导语
生成一款能运行的游戏,不等于设计出一款让人想反复玩的游戏。尤其当目标是让玩家从生疏走向熟练,设计者通常要观察大量游玩过程,再反复调整难度、规则与反馈。PlayCraft 关注的正是这段费时的调试工作:它让 AI 智能体先玩游戏,再把游玩经验交给另一个智能体,用于改造游戏。
核心思路:先玩,再改
PlayCraft 在两个阶段之间循环。游玩阶段的视觉玩家智能体通过观察屏幕、使用游戏控制来完成目标,并在多轮体验中保留记忆。每局结束后,它会整理进度、结果、采取的决策以及反思,而不只是提供一个胜负标签。
改造阶段的设计智能体读取这些报告,估计玩家当前能力,并预测不同熟练程度下可能达到的表现。随后,它把预测结果与预先设定的成长进程相比较,诊断游戏是否提供了合适的练习机会,再据此调整设计。论文强调,改动的方向是让玩家有机会通过更好的判断与操作提升,而非单纯提高难度或追求一次通关。
这一设计把“玩家体验”转化成了可供智能体利用的反馈信号:
- 观察过程而非只看结果: 决策与反思可帮助定位玩家卡住的环节。
- 围绕能力成长改游戏: 设计者估计不同熟练度下的表现,并寻找它与目标进程间的落差。
- 用新一轮游玩检验: 研究在独立的新运行中评估改造后的游戏,降低只依据设计过程本身得出结论的风险。
研究结果与意义
研究使用三种智能体能力设置进行评估,并考察学习增益与学习斜率。摘要报告称,与初始游戏相比,PlayCraft 在多数游戏中带来更大的学习增益和更陡的学习斜率;在两项指标的宏平均上,它在每种能力设置下也超过基线方法。这些结果说明,自动化设计不必止步于“做出能玩的内容”,还可以尝试优化玩家从练习到掌握的过程。
不过,现有材料没有给出游戏数量、具体改动案例或指标的详细定义,因此不能据此判断方法在不同类型游戏中的普适性,也不能直接推断真人玩家会获得同样体验。它更像是一个值得进一步检验的设计闭环:智能体提供可追踪的游玩反馈,另一个智能体据此改游戏,再通过新的游玩表现评估效果。若后续能与真人体验及设计师判断相互验证,这类方法或可成为游戏原型调试的辅助工具。
评论
正在确认登录状态……
正在加载评论……