1️⃣ LLM：根據大模型語義理解特點在遊戲機制方面做創新
LLM在遊戲方面最普遍的應用方向是讓NPC更自然地與玩家對話。例如，《逆水寒》通過訓練不同性格的大模型，使得NPC與玩家的交互更具沉浸感。
還有一類遊戲，例如《病嬌貓娘》和《我被LLM包圍了》，則主要圍繞LLM在語義理解方面的特點設計關卡。我們知道，LLM是通過Embedding來理解語義的。簡單來說，Embedding是將詞語轉換為空間向量的技術，語義相似的詞語在向量空間中會更接近。Embedding根據輸入詞語的空間關系來預測下一個詞語。
由於是基於預測，LLM可能會出錯。這兩款遊戲利用這一特點設計了核心玩法。玩家需要「騙」大模型，誘導大模型說出某個關鍵詞，以達到關卡目標。比如《病嬌貓娘》里， 玩家要想辦法在女友那邊拿到鑰匙，同事不引起女友的懷疑。《我被LLM包圍了》則是需要玩家精心構思問題，讓大模型說出特定形式的回答。
2️⃣ AI Agent：增強遊戲的涌現式體驗
在AI Agent應用方面，《斯坦福小鎮》是最具代表性的例子。一個公式可以解決大部分關於Agent的疑問：
從以上公式，我們可以看出AI Agent有兩大突出的特點：
1. 記憶功能：比起LLM，Agent能夠讓NPC實現「記憶」功能，能將過去的對話、事件以空間向量或其他形式儲存。例如，《斯坦福小鎮》里幾個NPC聚在一起對話，突然決定明天一起在咖啡館開派對，NPC記住了這個事件。第二天NPC仍然記得這個消息，並將消息告訴了其他人。
2. 反思和決策能力：Agent可以一步步地、按照事情的不同優先級做計劃，並決定使用哪個技能或工具。它們根據以往的經驗、記憶和環境反饋來優化決策。例如，NPC在談話中偶然提到了開派對，計劃在明天舉行。大部分NPC赴約了，而某些NPC有更重要的計劃，例如開畫展，於是拒絕了。
到此為止，我們或許覺得，AI Agent的應用或許讓遊戲看起來更加涌現式了。「涌現式」是最近遊戲行業常提及的詞語之一，可以理解為遊戲的「自由度」或「不可預測性」。在《斯坦福小鎮》中，NPC偶然觸發的開派對的計劃，就是非常涌現式的現象。
對AI Agent的反思：「涌現式」設計的真正核心在於遊戲機制和行為模式的相互作用，而不僅僅依賴於Agent的「記憶」和「決策」
盡管《斯坦福小鎮》是想創造一個Sim-like的遊戲，我仍然不認為它實現了和《模擬人生》同等的自由度和涌現程度。即使在沒有Agent的時代，傳統遊戲通過復雜的機制設計也能實現「涌現式」效果，例如《矮人要塞》和《模擬人生》。在《矮人要塞》中，每個矮人都有獨特的個性、愛好和情緒，這些屬性的相互作用產生了復雜的社會關系。例如，如果玩家將一個區域規劃為神殿，矮人會去那里禱告；矮人甚至可以自己造陷阱，陷阱成功困住敵人後，造陷阱的矮人還會被同伴表揚。這些復雜的行為模式設計讓矮人的社會高度動態、不可預測。
我認為「涌現式」的核心不只是「記憶」或「決策」，而是讓遊戲機制與行為模式產生相互作用，使得遊戲產生不可預測的結果，從而充滿驚喜和挑戰。光有Agent的應用並不會讓遊戲的自由度產生質的變化，最核心的仍然是設計行為模式。NPC觸發偶然派對事件並且赴約，顯然是不夠的。從玩家的角度來說，這款遊戲的涌現式體驗也就體現在NPC的隨機聊天內容上了。（在這里我呼籲一下Agent的開發者能多和遊戲設計師合作。）
同樣是開派對，《模擬人生》中NPC的行為模式要復雜的多。在派對上不同NPC會根據他們的性格特徵和關系網絡表現出不同的舉動。有些NPC是社牛，而另一些社恐則會選擇安靜地獨處。這讓遊戲的涌現不止於文本內容的隨機，而是能讓NPC的行為產生連鎖反應，大大豐富了遊戲的體驗。
其次，Agent的開發成本較高，與其花大價錢開發一個Agent，我認為不如琢磨如何優化遊戲機制和循環來的實際和有效。
總結
綜上所述，我個人認為LLM在傳統遊戲行業的應用很有潛力，不光能讓NPC與玩家產生更自然的對話，還能在遊戲機制上帶來創新，成本也較Agent的開發更低。而Agent的開發還道阻且長，需要更多在遊戲機制上的探索和改進。（再次呼籲一下Agent的開發者能多和遊戲設計師合作。）
來源：機核
