍抖音和玩Sora一樣。

但在這里我也想提出一個看起來反直覺的事情：

游戲級別的體驗內(nèi)容的創(chuàng)作平權(quán)的價值并不等于誰都能做游戲。

就像所有人都能說話、寫字，并不代表所有人都應(yīng)該去講脫口秀、寫小說。不知道大家能不能理解這個概念。

學(xué)會說話、寫字、用自然語言解構(gòu)這個世界的真正意義，在于說話、寫字、語言拓展世界邊界這些行為本身。

一百年前維特根斯坦說 Language is the World（語言即世界），我認(rèn)為放到如今早已不準(zhǔn)確了；如今解構(gòu)世界的信息載體形式要更高維、更抽象。到今天我是不是可以說攝像頭即世界、互聯(lián)網(wǎng)即世界、社交媒體即世界？

如果是這樣的話，我希望有一天我也可以說，

游戲即世界。

「游戲即世界」

所以AI游戲的終極目標(biāo)是“游戲即世界”：我們要用游戲的力量賦能AI，和一切能夠顛覆生產(chǎn)關(guān)系的技術(shù)革命。

一個月前，OpenAI 發(fā)布了一份萬字報告。在這份報告里，人們發(fā)現(xiàn)當(dāng)下使用 ChatGPT 的人早已不是在工作、生產(chǎn)，而是與AI一同“生活”。

游戲化體驗，或者說通人性的體驗，在這個環(huán)節(jié)很重要。

吳恩達(dá)是Agent這個詞的構(gòu)造者；同時，他也提出過一個光譜，Agent光譜。其坐標(biāo)為AI Agent的“自治”能力。

其實(shí)我很早也提出過一個光譜概念，叫AI游戲化光譜，坐標(biāo)為

Level of

Optimal Experience

（ 心流體驗感） 。

我認(rèn)為這個光譜其實(shí)可以和Agent光譜相結(jié)合。

如果大家還記得前面的顆粒度坐標(biāo)系，會發(fā)現(xiàn)顆粒度越小，AI越發(fā)地涌現(xiàn)，這是不是就和自治的概念很接近？

顆粒度越小，游戲內(nèi)的Agent能力邊界越大，那就越智能，學(xué)習(xí)能力越強(qiáng)——游戲體驗還會更好？

所以或許這才是真正的，生產(chǎn)與娛樂相結(jié)合——魚和熊掌可以兼得了。

Agent的方向是讓人單位做工能量越來越強(qiáng)，做的事情維度越來越高、價值密度越來越大。

游戲的方向是讓人和科技的鏈接體驗越來越自然，我們這個社會的精神狀態(tài)越來越美好。

這也是科技的本質(zhì)意義。

對于構(gòu)建這個方向的游戲化體驗，我持有兩個基礎(chǔ)belief：

1. 游戲是最通人性的體驗。

2. 一切人類通過人機(jī)交互形式可以做到的事情，大模型理論上也一定可以做到。

上一波的元宇宙沒能實(shí)現(xiàn)，最后成為泡沫，因為大家只圍繞第一點(diǎn)做文章；第二點(diǎn)受限于技術(shù)和算力，導(dǎo)致實(shí)際上既不能提高產(chǎn)能，解放生產(chǎn)力，反而還造成了很多障礙。

最后的邏輯實(shí)際上違背了第一性原理，所以泡沫破滅。

同時還被 Roblox 和 Facebook 帶偏了。

而「游戲即世界」理論的重點(diǎn)是：我們要用游戲的力量賦能AI，和一切能夠顛覆生產(chǎn)關(guān)系的技術(shù)革命。

人類的思維和需求反饋循環(huán)

在以上的循環(huán)中，每一個環(huán)節(jié)都值得每個年代的創(chuàng)業(yè)者結(jié)合當(dāng)下最新的技術(shù)來定義新的范式，不斷創(chuàng)造價值。

游戲+AI可以在創(chuàng)造context、結(jié)合context、獲取context層做文章。

我們在當(dāng)代互聯(lián)網(wǎng)去認(rèn)識、了解一個人，要比前互聯(lián)網(wǎng)時期簡單高效數(shù)百倍，但context的總量理應(yīng)是不變甚至更多的，因為我們現(xiàn)在有超高維度的交互形式和信息密度媒介。

而游戲化AI產(chǎn)品可以無限持續(xù)加速這個進(jìn)化路線——這個事情（更高維度的交互形式和信息密度）我認(rèn)為對于人類的需求而言是沒有天花板的。

而這就是我前面講的，基于AI游戲通用協(xié)議構(gòu)建的泛娛樂領(lǐng)域的超級爆發(fā)。只要我這一套理論的所有我定義的前置條件說得通，那么這一定會是一個千億美元市場。

AI游戲的終局是AGI

當(dāng)AI能在游戲中自我學(xué)習(xí)規(guī)則、構(gòu)建世界模型，它其實(shí)就在重復(fù)科學(xué)的誕生過程——觀察、歸納、假設(shè)、驗證。從 AlphaFold 到 SimpleFold，從能量景觀到世界模型，我們看到科學(xué)本身也可以被“游戲化”。AI游戲的終局，也許不是娛樂，而是科學(xué)。

在“錸三實(shí)驗室”之前的文章中，我提到了蛋白質(zhì)折疊問題對構(gòu)建AI游戲世界的啟示：

蛋白質(zhì)的三維結(jié)構(gòu)極其復(fù)雜，理論上存在數(shù)量天文級的可能折疊狀態(tài)，但自然界的蛋白質(zhì)卻總能快速收斂到穩(wěn)定構(gòu)象。這意味著其背后存在某種能量景觀（energy landscape）：不同構(gòu)象對應(yīng)不同能量水平，而最終折疊會趨向能量最低的狀態(tài)。 DeepMind 的 AlphaFold 正是利用機(jī)器學(xué)習(xí)的方法，發(fā)現(xiàn)并利用了這一隱含規(guī)律。它并不直接窮舉所有可能，而是通過對能量景觀這一可壓縮結(jié)構(gòu)的建模，實(shí)現(xiàn)了對蛋白質(zhì)折疊路徑與最終結(jié)果的預(yù)測。這是一個從 高維復(fù)雜現(xiàn)象 → 低維可學(xué)習(xí)模型 的過程。

LS 類（Learnable System 類） 可以被理解為這一思想在更廣泛復(fù)雜系統(tǒng)中的延展： ●它指的是一類系統(tǒng)景觀（system landscape），其內(nèi)部存在“可壓縮、可模擬、可學(xué)習(xí)”的結(jié)構(gòu)。 ●部分現(xiàn)象低熵、容易建模；部分現(xiàn)象高熵、難以預(yù)測，成為謎題。 ●這樣的系統(tǒng)既保證了復(fù)雜性，又保留了足夠的規(guī)律性，使得 AI 可以在其中學(xué)習(xí)和演化。 Re3 Lab，公眾號：錸三實(shí)驗室

而蘋果在大概三周前發(fā)了一篇新的論文：SimpleFold。

SimpleFold 告訴我們：折疊不必靠繁復(fù)物理規(guī)則，而可視為生成任務(wù)——從噪聲中“演化”出結(jié)構(gòu)，弱偏置強(qiáng)學(xué)習(xí)，用數(shù)據(jù)和模型自己去發(fā)現(xiàn)規(guī)律。AI游戲亦然，可讓智能在規(guī)則中“演化”出世界。反過來，AI游戲的交互數(shù)據(jù)，也能反哺模型理解真實(shí)世界的折疊與規(guī)律。

而有一條被業(yè)內(nèi)不少專家認(rèn)為是可能的通往AGI的路徑：神經(jīng)-符號 AI，結(jié)合神經(jīng)網(wǎng)絡(luò)的感知與符號系統(tǒng)的邏輯推理，既能從數(shù)據(jù)中學(xué)習(xí)，又能做因果與規(guī)則推理，被視為通往 AGI 的可能路徑。它彌補(bǔ)了深度學(xué)習(xí)的可解釋性與泛化不足，也突破符號主義擴(kuò)展困難，在感知-推理-規(guī)劃一體化上展現(xiàn)潛力。

神經(jīng)-符號AI啟發(fā)AI游戲： 游戲可作為“神經(jīng)部分”的感知空間（視覺、行動、語言），而符號層定義可解釋的游戲規(guī)則、任務(wù)邏輯、劇情因果，讓AI在玩中學(xué)會“語義推理”；

AI游戲反哺神經(jīng)-符號AI： 通過可控、具因果結(jié)構(gòu)的虛擬世界，為神經(jīng)-符號系統(tǒng)提供最理想的推理與學(xué)習(xí)實(shí)驗場。AI游戲生成的交互日志、事件鏈、因果圖譜，本身就是訓(xùn)練神經(jīng)-符號模型的“現(xiàn)實(shí)-微縮版”數(shù)據(jù)集。

游戲變成了神經(jīng)-符號AI的動態(tài)實(shí)驗室。

不過，我不是一個正兒八經(jīng)的研究員，理論知識儲備也十分薄弱，所以目前這一部分的內(nèi)容我還沒有能力給大家詳細(xì)論述，只是很想分享我在探索AI游戲的過程中，所窺探到的一絲能夠走得更遠(yuǎn)的路徑。

我想在這里把我看到的值得探究的內(nèi)容搬出來，如果能給大家提供參考便達(dá)到了我的目的！

在演講的最后，我想談一個有意思的觀察。

前幾天和朋友談起一篇分析《模擬人生》和

inZOI

的文章（原文找不到了），大意是說，inZOI有著更好的畫面和視聽效果的條件下，《模擬人生》的體驗其實(shí)要比前者更沉浸。

作者的觀點(diǎn)是，人們在虛擬世界里的情緒更傾向于被偏卡通而非寫實(shí)的畫面所打動。

我認(rèn)為這和恐怖谷效應(yīng)有相似之處：就 像我們觀看 A I 視頻那樣，人們會糾結(jié)每一個畫面上的瑕疵，而打破視頻內(nèi)容本身試圖構(gòu)建的心流。由規(guī)則和機(jī)制構(gòu)建的環(huán)境里，這 種對畫面內(nèi)容的 concer n 本身就不成立——我們的大腦帶寬被更通人性的體驗提前占用了，心流體驗自然就能構(gòu)成。

還有一個想分享的故事是王堅博士之前分享過的：

AlexNet 是 Hinton 他們?nèi)齻€人，用相當(dāng)于中關(guān)村隨便拆下來兩塊GPU的算力給搞出來的。

通過這兩個故事，我都想說一件事兒：算力永遠(yuǎn)不是問題，創(chuàng)造力才是。

所以，訴諸力大飛磚的端到端AI生成，或許并不是最后通往AGI的合理途徑。我堅信人類會最終找到一個算力與規(guī)則的結(jié)合，找到這個平衡點(diǎn)，才能最大程度迸發(fā)AI能力和人類想象力，共同塑造新生態(tài)。

而這條路我還是傾向于依靠AI結(jié)合游戲是能夠走通的，至少會有所貢獻(xiàn)。不僅僅是因為我是做游戲的（笑），更多還是我的個人理解和我的科技觀帶給我的人文信仰。

謝謝大家！