05｜遊戲解構經濟學：成本、難度、資訊增益與研究深度

The Economics of Game Deconstruction: Cost, Difficulty, Information Gain, and Research Depth

系列：《可執行資料與深層解構學習》
篇次： 05 / 10
作者： Neo.K with Aletheia
機構： EveMissLab／一言諾科技有限公司
版本： v0.1 Research Draft
日期： 2026-08-16
文件性質： 遊戲智能考古／研究投資／Cost-aware Acquisition／資訊增益／多保真研究
範圍聲明： 本文處理合法取得與正常研究條件下的遊戲解構資源配置問題。遊戲價格只是研究成本的一部分，不以短期退款、暫時存取或破壞性取得方式作為研究經濟模型基礎。

摘要

當遊戲解構由少數興趣案例擴展為數百、數千款遊戲與版本的系統性研究後，真正的瓶頸不再是「有哪些遊戲值得看」，而是如何在有限預算、時間、算力、人力與驗證能力下，選擇最值得研究的遊戲、子系統與研究深度。

本文提出「遊戲解構經濟學」（Economics of Game Deconstruction, EGD）框架。其核心主張是：

\boxed{ \text{Game Purchase Cost} \ll \text{Total Research Cost} }

在大量案例中，一款遊戲的售價只是最容易觀察的成本，而真正支配研究資源的是：安裝與版本治理、關鍵行為觸發時間、黑箱程度、資料可觀測性、可重現性、工具建置、AI 研究算力、人類覆核、獨立重建與驗證成本。

本文將單一遊戲 $g$ 在時間 $t$ 的總研究成本表示為：

\boxed{ C_{\mathrm{total}}(g,t) = C_A + C_S + C_O + C_X + C_C + C_H + C_V + C_M }

其中依序表示 acquisition、setup、observation、extraction、compute、human review、verification 與 maintenance。

本文進一步提出「解構難度」不是遊戲系統複雜度的單一函數，而至少由複雜度、不可見性、狀態可取得性、重現性、版本熵、關鍵行為等待時間與工具摩擦共同構成：

\boxed{ D(g) = f( X, O, A, R, V, T, F ). }

更重要的是，遊戲的研究價值不是固定常數，而是相對於當前知識庫 $K_t$ 的動態邊際資訊增益：

\boxed{ \Delta I(g\mid K_t). }

當研究庫尚無 RTS 樣本時，一款代表性 RTS 的價值可能極高；當已有數十款高度相似的 RTS 被深度解構後，下一款同質作品的邊際資訊增益可能接近零。故研究優先級應取決於「相對現有知識空間，這款遊戲還能補什麼」。

本文將遊戲研究分為五級深度：

L_0 \rightarrow L_1 \rightarrow L_2 \rightarrow L_3 \rightarrow L_4,

從 inventory、behavioral survey、mechanism study、independent reconstruction 到 validated cross-case integration。並提出多保真研究思想：不需要對每款遊戲都投入最高研究成本；大量遊戲可停留於低成本層，只有高資訊增益候選才逐步升級。

最終，本研究提出一個動態研究優先函數：

\boxed{ P(g,d\mid K_t,B_t) = \frac{ \Delta I(g,d\mid K_t) \cdot S(g,t) \cdot G(g,d) }{ \epsilon+ C(g,d) } }

其中 $d$ 為研究深度， $S$ 為與當前專案的協同價值， $G$ 為泛化與重建收益， $C$ 為該深度的總成本， $B_t$ 為當前研究預算。

本文最後將遊戲解構從「遊戲收藏」改寫為：

\boxed{ \text{Budget} \rightarrow \text{Research Portfolio} \rightarrow \text{Depth Allocation} \rightarrow \text{Information Gain} \rightarrow \text{Reusable Intelligence}. }

這為後續大規模遊戲智能資料庫、AI 研究艦隊與自動研究排程奠定資源配置基礎。

關鍵詞： 遊戲解構、研究成本、資訊增益、Active Learning、Multi-Fidelity、Research Portfolio、Game AI Archaeology、Budget Allocation、研究深度

1. 問題：當遊戲從 5 款變成 500 款

少量研究時，我們可以使用直覺：

這款有趣，研究。

那款 AI 很有名，研究。

這款正好對自己的遊戲開發有用，先研究。

這在：

N_{\mathrm{game}}\approx5

時完全足夠。

但當目標變成：

N_{\mathrm{game}} \geq 500,

甚至：

N_{\mathrm{unit}} \gg N_{\mathrm{game}},

其中研究單位還包含：

version；
platform；
subsystem；
AI feature；
behavior family；

則直覺式選擇開始失效。

此時真正問題變成：

\boxed{ \text{Given finite resources, what should be studied next?} }

2. 第一個錯覺：遊戲售價就是研究成本

最容易觀察的成本是：

C_A = \text{Acquisition Cost}.

例如：

購買遊戲；
DLC；
expansion；
subscription；
platform hardware；
legacy copy。

因此人容易以為：

C_{\mathrm{research}} \approx C_A.

但對系統性解構而言通常不是如此。

3. 一款便宜遊戲可能非常昂貴

假設：

C_A(g_1)=\$5.

但它：

沒有 Wiki；
沒有 MOD；
沒有 debug console；
沒有 replay；
關鍵 AI 行為要玩 30 小時才出現；
存檔不可讀；
不同版本行為不同；
沒有公開開發者資訊；
需要大量黑箱測試。

則：

C_{\mathrm{total}}(g_1) \gg C_A(g_1).

相反，一款：

C_A(g_2)=\$60

的遊戲，如果：

有完整公開 API；
有 debug tools；
有 replay；
有 modding docs；
有公開開發演講；
有可控 sandbox；
關鍵 AI 可快速重現；

則：

C_{\mathrm{knowledge}}(g_2) < C_{\mathrm{knowledge}}(g_1)

完全可能成立。

4. 總研究成本模型

本文將：

\boxed{ C_{\mathrm{total}}(g,d) }

定義為遊戲 $g$ 在研究深度 $d$ 下的總成本。

初步拆為：

\boxed{ C_{\mathrm{total}} = C_A + C_S + C_O + C_X + C_C + C_H + C_V + C_M. }

5. Acquisition Cost

C_A

包含：

遊戲；
expansion；
必要 DLC；
平台版本；
hardware；
subscription；
archival copy。

但並非所有 DLC 都值得購買。

研究應問：

DLC 是否改變目標 AI subsystem？

若：

\Delta AI_{\mathrm{DLC}}\approx0,

則：

C_A(\mathrm{DLC})

可能沒有研究必要。

6. Setup Cost

C_S

包括：

安裝；
compatibility；
控制器；
emulator；
resolution；
save preparation；
debug environment；
instrumentation；
capture setup；
mod manager；
版本鎖定。

舊遊戲的：

C_S

有時甚至高於購買成本數十倍。

7. Observation Cost

C_O

是取得行為證據所需成本。

例如：

實際遊玩；
等待 NPC 行為；
刷 boss phase；
建立 colony；
發展到 late game；
觸發外交；
讓 AI 進入特殊狀態；
執行多場戰鬥。

若關鍵現象需要：

T_{\mathrm{trigger}}=40\text{ h},

則這本身就是重大成本。

8. Extraction Cost

C_X

表示把觀察轉成結構化研究資料的成本。

包括：

transcript；
state logging；
save diff；
video segmentation；
event annotation；
API extraction；
code indexing；
relation graph；
feature table；
evidence classification。

「看到」不等於「已經解構」。

9. Compute Cost

C_C

在多 AI 時代開始重要。

可能包括：

frontier-model token；
local inference；
VLM analysis；
code agent；
simulation；
automated gameplay；
repeated experiments；
embedding；
graph construction。

當：

N_{\mathrm{game}}\uparrow,

此項會成為可累積成本。

10. Human Review Cost

C_H

即使 AI 能大量解構，仍存在：

ambiguous behavior；
false causal inference；
wrong version mapping；
hallucinated mechanic；
mistaken terminology；
legal/source classification；
design interpretation。

因此需要：

\boxed{ \text{AI Research} + \text{Human Governance}. }

11. Verification Cost

C_V

通常是最容易被低估的部分之一。

它包括：

重跑；
反例；
A/B test；
state reset；
seed control；
replay；
independent reconstruction；
benchmark；
second-model audit；
cross-version check。

一個漂亮解釋的成本很低。

一個可驗證結論的成本可能高很多。

12. Maintenance Cost

C_M

遊戲不是靜態研究物。

存在：

patch；
remaster；
remake；
server update；
mod update；
engine update；
DLC；
AI balance patch。

因此：

K_t(g)

可能隨時間失效。

真正研究庫必須支付：

\boxed{ \text{Knowledge Maintenance Cost}. }

13. 解構成本不等於遊戲複雜度

一個非常複雜的遊戲：

X\gg0

如果有極佳 instrumentation，仍可能容易研究。

一個非常簡單的遊戲：

X\approx0.2

如果完全黑箱，仍可能難以驗證。

因此：

\boxed{ D(g) \neq X(g). }

14. 解構難度七維模型

本文提出：

\boxed{ D(g) = f( X, O, A, R, V, T, F ). }

其中：

$X$ ：system complexity；
$O$ ：opacity；
$A$ ：state accessibility；
$R$ ：reproducibility difficulty；
$V$ ：version entropy；
$T$ ：time-to-trigger；
$F$ ：tooling friction。

15. Complexity

X

包含：

subsystem 數；
狀態量；
interaction density；
hierarchy；
concurrency；
rule count；
hidden coupling。

但：

X

不是唯一難度。

16. Opacity

O

表示：

我們看不到多少東西？

例如：

hidden state；
server-side logic；
undocumented rule；
proprietary data；
inaccessible logs。

若：

O\uparrow,

需要更多黑箱推論。

17. State Accessibility

A

表示能否取得：

save；
debug；
console；
log；
API；
telemetry；
mod hooks；
replay state。

注意：

A\uparrow

通常意味：

D\downarrow.

因此在實作時可以使用：

D_A = 1-A.

18. Reproducibility

同樣輸入是否能重現近似結果？

若：

RNG 強；
background simulation 複雜；
server population 改變；
procedural generation 未鎖 seed；

則：

R_{\mathrm{difficulty}}\uparrow.

沒有重現能力，因果判定成本急升。

19. Version Entropy

定義：

V_E(g)

為遊戲版本造成的研究不確定性。

例如：

Original
Patch 1.1
Expansion
Console Port
Remaster
Definitive Edition

若各版 AI 不同：

AI_{v_1} \neq AI_{v_2},

則「這款遊戲使用什麼 AI」本身就是錯誤問題。

應問：

\boxed{ AI(g,v,p) }

其中：

$v$ ：version；
$p$ ：platform。

20. Time-to-Trigger

某 AI 行為可能：

30 秒出現；
3 小時出現；
30 小時出現；
只在 late game 出現。

定義：

T_{\mathrm{trigger}}(m)

為觀察機制 $m$ 的預期等待成本。

這是遊戲研究非常特殊的一個成本維度。

21. Tooling Friction

F

包括：

file format；
scripting language；
obfuscated data；
no export；
platform isolation；
capture difficulty；
inaccessible version；
automation instability。

高 tooling friction 會使大量 AI 時間浪費在：

取得資料。

而不是：

理解資料。

22. 解構難度與研究深度耦合

同一款遊戲：

D(g,L_0) \ll D(g,L_4).

因此不能只給每款遊戲一個固定 difficulty。

更完整應寫：

\boxed{ D(g,d). }

23. 研究效益也不是單一值

假設研究收益：

B(g).

本文至少拆成：

\boxed{ B = B_D + B_I + B_G + B_N + B_R + B_C + B_H. }

其中：

$B_D$ ：Direct development benefit；
$B_I$ ：information gain；
$B_G$ ：generalization benefit；
$B_N$ ：novelty；
$B_R$ ：reconstruction value；
$B_C$ ：coverage contribution；
$B_H$ ：historical / comparative value。

24. Direct Development Benefit

B_D

回答：

這個研究能否直接改善我們現在要做的遊戲？

例如正在建立：

NPC autonomy；
persistent world；
colony simulation；
macro politics；
auto battle；

則相對應遊戲：

B_D\uparrow.

這是當前階段最應被提高權重的收益。

25. Information Gain

令當前遊戲智能知識庫為：

K_t.

研究遊戲 $g$ 後得到：

K_{t+1}.

則：

\boxed{ \Delta I(g\mid K_t) = I(K_{t+1})-I(K_t). }

這裡 $I$ 不必一開始就是嚴格 Shannon information。

可以是結構化研究指標：

新 mechanism；
新 relation；
新 failure mode；
新 composition；
新 architecture family；
新 version transition；
新 counterexample。

26. 邊際資訊價值是動態的

假設：

K_0

沒有 RTS AI。

第一款代表 RTS：

g_1

可能有：

\Delta I(g_1\mid K_0)\gg0.

研究：

g_1,\ldots,g_{30}

之後，若：

g_{31}

與已有樣本高度重複：

\Delta I(g_{31}\mid K_{30})\approx0.

因此：

\boxed{ B(g) \neq \text{constant}. }

27. 這與 Active Learning 的思想一致

Active Learning 的基本問題是：

在資料取得有成本時，下一筆應該取得哪個樣本？

Cost-aware active learning 更進一步加入：

\boxed{ \text{Information Benefit} / \text{Acquisition Cost}. }

遊戲解構可以視為類似問題。

不同的是 query 不再只是：

要不要標這個 sample？

而是：

要不要買、安裝、研究、驗證這個遊戲的某個 subsystem 到某個深度？

28. Cost-aware Research Acquisition

定義候選研究單元：

u=(g,v,p,m,d),

其中：

$g$ ：game；
$v$ ：version；
$p$ ：platform；
$m$ ：mechanism / subsystem；
$d$ ：depth。

每個單元具有：

C(u)

與：

\Delta I(u\mid K_t).

最簡研究策略是：

\boxed{ u^\* = \arg\max_u \frac{ \Delta I(u\mid K_t) }{ C(u) }. }

29. 但只看資訊增益仍然不夠

如果我們現在正在做遊戲產品：

P_{\mathrm{current}},

則一個資訊上很新、但與目前產品無關的遊戲，未必最優先。

因此加入：

S(u,t) = \text{Strategic Relevance}.

得到：

\boxed{ u^\* = \arg\max_u \frac{ \Delta I(u\mid K_t) \cdot S(u,t) }{ C(u) }. }

30. 泛化收益

有些機制只對一款遊戲有用。

另一些可以跨：

genre；
engine；
platform；
年代。

定義：

G(u) = \text{Generalization Potential}.

若研究結果可以轉為：

通用 scheduler；
通用 priority arbitration；
通用 world-state pattern；
通用 companion AI；

則：

G\uparrow.

31. 初步研究優先函數

因此本文提出：

\boxed{ P(u\mid K_t) = \frac{ \Delta I(u\mid K_t) \cdot S(u,t) \cdot G(u) \cdot V_R(u) }{ \epsilon+C(u) }. }

其中：

V_R

為 validation / reconstruction potential。

如果某機制根本無法驗證，研究價值需要折扣。

32. 不要迷信這個公式

此公式不是自然定律。

其用途是：

\boxed{ \text{Make trade-offs explicit}. }

權重可以隨階段改變。

例如產品開發期：

w_D\gg w_H.

歷史資料庫建設期：

w_C,w_H\uparrow.

前沿創新期：

w_N,w_G\uparrow.

33. 研究深度必須分層

最大節省成本的方法不是：

少研究幾款。

而是：

不要每款都研究到最深。

本文定義：

\boxed{ L_0 \rightarrow L_1 \rightarrow L_2 \rightarrow L_3 \rightarrow L_4. }

34. $L_0$ — Inventory

目標：

先知道它可能有什麼。

記錄：

title；
version；
genre；
platform；
AI reputation；
known subsystem；
public docs；
mod availability；
rough research cost。

成本最低。

35. $L_1$ — Behavioral Survey

研究：

gameplay；
video；
manual；
Wiki；
obvious behavior；
basic experiments。

輸出：

\boxed{ \text{Observable AI Map}. }

不急著判斷內部機制。

36. $L_2$ — Mechanism Study

開始使用：

controlled experiments；
save diff；
debug；
mod API；
version comparison；
public code；
telemetry；
repeat trials。

輸出：

mechanism candidates；
state schema；
functional typing；
evidence confidence。

37. $L_3$ — Independent Reconstruction

根據：

E_g

建立：

\hat M_g.

要求：

自己寫；
不依賴原始專有程式；
能重現核心 behavior；
有 tests。

此時成本大幅提升。

38. $L_4$ — Validated Cross-Case Integration

最深層研究。

除了：

\hat M_g

能工作，

還要求：

反例；
cross-game comparison；
benchmark；
alternative hypothesis；
architecture family placement；
failure region；
generalization test。

最後才能進：

\boxed{ \text{Validated Algorithm Library}. }

39. Multi-Fidelity Research

這與 multi-fidelity experimental design 很相似。

不同 fidelity：

f_0<f_1<\cdots<f_4

具有不同：

成本；
精度；
可觀測性；
誤差。

低 fidelity：

L_0,L_1

可以大規模掃描。

高 fidelity：

L_3,L_4

只分配給高價值候選。

40. 研究漏斗

例如：

1000

款遊戲進：

L_0.

其中：

300

進：

L_1.

再：

100

進：

L_2.

再：

30

進：

L_3.

最後：

10

進：

L_4.

這不是固定比例。

而是：

\boxed{ \text{Adaptive Research Funnel}. }

41. 升級條件

遊戲 $g$ 從：

L_d

升至：

L_{d+1}

應滿足：

\boxed{ \mathbb E[ \Delta I_{d+1} ] > \lambda C_{d+1}. }

即下一層的預期資訊收益大於成本門檻。

42. Stop Rule

同樣重要的是：

什麼時候停止？

若：

\mathbb E[ \Delta I(g,L_{d+1}\mid K_t) ] < \tau,

則：

\boxed{ \operatorname{Stop}(g,d). }

「沒研究到底」不是失敗。

可能是理性資源配置。

43. 低價遊戲不應自動優先

最簡單策略：

\min C_A(g)

會造成：

大量低價；
大量重複；
大量低資訊樣本。

所以：

\boxed{ \text{Cheap} \neq \text{Cost-effective}. }

44. 名作也不應自動優先

另一個偏差：

\text{Famous} \Rightarrow \text{Research}.

但名作可能：

已被研究非常多；
公開資訊已飽和；
與當前缺口無關。

因此：

\boxed{ \text{Fame} \neq \Delta I. }

45. 冷門遊戲的探索價值

反過來，冷門遊戲可能包含：

未整理 mechanic；
特殊 AI；
被遺忘的 design pattern；
歷史分支；
失敗但有價值的實驗。

因此可保留：

\epsilon_{\mathrm{explore}}>0

的 exploration budget。

避免研究策略完全 exploit 已知名作。

46. Exploration–Exploitation

研究 portfolio 可以分：

B_t = B_{\mathrm{exploit}} + B_{\mathrm{explore}}.

其中：

Exploit

研究：

直接有用；
高成功率；
高泛化；
高已有證據。

Explore

研究：

冷門；
未知；
高不確定性；
潛在新機制。

這與 bandit / active learning 思想一致。

47. 遊戲群覆蓋

若資料庫目前：

RTS：90 款；
JRPG：3 款；
life sim：1 款；

則下一個 RTS 的：

B_C

可能低。

JRPG／life sim：

B_C

可能高。

因此需要：

\boxed{ \text{Coverage Deficit}. }

48. Coverage Deficit

令目標域為：

\Omega.

對類別：

c,

定義：

\delta_c = TargetCoverage_c - CurrentCoverage_c.

則研究效益可以加入：

B_C(g) \propto \delta_{class(g)}.

49. 版本研究也是投資問題

是否研究：

v_2

取決於：

\Delta I(v_2\mid v_1).

如果 remaster 只改畫面：

\Delta I_{\mathrm{AI}}\approx0.

則 AI 研究不一定需要深入。

如果 patch 明確改：

pathfinding；
target selection；
autonomy；
diplomacy；
balance logic；

則：

\Delta I_{\mathrm{AI}}\uparrow.

50. DLC 也應作為 conditional acquisition

只有當：

P( \Delta I_{\mathrm{DLC}}>0 )

夠高時才購買。

可先使用：

patch notes；
public docs；
developer notes；
community evidence；

做低成本 pre-screening。

51. Pre-Screening

在購買／安裝前，可建立：

\boxed{ \hat P(g) }

估計研究價值。

輸入：

公開文件；
影片；
Wiki；
論壇；
開發者演講；
已有論文；
mod ecosystem。

輸出：

\hat{\Delta I}, \hat C, \hat D.

只有高分者才進 acquisition。

52. AI 使 Pre-Screening 非常便宜

過去人類要：

搜；
看；
摘要；
比較。

現在可以由廉價模型做：

\boxed{ \text{Mass Screening}. }

因此：

C_{\mathrm{screen}}\downarrow.

這是大規模遊戲考古現在才真正可行的重要原因之一。

53. 但 AI 也會造成虛假低成本

若 AI 很快給出：

這遊戲使用 utility AI。

人可能誤以為研究已完成。

但：

C_{\mathrm{answer}} \ll C_{\mathrm{verification}}.

因此：

\boxed{ \text{Cheap Explanation} \neq \text{Cheap Knowledge}. }

54. 每個結論需要成本級別

建議資料庫對 evidence 記錄：

E0 = public mention
E1 = repeated observation
E2 = controlled experiment
E3 = structural evidence
E4 = independent reconstruction
E5 = cross-case validation

這不是 truth probability。

而是：

\boxed{ \text{Evidence Investment Level}. }

55. Knowledge Unit Cost

對機制：

m

定義：

\boxed{ C_K(m) = \frac{ C_{\mathrm{research}}(m) }{ N_{\mathrm{validated\ knowledge\ units}}(m) }. }

這可以比較不同遊戲的研究效率。

56. Knowledge Yield

反過來定義：

\boxed{ Y_K(g) = \frac{ \Delta I(g\mid K_t) }{ C_{\mathrm{total}}(g) }. }

即每單位成本帶來多少知識增量。

57. 不是所有知識單位同價

如果一筆只是：

敵人會在 HP 低時補血。

與：

發現一個可跨 genre 的 hierarchical interrupt architecture。

不能等價。

因此每個 knowledge unit 可帶：

w_i.

則：

\Delta I = \sum_i w_i.

58. 重建收益

如果某機制可以直接進自己的遊戲：

R_U(g)\uparrow.

它的價值不只是一筆知識。

還可能節省：

design time；
prototyping；
debugging；
failed architecture；
engineering iteration。

因此：

\boxed{ B_R = \text{Avoided Development Cost} + \text{Reusable Implementation Value}. }

59. 失敗案例也有價值

某遊戲 AI 很差，不代表：

B=0.

若可以辨認：

failure mode；
why it fails；
player exploit；
bad scheduler；
pathfinding pathology；
overoptimization；

則得到：

\boxed{ \text{Negative Knowledge}. }

它可以避免未來重犯。

60. 研究 portfolio 不應只有冠軍

若只選：

\arg\max P(g),

可能造成研究集中於同一類型。

因此更適合：

\boxed{ \text{Portfolio Optimization}. }

在總預算：

B_t

下選：

\mathcal R_t = \{u_1,\ldots,u_n\}

使：

\sum_i C(u_i)\leq B_t.

並最大化：

\boxed{ \sum_i \Delta I(u_i) - \lambda Redundancy(\mathcal R_t). }

61. Redundancy Penalty

如果兩個遊戲：

g_i,g_j

高度相似，

則同時深度研究可能浪費。

定義：

R_{ij} = Similarity(g_i,g_j).

portfolio objective 加入：

-\mu \sum_{i<j}R_{ij}.

這會鼓勵多樣化研究。

62. 研究深度也要 portfolio 化

可能選：

Game A： $L_4$ ；
Game B： $L_2$ ；
Game C： $L_1$ ；
Game D： $L_0$ 。

所以真正配置單位不是 game。

而是：

\boxed{ (Game,\ Depth). }

63. 與 Multi-Fidelity Active Learning 的對應

多保真主動學習處理：

高精度評估很貴，低精度評估很便宜，如何混合？

遊戲解構完全有類似結構：

L_0,L_1 = \text{Low Fidelity}

L_2 = \text{Medium Fidelity}

L_3,L_4 = \text{High Fidelity}.

研究目標不是：

全部高保真。

而是：

\boxed{ \text{Use cheap evidence to decide where expensive evidence is worth buying}. }

64. 部分可觀測與成本

Cost-aware active learning 尤其強調：

feature acquisition 有成本；
label acquisition 有成本；
部分資訊一開始不可見。

商業遊戲同樣具有：

\boxed{ \text{Partial Observability} + \text{Acquisition Cost}. }

例如：

要不要花 20 小時玩到 late game 取得外交 AI 證據？

本質就是一個昂貴 query。

65. Active Experiment Selection

2025 年多任務機器人評估工作已直接使用 cost-aware information gain 來選擇最有資訊價值的實驗，降低完整評估成本。

遊戲解構未來也可以類似：

\boxed{ \text{Next Experiment} = \arg\max \frac{ \text{Expected Information Gain} }{ \text{Experiment Cost} }. }

例如不是問：

下一款玩什麼？

而問：

哪個測試最能區分 Utility AI 與 Priority Rule 兩個候選機制？

66. 研究可以由 Game Selection 進化成 Experiment Selection

初期：

\boxed{ \text{Choose Game}. }

成熟後：

\boxed{ \text{Choose Experiment}. }

因為一款遊戲內部可能有：

100+

個值得測的 hypothesis。

此時遊戲只是一個環境。

真正的研究單位變成：

\boxed{ (Hypothesis,\ Experiment,\ Cost,\ InformationGain). }

67. Hypothesis Discrimination

若候選：

H_1=\text{Utility AI}

H_2=\text{Priority Rules}

應選一個輸入：

e

使：

P(O\mid H_1,e)

與：

P(O\mid H_2,e)

差異最大。

這比隨機玩 10 小時更有效率。

68. AI 可以自動設計解構實驗

當 AI 已讀：

rules；
replay；
public docs；
observations；

它可以提出：

把 Hunger 設到 90%，同時建立兩個距離不同但 utility 相近的 job，觀察 NPC 中斷規則。

這就開始形成：

\boxed{ \text{AI Researcher} \rightarrow \text{Experimental Design}. }

69. 研究成本的真正未來

當公司資源增加時，最容易想到：

可以買更多遊戲。

但：

C_A

可能只是小部分。

真正可以擴張的是：

parallel agents；
automated gameplay；
storage；
GPU；
version archive；
test harness；
human reviewers；
reconstruction lab。

所以：

\boxed{ \text{Research Capacity} \not\propto \text{Game Purchase Budget only}. }

70. 大規模公司的優勢

假設：

N_A

為平行 AI researcher 數量。

若 task 可分解：

\text{Game} \times \text{Subsystem} \times \text{Version},

則：

Throughput \approx f(N_A)

在治理足夠好時可以大幅提升。

因此未來資本主要購買：

\boxed{ \text{Parallel Research Throughput}. }

71. 但平行化不是免費午餐

大量 Agent 會增加：

duplicate work；
inconsistent taxonomy；
hallucinated conclusions；
version confusion；
merge cost。

因此：

N_A\uparrow

也使：

C_{\mathrm{coordination}}\uparrow.

成熟系統必須加入這一項。

72. 擴展總成本

因此公司級模型可寫：

\boxed{ C_{\mathrm{total}}^{org} = C_A+ C_S+ C_O+ C_X+ C_C+ C_H+ C_V+ C_M+ C_{\mathrm{coord}}. }

73. 現階段與未來階段應使用不同策略

現階段

目標：

\boxed{ \text{Build Our Own Games Better}. }

因此：

S(g,t)

權重極高。

優先：

The Sims；
RimWorld；
Dwarf Fortress；
Paradox；
StarCraft；
Dragon Quest；
Final Fantasy；
Auto-Battle；
與目標架構直接相關的作品。

74. 第二階段

當自己的基礎能力建立後：

S(g,t)

逐步下降，

而：

B_C+B_H+B_N

提高。

開始追求：

代表性；
歷史覆蓋；
冷門樣本；
負案例；
genre breadth。

75. 第三階段

當 corpus 足夠大後，主要問題變成：

\boxed{ \text{What remains unknown?} }

研究選擇由：

\text{Game-first}

轉成：

\boxed{ \text{Gap-first}. }

先找到 knowledge gap，再找最適合的遊戲填它。

76. Research Frontier

令：

K_t

為當前知識空間。

其 frontier：

\partial K_t

包含：

不確定機制；
缺少案例；
缺少反例；
缺少版本；
缺少重建；
缺少跨域驗證。

此時遊戲選擇應服務：

\boxed{ \partial K_t. }

77. 解構效益的最終定義

因此「這款遊戲值不值得研究」不能只看：

好不好玩；
有沒有名；
售價；
AI 是否知名。

而應看：

\boxed{ \text{Marginal Knowledge Value} }

相對於：

\boxed{ \text{Marginal Research Cost}. }

78. 命題一：購買成本次級命題

對系統性遊戲解構：

\boxed{ C_A \text{ 通常只是 } C_{\mathrm{total}} \text{ 的一個分量}. }

因此遊戲價格不能單獨決定研究優先級。

79. 命題二：難度—複雜度非同一命題

\boxed{ D(g) \not\equiv X(g). }

解構難度還取決於 opacity、state accessibility、reproducibility、version entropy、time-to-trigger 與 tooling friction。

80. 命題三：邊際資訊收益命題

遊戲研究價值依賴當前知識庫：

\boxed{ B_I(g,t) = \Delta I(g\mid K_t). }

因此同一款遊戲在不同研究階段具有不同優先級。

81. 命題四：多保真解構命題

大規模 corpus 不應要求：

\forall g,\ d(g)=L_4.

而應使用：

\boxed{ \text{Adaptive Multi-Fidelity Deconstruction}. }

大量低深度篩選、少量高深度驗證。

82. 命題五：停止是研究能力的一部分

真正成熟的研究系統必須知道：

\boxed{ \text{When not to continue}. }

若邊際增益低於成本：

\Delta I<C,

停止或暫停是合理結果。

83. 命題六：Portfolio 優於單點排名

研究資源配置應優化：

\boxed{ \text{Portfolio Information Gain} }

而不是永遠選單一最高分遊戲。

多樣性、覆蓋與冗餘都必須納入。

84. 命題七：成熟解構將從 Game Selection 轉向 Experiment Selection

當遊戲庫足夠大後：

\boxed{ \text{Game} }

不再是最小決策單位。

而是：

\boxed{ \text{Hypothesis} \times \text{Experiment} \times \text{Fidelity}. }

85. 最小實作 Schema

未來研究矩陣可以為每款遊戲加入：

research_economics:
  acquisition_cost:
  setup_cost:
  estimated_play_hours:
  time_to_trigger:
  observability:
  state_accessibility:
  reproducibility:
  version_entropy:
  tooling_friction:

  current_depth:
  next_depth_cost:
  expected_information_gain:
  direct_project_relevance:
  generalization_value:
  reconstruction_potential:
  coverage_gain:
  novelty_gain:
  redundancy_score:

  priority_score:
  stop_reason:
  revisit_trigger:

86. Revisit Trigger

被停止的遊戲不代表永久封存。

可設定：

new patch
new source release
new mod API
new research question
new reconstruction need
new AI capability
new cheaper tool

觸發：

\boxed{ \operatorname{Reopen}(g). }

87. AI 能讓 Research Economics 自己學習

一開始優先函數權重：

w

由人類設定。

做完：

N

個研究後，可以觀察：

預估成本 vs 實際成本；
預估資訊增益 vs 實際增益；
哪些遊戲最容易產生通用算法；
哪些類型常被高估。

然後更新：

w_{t+1} = Update(w_t,E_t).

所以研究排程器本身也可以學習。

88. Meta-Deconstruction

這會產生一個有趣結果：

我們不只解構遊戲。

還會解構：

\boxed{ \text{How We Deconstruct Games}. }

也就是研究自己的：

成本；
失敗；
預測誤差；
工具效果；
模型分工。

因此：

\boxed{ \text{Deconstruction Method} }

本身成為可優化對象。

89. 與下一篇的連接

第 04 篇回答：

應該研究哪些遊戲群？

第 05 篇回答：

在有限資源下，哪些遊戲值得研究到多深？

下一個問題則更接近最早的直覺：

為什麼看完教科書、程式碼與 Wiki，仍然常常沒有真正得到商業遊戲 AI 的工程能力？

答案很可能不是缺少 FSM、BT、A* 或 Utility AI 的定義。

而是缺少：

\boxed{ \text{Composition}. }

因此下一篇正式進入：

06｜商業遊戲 AI 的隱藏層：真正稀缺的是組合，而非基礎演算法

90. 結論

大規模遊戲智能考古不是：

有錢就把 Steam 買一遍。

真正的問題是：

\boxed{ \text{Research Capital Allocation}. }

遊戲只是研究載體。

真正要購買的是：

存取；
時間；
可觀測性；
實驗；
算力；
驗證；
重建；
人類判斷。

因此：

\boxed{ \text{Game Purchase} \rightarrow \text{Research Access} }

而不是：

\boxed{ \text{Game Purchase} = \text{Knowledge}. }

成熟的解構系統必須能回答：

下一個最值得花一小時、一百萬 token、一次人工覆核或一次高保真重建的是什麼？

其核心可以濃縮成：

\boxed{ \text{Expected Knowledge Gain per Unit Cost}. }

但隨研究成熟，這又會從遊戲級選擇進一步細化成：

\boxed{ \text{Expected Hypothesis Reduction per Experiment Cost}. }

所以「遊戲解構經濟學」最終不是遊戲購買指南。

它是一套讓 AI 與人類在有限資源下，持續決定：

\boxed{ \text{What is worth understanding next?} }

的方法論。

參考資料

Astorga, N., Liu, T., Seedat, N., & van der Schaar, M. (2024). Active Learning with LLMs for Partially Observed and Cost-Aware Scenarios. NeurIPS 2024.
https://proceedings.neurips.cc/paper_files/paper/2024/hash/24f3041067ab24157912330344dc3bbd-Abstract-Conference.html
Kim, Y.-Y., Song, K., Jang, J. H., & Moon, I.-c. (2021). LADA: Look-Ahead Data Acquisition via Augmentation for Deep Active Learning. NeurIPS 2021.
https://proceedings.neurips.cc/paper/2021/hash/c1b70d965ca504aa751ddb62ad69c63f-Abstract.html
Yang, L., & Carbonell, J. (2013). Buy-in-Bulk Active Learning. NeurIPS 2013.
https://proceedings.neurips.cc/paper/2013/hash/43baa6762fa81bb43b39c62553b2970d-Abstract.html
Hernandez-Garcia, A., Saxena, N., Jain, M., Liu, C.-H., & Bengio, Y. (2023). Multi-Fidelity Active Learning with GFlowNets.
https://arxiv.org/abs/2306.11715
Li, S., Phillips, J. M., Yu, X., Kirby, R. M., & Zhe, S. (2022). Batch Multi-Fidelity Active Learning with Budget Constraints.
https://arxiv.org/abs/2210.12704
Anwar, A. et al. (2025). Efficient Evaluation of Multi-Task Robot Policies With Active Experiment Selection. CoRL 2025.
https://openreview.net/forum?id=pJ5FONkM9N
Lin, H., Wang, Z., Ma, J., & Liang, Y. (2023). MCU: A Task-centric Framework for Open-ended Agent Evaluation in Minecraft.
https://openreview.net/forum?id=fDJydDFcDv
Zheng, X. et al. (2025). Towards Evaluating Generalist Agents: An Automated Benchmark in Open World. ICLR 2025 submission / OpenReview.
https://openreview.net/forum?id=IWC6zUEVcL
Collins, K. M. et al. (2026). Evaluating Language Models' Evaluations of Games. ICLR 2026.
https://openreview.net/forum?id=kefUcn22mk

系列導航

01｜AI 時代的資料資產：從「賣資料」到授權可計算知識
02｜高品質資料之後：從 Quality Paradigm 到 Novelty Paradigm
03｜遊戲不是內容資料：遊戲作為可執行因果世界
04｜商業遊戲智能考古：從 AI 名作到普通遊戲群
05｜遊戲解構經濟學：成本、難度、資訊增益與研究深度
06｜商業遊戲 AI 的隱藏層：真正稀缺的是組合，而非基礎演算法
07｜餵資料不等於學習：從 Raw Exposure 到深層解構學習
08｜理解的工程驗收：如果真的懂，就重建給我看
09｜合成資料之後：從模仿既有設計到探索新穎可執行設計空間
10｜慣老闆測試：意圖重建、設計生成與可執行世界考古

05｜遊戲解構經濟學：成本、難度、資訊增益與研究深度

05｜遊戲解構經濟學：成本、難度、資訊增益與研究深度

The Economics of Game Deconstruction: Cost, Difficulty, Information Gain, and Research Depth

摘要

1. 問題：當遊戲從 5 款變成 500 款

2. 第一個錯覺：遊戲售價就是研究成本

3. 一款便宜遊戲可能非常昂貴

4. 總研究成本模型

5. Acquisition Cost

6. Setup Cost

7. Observation Cost

8. Extraction Cost

9. Compute Cost

10. Human Review Cost

11. Verification Cost

12. Maintenance Cost

13. 解構成本不等於遊戲複雜度

14. 解構難度七維模型

15. Complexity

16. Opacity

17. State Accessibility

18. Reproducibility

19. Version Entropy

20. Time-to-Trigger

21. Tooling Friction

22. 解構難度與研究深度耦合

23. 研究效益也不是單一值

24. Direct Development Benefit

25. Information Gain

26. 邊際資訊價值是動態的

27. 這與 Active Learning 的思想一致

28. Cost-aware Research Acquisition

29. 但只看資訊增益仍然不夠

30. 泛化收益

31. 初步研究優先函數

32. 不要迷信這個公式

33. 研究深度必須分層

34. L0L_0L0​ — Inventory

35. L1L_1L1​ — Behavioral Survey

36. L2L_2L2​ — Mechanism Study

37. L3L_3L3​ — Independent Reconstruction

38. L4L_4L4​ — Validated Cross-Case Integration

39. Multi-Fidelity Research

40. 研究漏斗

41. 升級條件

42. Stop Rule

43. 低價遊戲不應自動優先

44. 名作也不應自動優先

45. 冷門遊戲的探索價值

46. Exploration–Exploitation

Exploit

Explore

47. 遊戲群覆蓋

48. Coverage Deficit

49. 版本研究也是投資問題

50. DLC 也應作為 conditional acquisition

51. Pre-Screening

52. AI 使 Pre-Screening 非常便宜

53. 但 AI 也會造成虛假低成本

54. 每個結論需要成本級別

55. Knowledge Unit Cost

56. Knowledge Yield

57. 不是所有知識單位同價

58. 重建收益

59. 失敗案例也有價值

60. 研究 portfolio 不應只有冠軍

61. Redundancy Penalty

62. 研究深度也要 portfolio 化

63. 與 Multi-Fidelity Active Learning 的對應

64. 部分可觀測與成本

65. Active Experiment Selection

66. 研究可以由 Game Selection 進化成 Experiment Selection

67. Hypothesis Discrimination

68. AI 可以自動設計解構實驗

69. 研究成本的真正未來

70. 大規模公司的優勢

71. 但平行化不是免費午餐

72. 擴展總成本

73. 現階段與未來階段應使用不同策略

現階段

34. $L_0$ — Inventory

35. $L_1$ — Behavioral Survey

36. $L_2$ — Mechanism Study

37. $L_3$ — Independent Reconstruction

38. $L_4$ — Validated Cross-Case Integration