遊戲智能考古研究矩陣：初版文件

Game Intelligence Archaeology Research Matrix — Initial Draft

版本： v0.1
日期： 2026-08-17
定位： 研究計畫入口文件／遊戲解構矩陣／候選遊戲池／方法論規格
研究核心： 不只研究「AI 很有名的遊戲」，而是系統性覆蓋遊戲史中不同的智能、世界模擬、生成、控制、調度、社會、戰術與人機互動分支。

0. 一句話定義

本計畫不是建立「好玩遊戲排行榜」，也不是只蒐集遊戲 AI 名作。

真正目標是：

\boxed{ \text{Game Population} \rightarrow \text{Deep Deconstruction} \rightarrow \text{Functional Normalization} \rightarrow \text{Reconstruction} \rightarrow \text{Reusable Intelligence} }

每款遊戲都被視為一個已經實作、已經運行過的人工世界：

\boxed{ \mathfrak G = ( S, O, A, T, R, G, H, E ) }

其中：

$S$ ：state；
$O$ ：observation；
$A$ ：action；
$T$ ：transition；
$R$ ：rules；
$G$ ：goals；
$H$ ：history；
$E$ ：evaluation / feedback。

研究目的不是「把遊戲看完」，而是回答：

這個世界用了什麼智能結構？
這些結構怎麼組？
哪些是遊戲特例？
哪些可跨遊戲重用？
哪些可以被獨立重建？
哪些能成為未來 AI-native game engine 的可生成元件？

1. 研究總原則

1.1 不只研究 AI 名作

研究樣本必須同時包含：

AI-famous games；
system-heavy games；
ordinary commercial games；
historical baselines；
failed / limited AI examples；
open-source calibration games。

否則會產生：

\boxed{ \text{Selection Bias}. }

如果只看《Dwarf Fortress》《RimWorld》《StarCraft II》這類名作，我們無法知道：

某機制真的特殊，還是所有普通遊戲其實也大量使用？

1.2 Primitive 不是主要研究終點

不只標註：

FSM
Behavior Tree
GOAP
A*
Utility AI

真正要重建：

\boxed{ \text{Primitive} + \text{Composition} + \text{Timing} + \text{Interrupt} + \text{Fallback} + \text{Shared State} + \text{Tooling} + \text{Content} }

1.3 先黑箱，後揭露

只要條件允許，優先使用：

\boxed{ \text{Observed Behavior} \rightarrow \text{Hypothesis} \rightarrow \text{Experiment} \rightarrow \text{Reconstruction}. }

若遊戲具有公開 source / AI API，可在後期再揭露，用來校準解構準確度。

1.4 「不知道」是合法結果

證據不足時：

UNKNOWN
INFERRED
MULTIPLE_HYPOTHESES

比強行分類更好。

2. 研究單位

最小研究單位不是「一款遊戲」。

而是：

\boxed{ U = ( Game, Version, Platform, Subsystem, Behavior, Evidence, Mechanism, Depth ) }

例如：

Game: RimWorld
Version: target build
Subsystem: Job selection
Behavior: Pawn interrupts recreation to fight fire
Evidence: black-box + public docs
Mechanism: priority / interrupt candidate
Depth: L2

因此同一款遊戲可以產生數十到數百個研究單元。

3. 核心矩陣欄位

每個遊戲／子系統至少保存以下欄位。

identity:
  game:
  version:
  platform:
  release_era:
  genre:

research_target:
  subsystem:
  behavior:
  research_question:

intelligence_branch:
  primary:
  secondary:

mechanism:
  primitive_candidates:
  composition_graph:
  shared_state:
  scheduler:
  timing:
  priority:
  interrupt:
  fallback:
  persistence:
  simulation_lod:

evidence:
  types:
  confidence:
  source_refs:
  unknowns:
  competing_hypotheses:

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

value:
  direct_project_relevance:
  novelty_gain:
  coverage_gain:
  generalization_value:
  reconstruction_value:

status:
  research_depth:
  next_experiment:
  stop_reason:
  revisit_trigger:

publication:
  internal_raw:
  derived_public_safe:
  legal_notes:

4. 證據標籤

建議固定使用：

OBSERVED
DOCUMENTED
SOURCE_PUBLIC
MOD_API
DEVELOPER_STATEMENT
PLAYER_EXPERIMENT
SAVE_DIFF
VERSION_DIFF
BLACK_BOX_TEST
OPEN_SOURCE_ANALOG
INFERRED
RECONSTRUCTED
VALIDATED_RECONSTRUCTION
CONTESTED
UNKNOWN

注意：

\boxed{ \text{Evidence Type} \neq \text{Truth Probability}. }

例如 DEVELOPER_STATEMENT 很強，但仍可能只描述某一版本或高層概念。

5. 研究深度

$L_0$ — Inventory

只建立：

遊戲身份；
版本；
主要 AI／世界系統；
公開資料；
研究難度；
可能價值。

$L_1$ — Behavioral Survey

觀察：

gameplay；
影片；
manual；
Wiki；
玩家行為；
基礎測試。

不急著斷言 mechanism。

$L_2$ — Mechanism Study

開始：

controlled test；
save comparison；
debug；
mod hooks；
API；
replay；
source fragments；
developer material。

建立：

\boxed{ \text{Mechanism Hypotheses}. }

$L_3$ — Independent Reconstruction

使用一般化機制獨立建立：

\hat M.

要求：

不複製專有 source；
有測試；
能重現核心功能。

$L_4$ — Validated Cross-Case Integration

進入：

hidden tests；
counterexamples；
cross-game comparison；
alternative hypothesis；
generalization；
library integration。

最終才加入：

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

6. 第一批研究分支

初版至少覆蓋以下主要分支。

分支	核心問題
Artificial Life	生命式 agent 如何成長、學習、遺傳與維持內部狀態？
Generative Morphology	未知形態如何被編譯成可動、可玩的實體？
Indirect Control	人類如何不直接命令 agent，而透過誘因改變其選擇？
Autonomy / Needs	NPC 如何在需求、日程、工作與社交間自主選擇？
Persistent World	玩家不在場時，世界如何繼續演化？
Job / Scheduler	任務如何生成、競爭、分配、中斷與恢復？
Social / Character AI	個性、關係、記憶、政治與社會如何形成決策？
Tactical Combat	即時戰術、掩體、協同、感知與反應如何組合？
Strategic AI	長期規劃、經濟、科技、外交與資源配置如何運行？
Player-Programmable AI	如何讓玩家自己定義 agent 決策規則？
Director / Pacing	系統如何根據玩家狀態調節節奏與事件？
Companion AI	AI 隊友如何與玩家協同而不搶控制權？
Adaptive AI	系統如何根據玩家習慣調整？
Generative World	玩家／AI 輸入如何展開成世界、內容與玩法？
Crowd / LOD	大量 agent 如何在有限算力下維持可信世界？
Open-Ended Ecology	多 species / agent 如何形成局部生態與 emergent behavior？

7. S+：第一批「正交核心樣本」

這一批不是因為它們最好玩，而是每一款都代表一條不同研究分支。

遊戲	核心研究分支	主要拆解目標	初始難度	建議深度
Spore／孢子	Generative Morphology / UGC Runtime	morphology compiler、procedural animation、UGC→runtime、跨尺度世界	高	$L_3$
Creatures Exodus	Artificial Life	genetics、internal drives、learning、developmental agents	高	$L_3$
Black & White	Teaching / Creature Learning	punishment/reward、creature learning、human-guided behavior shaping	高	$L_2$ – $L_3$
Majesty Gold HD	Indirect Control	incentive、reward flags、hero autonomy、玩家不直接控制	中	$L_3$
The Sims 4	Autonomy / Needs / Affordance	need、object affordance、social autonomy、schedule	中高	$L_3$
RimWorld	Job / Priority / Story	job generation、priority、need、mood、Storyteller、interrupt	中高	$L_4$
Dwarf Fortress	Persistent World / Emergence	history、job、society、world simulation、entity continuity	極高	$L_3$
Victoria 3	Macro Strategy	economy、diplomacy、AI strategy、score、state-level planning	高	$L_3$
StarCraft II	RTS / Partial Observability	micro/macro、scouting、planning、resource allocation、replay	高	$L_4$
F.E.A.R.	GOAP Tactical Combat	planner、squad combat、cover、execution、CPU-bounded planning	中高	$L_4$
Left 4 Dead 2	AI Director / Pacing	population、stress、encounter pacing、director-player feedback	中	$L_3$
Alien: Isolation	Layered Threat AI	alien agent、director-like pressure、knowledge separation、stealth tension	高	$L_3$
S.T.A.L.K.E.R.: Shadow of Chernobyl	A-Life / Offscreen Simulation	faction/creature simulation、offscreen persistence、world continuity	高	$L_3$
The Elder Scrolls IV: Oblivion	Schedule / Radiant NPC	24h routine、goal-driven NPC、world-state response	中高	$L_2$ – $L_3$
Middle-earth: Shadow of War	Persistent Enemy Identity	Nemesis、memory、rank、relationship、generated enemy history	高	$L_3$
Dragon Age: Origins	Player-Programmable AI	condition→action tactics、priority、party autonomy	低	$L_3$
Final Fantasy XII: The Zodiac Age	Gambit / Auto-Battle	conditional automation、priority、resource conservation、party roles	低	$L_3$
Dragon's Dogma	Companion AI	pawn behavior、inclination、party cooperation、knowledge transfer	中高	$L_3$
Rain World	Creature Ecology	species-specific AI、navigation、predator/prey interaction、local ecology	高	$L_2$ – $L_3$
AI War 2	Asymmetric Strategic AI	non-human-like strategy、macro threat、resource pressure、anti-player strategy	高	$L_2$ – $L_3$

8. 為什麼 Spore、Creatures、Majesty 要放在一起？

這三款不是同一類 AI。

反而正因為完全不同，所以特別有價值。

\boxed{ \begin{aligned} \text{Creatures} &\rightarrow \text{培育與內部成長}\\ \text{Spore} &\rightarrow \text{構形與程序化實現}\\ \text{Majesty} &\rightarrow \text{誘因與間接控制} \end{aligned} }

它們代表三種「人類不直接寫死 agent 每一步」的方法：

培育：讓 agent 透過內部機制成長；
構形：讓使用者定義形態，再由 runtime 使其可玩；
誘導：讓 agent 保有自治，人類只改變誘因。

這三條線在 Agentic AI 時代值得重新研究。

9. Spore 的研究定位

Spore 不應只標：

Evolution Game

較合適的研究分類：

\boxed{ \text{User-Guided Generative Design} }

主要拆：

morphology
→ geometry
→ rig
→ animation
→ movement
→ gameplay affordance

以及：

user creation
→ compressed representation
→ runtime reconstruction
→ sharing
→ other-world population

研究價值在於：

使用者可以創造原系統從未預先看過的形態，但系統仍要把它變成可運行角色。

10. 第二批：基線與歷史覆蓋

這批的目的不是追求單款最高資訊增益，而是建立「普通商業遊戲」中位數。

遊戲／系列	研究用途
Dragon Quest XI S	傳統 JRPG enemy / party AI 現代基線
Final Fantasy IV–VI	經典 ATB / boss rule / party logic 歷史基線
Pokémon 主系列	回合制戰鬥 AI、switch、move selection、難度限制
Final Fantasy Tactics / Tactics Ogre	戰棋 AI、位置、技能與目標選擇
Age of Empires II DE	經典 RTS script / economy / military baseline
Civilization VI	4X strategy、diplomacy、city/economy baseline
Halo 2 / Halo 3	squad combat、behavior tree、perceived intelligence
XCOM 2	cover、visibility、tactical turn-based AI
Mount & Blade II: Bannerlord	campaign simulation + army battle AI
Kenshi	persistent sandbox、faction、squad、world state
Hitman: World of Assassination	crowd、stealth、suspicion、NPC routines
Metal Gear Solid V	stealth perception、alert escalation、player adaptation
The Last of Us	companion、stealth combat、player-support AI
Dynasty Warriors 系列	crowd AI、mass agent LOD、battlefield pressure
Monster Hunter: World	monster behavior、ecology、combat state machine
Crusader Kings III	character AI、relationship、personality、dynasty politics
Stellaris	empire AI、economy、diplomacy、crisis
Total War 系列	campaign AI + tactical battlefield AI 雙層系統

11. 第三批：稀有方法論分支

這批用來找「遊戲史上的旁支」。

遊戲／系統	稀有研究分支
Façade	interactive drama / social AI
Galactic Civilizations	strategy AI / personality / diplomacy
Ultima VII	systemic NPC schedule / world routines
Gothic 系列	NPC routines / living-world baseline
Supreme Commander	large-scale RTS / economy / strategic layers
Creatures 系列其他版本	Artificial Life 版本演化
The Sims 2 / 3	Sims autonomy 歷史比較
Black & White 2	creature learning / strategy coupling
Spore Galactic Adventures	user-generated mission / behavior expansion
Football Manager	large population simulation / decision / evaluation ecosystem

12. 開源 Ground-Truth 校準組

這一組的價值不是「source 比商業遊戲高級」。

而是可以執行：

\boxed{ \text{Blind Deconstruction} \rightarrow \hat M \rightarrow \text{Source Reveal} \rightarrow \text{Audit} }

初版選：

遊戲	校準用途
OpenTTD	transport/economy AI、AI API、state/action calibration
The Battle for Wesnoth	turn-based tactical AI、AI framework
0 A.D.	RTS、entity-component、economic/military AI
Freeciv	4X strategic AI、diplomacy、city management
Cataclysm: DDA	NPC、faction、survival rules、JSON/data-driven system

校準指標：

subsystem recall
functional typing accuracy
composition graph accuracy
false causal inference rate
unknown calibration
reconstruction fidelity

13. 黑箱—白箱校準實驗

對開源遊戲，研究過程刻意分兩階段。

Phase A — Blind

AI 只能看：

gameplay；
replay；
manual；
public behavior；
controlled tests。

輸出：

\hat M_A.

Phase B — Reveal

再讀：

source；
data files；
AI scripts；
engine docs。

得到：

M_{\mathrm{source}}.

Phase C — Audit

比較：

\boxed{ d( \hat M_A, M_{\mathrm{source}} ). }

主要不是問「猜對類名沒有」。

而是：

功能模組找對多少？
控制權判斷對多少？
timing 判斷對多少？
interrupt / fallback 找對多少？
哪些地方錯把相關當因果？
哪些 UNKNOWN 判斷其實是正確克制？

14. 遊戲選擇優先函數

初期可以用：

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

其中：

$\Delta I$ ：相對目前知識庫的資訊增益；
$S$ ：與當前遊戲開發的直接關聯；
$G$ ：跨遊戲泛化價值；
$R$ ：可重建／可驗證性；
$C$ ：總研究成本。

此式是：

\boxed{ \text{Research Heuristic} }

不是自然定律。

15. 初版優先原則

現階段優先：

\boxed{ \text{Direct Project Benefit} + \text{Orthogonal Mechanism Coverage} }

所以不是先做 100 款。

而是先把不同分支的代表案例打通。

建議第一批真正深挖：

Spore
Creatures Exodus
Majesty Gold HD
The Sims 4
RimWorld
Dwarf Fortress
Victoria 3
StarCraft II
F.E.A.R.
Left 4 Dead 2
S.T.A.L.K.E.R.
Dragon Age: Origins
Final Fantasy XII
Black & White
1–2 款開源校準遊戲

16. 第一輪「小而完整」研究包

若不想一次鋪太大，最小版本可以先做 8 款：

遊戲	代表分支
Spore	Generative Morphology
Creatures Exodus	Artificial Life
Majesty Gold HD	Indirect Control
The Sims 4	Autonomy
RimWorld	Job / Scheduler
F.E.A.R.	Tactical Planning
Left 4 Dead 2	Director / Pacing
OpenTTD 或 0 A.D.	Ground-Truth Calibration

這 8 款已經能形成高度正交的第一個矩陣。

17. 每款遊戲的標準研究輸出

每完成一個主要遊戲，至少產出：

00_inventory.md
01_behavior_map.md
02_subsystem_map.md
03_mechanism_hypotheses.md
04_composition_graph.md
05_experiment_log.md
06_reconstruction_spec.md
07_validation.md
08_cross_game_mapping.md
09_public_derivative.md

18. 內部資料與公開資料分離

內部研究可以保存：

raw notes；
screenshots；
traces；
source-derived observations；
version comparisons；
uncertain hypotheses。

公開版本只保留：

\boxed{ \text{Derived General Knowledge} }

例如：

generic scheduler pattern；
functional type；
abstract state graph；
comparative architecture；
independently reconstructed algorithm；
benchmark result。

19. 公開化原則

公開資料不要變成：

某商業遊戲 source 的重新包裝。

而應轉成：

\boxed{ \text{Observation} \rightarrow \text{Abstraction} \rightarrow \text{Independent Reconstruction} \rightarrow \text{General Pattern}. }

20. 從遊戲矩陣到未來資料庫

最終資料庫不只是：

Game → AI Type

而是：

\boxed{ \text{Game} \times \text{Version} \times \text{Subsystem} \times \text{FunctionalType} \times \text{Composition} \times \text{Evidence} \times \text{Experiment} \times \text{Reconstruction} }

這使資料庫能回答：

哪些遊戲使用過某類 interrupt architecture？

哪些作品具有 offscreen simulation？

哪些系統用玩家可編程規則控制 party？

哪些遊戲將生成 morphology 自動轉成 animation？

哪些不同實作其實屬於同一 functional family？

21. 長期研究轉向

第一階段：

\boxed{ \text{Game-First}. }

先研究代表作品。

第二階段：

\boxed{ \text{Mechanism-First}. }

開始追蹤：

scheduler
interrupt
director
perception
world simulation
companion
procedural animation

第三階段：

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

先問：

我們還缺哪種智能？

再找最適合補洞的遊戲。

22. 最終願景

研究矩陣成熟後，它不再只是一個「遊戲 AI 知識庫」。

而會逐漸成為：

Game Intelligence Design Space

即：

\boxed{ \mathcal S_t = \text{已知遊戲智能與世界機制的可計算設計空間}. }

AI 可以在其中：

搜尋；
比較；
重建；
混合；
替換；
生成；
驗證。

最後從：

\boxed{ \text{Game Archaeology} }

走到：

\boxed{ \text{AI-Native Game Architecture Generation}. }

23. 初版結論

初版矩陣最重要的不是「列更多遊戲」。

而是先確立三件事：

第一

\boxed{ \text{遊戲是研究樣本，不是收藏品。} }

第二

\boxed{ \text{研究目標是 functional / causal / executable structure。} }

第三

\boxed{ \text{遊戲群必須覆蓋不同智能分支，而不是只追 AI 名作。} }

因此第一輪研究最合理的起點不是 100 款遊戲，而是一小組彼此正交的核心樣本：

\boxed{ \text{Spore} + \text{Creatures} + \text{Majesty} + \text{Sims} + \text{RimWorld} + \text{F.E.A.R.} + \text{L4D2} + \text{Open-Source Calibration} }

先把方法打通。

之後再開始真正的大規模：

\boxed{ \text{Game Population Research}. }

狀態

Game Intelligence Archaeology Research Matrix v0.1：初版完成。

下一版建議：

v0.2：建立正式機器可讀 Matrix Schema；
v0.3：第一批 30 款遊戲打分；
v0.4：加入研究成本與購買優先級；
v0.5：加入 AI research fleet 分工；
v1.0：正式建立可持續擴張的遊戲智能考古資料庫。

遊戲智能考古研究矩陣：初版文件

遊戲智能考古研究矩陣：初版文件

Game Intelligence Archaeology Research Matrix — Initial Draft

0. 一句話定義

1. 研究總原則

1.1 不只研究 AI 名作

1.2 Primitive 不是主要研究終點

1.3 先黑箱，後揭露

1.4 「不知道」是合法結果

2. 研究單位

3. 核心矩陣欄位

4. 證據標籤

5. 研究深度

L0L_0L0​ — Inventory

L1L_1L1​ — Behavioral Survey

L2L_2L2​ — Mechanism Study

L3L_3L3​ — Independent Reconstruction

L4L_4L4​ — Validated Cross-Case Integration

6. 第一批研究分支

7. S+：第一批「正交核心樣本」

8. 為什麼 Spore、Creatures、Majesty 要放在一起？

9. Spore 的研究定位

10. 第二批：基線與歷史覆蓋

11. 第三批：稀有方法論分支

12. 開源 Ground-Truth 校準組

13. 黑箱—白箱校準實驗

Phase A — Blind

Phase B — Reveal

Phase C — Audit

14. 遊戲選擇優先函數

15. 初版優先原則

16. 第一輪「小而完整」研究包

17. 每款遊戲的標準研究輸出

18. 內部資料與公開資料分離

19. 公開化原則

20. 從遊戲矩陣到未來資料庫

21. 長期研究轉向

22. 最終願景

Game Intelligence Design Space

23. 初版結論

第一

第二

第三

狀態

$L_0$ — Inventory

$L_1$ — Behavioral Survey

$L_2$ — Mechanism Study

$L_3$ — Independent Reconstruction

$L_4$ — Validated Cross-Case Integration