← Archive
lm-004658 · 2026-10

從 AI NPC 到 AI 原生世界

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇

從 AI NPC 到 AI 原生世界

——AI 原生社會遊戲的研究方法與判定框架

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
日期： 2026-10-07（整理日期；原稿未標註日期）
版本： 原稿未標註（本次整理版）

摘要

大型語言模型進入遊戲之後，「AI NPC」很快成為一個容易被混用的概念。

只要角色可以使用大型語言模型生成對話，人們便可能稱其為 AI NPC；如果角色具有記憶、個性與自主行動，又可能進一步被稱為「生成式 Agent」；當數十名 Agent 同時存在於持續運作的世界中，人們又容易將其描述為「AI 社會」或「AI 原生遊戲」。

然而，這些系統在結構上可能存在根本差異。

一個能夠自由聊天的 NPC，未必能真正影響世界。

一個能夠自主決策的 Agent，未必受到世界規則約束。

一群具有記憶的 Agent，未必能形成持續演化的社會。

一個每天都會產生事件的小鎮，也未必會因此形成歷史。

因此，本系列提出一套分析 AI 原生遊戲的結構性方法，並以 my_ai_town 作為主要實證案例，研究一個生成式 Agent 系統如何逐步跨越下列邊界：

LLM NPC→Generative Agent→Persistent Simulation→Agent Society→AI-Native Game World→Open-ended Evolving World\text{LLM NPC} \rightarrow \text{Generative Agent} \rightarrow \text{Persistent Simulation} \rightarrow \text{Agent Society} \rightarrow \text{AI-Native Game World} \rightarrow \text{Open-ended Evolving World}

本研究的目的不是評判單一遊戲「好不好玩」，也不是為特定專案提供功能清單，而是尋找：

一個由 AI Agent 居住的遊戲世界，要具備哪些最小結構，才會從生成內容的系統，轉變為能產生因果、歷史、制度與長期分化的世界？

1. 問題不再是「NPC 會不會說話」

第一代 LLM 遊戲實驗經常將問題定義為：

能不能讓 NPC 自由說話？

這個問題本身並沒有錯。

但它只觸及：

Language Generation\text{Language Generation}

而不是：

World Participation.\text{World Participation}.

假設一名 NPC 說：

「我現在要去市場買花。」

如果這句話本身就被視為已經發生，那麼大型語言模型同時成為：

  • 敘事者；
  • 世界規則；
  • 狀態修改器；
  • 行動裁判。

這會產生一個根本問題：

Model Claim=World Truth.\text{Model Claim} = \text{World Truth}.

只要模型說了，世界就得接受。

這種系統可以非常有趣，卻仍然更接近互動敘事生成器，而不是具有獨立存在性的模擬世界。

在較成熟的 Agent-World 架構中，兩者必須分離：

Agent Intent≠World Truth\boxed{ \text{Agent Intent} \neq \text{World Truth} }

例如 my_ai_town 的 Agent 並不是直接修改世界，而是接收由 World 投影出的 wake packet，其中包含當前時間、天氣、身體狀態、附近居民、所在地點、工作任務、生活目的地、公告、Social Matter、衝突與醫療狀態等；Agent 隨後只能提交意圖，再由 World 驗證與執行。

這形成：

World→Observation→Agent→Intent→Validation→World′.World \rightarrow Observation \rightarrow Agent \rightarrow Intent \rightarrow Validation \rightarrow World'.

因此，本系列第一項核心判準是：

World Authority Principle

大型語言模型可以決定角色想做什麼，但不能單方面決定世界實際發生了什麼。

這是從「聊天 NPC」跨向「AI 世界居民」的第一道結構邊界。

2. AI 原生世界的四個基本層

為了避免把不同系統混為一談，本系列首先區分四個基礎層：

Simulation+Interaction+Persistence+Dynamics\boxed{ Simulation + Interaction + Persistence + Dynamics }

2.1 Simulation

Simulation 指世界存在獨立狀態。

例如：

  • 時間；
  • 天氣；
  • 位置；
  • 身體需求；
  • 職業；
  • 工作任務；
  • 庫存；
  • 傷病；
  • 服務狀態；
  • 社會事項。

這些狀態不能只存在 Prompt 裡。

它們必須由 World Runtime 持有：

Wt.W_t.

2.2 Interaction

Agent 必須能透過合法行動改變：

Wt→Wt+1.W_t\rightarrow W_{t+1}.

例如：

  • 移動；
  • 工作；
  • 對話；
  • 幫助；
  • 拒絕；
  • 攻擊；
  • 送貨；
  • 研究；
  • 發布公告；
  • 接受社會任務。

如果 NPC 只能生成文字，但文字無法形成正式世界效果，那麼它仍然沒有真正「住在世界裡」。

2.3 Persistence

事件必須留下持久結果。

例如：

Trial→Qualification\text{Trial} \rightarrow \text{Qualification}

可能讓居民獲得永久職業資格；

研究成果可以形成正式 record、被圖書館 accession，並被後續生產系統引用；

居民記憶也會保存其個人經驗、人物關係、claim、confidence 與 evidence。

如果所有狀態在數分鐘後都回到原點，那麼世界雖然在運作，卻沒有真正形成歷史。

2.4 Dynamics

最後一層則是本系列最關心的：

一個狀態改變，能不能生成另一個問題？

例如：

Service Demand→Staff Shortage→Social Matter→Resident Response→Assignment→World Change.\text{Service Demand} \rightarrow \text{Staff Shortage} \rightarrow \text{Social Matter} \rightarrow \text{Resident Response} \rightarrow \text{Assignment} \rightarrow \text{World Change}.

my_ai_town 的 Social Matter Runtime 已正式區分：

  • awareness；
  • involvement；
  • exposure；
  • participant；
  • response；
  • assignment；
  • result。

甚至居民必須先實際知情，才能成為 Matter 的回應候選。

當 Simulation、Interaction、Persistence 與 Dynamics 同時成立後，系統才開始具有「社會」的雛形。

3. AI 遊戲成熟度的 L1–L6 分層

本系列提出六個分析層級。

它們不是產品評分，也不是高低優劣排名，而是描述系統具備何種結構。

L1：Agent Autonomy

Agent 可以根據：

  • 個性；
  • 欲望；
  • 記憶；
  • 當前情境；

自主選擇行動。

核心問題：

NPC 是否只是等待玩家觸發？

如果不是，則進入 L1。

L2：World Grounding

Agent 的行動必須受到真實 World State 約束。

例如：

想去不存在的地方，不行。
想使用不存在的物品，不行。
想假裝完成工作，不行。
想憑一句對話讓對方受傷，不行。

此時：

Agent Policy⊆World Feasible Action Space.Agent\ Policy \subseteq World\ Feasible\ Action\ Space.

這是 World Authority 開始成立的階段。

L3：Persistent Causality

世界能記住：

為什麼事情變成現在這樣。

包括：

  • Action Result；
  • Conversation；
  • Memory；
  • World Log；
  • Causal Chain；
  • Relationship History。

事件不再只是：

EtE_t

而是：

Et→Et+1.E_t \rightarrow E_{t+1}.

角色也能因為不同歷史軌跡而分化。

L4：Endogenous Dynamics

世界開始自己產生問題。

例如：

Waiting Customers>Service Capacity\text{Waiting Customers} > \text{Service Capacity}

便產生服務壓力。

職位缺人則產生 Vacancy Matter。

居民的請求可以形成 Social Matter。

對話中的承諾，也可以變成後續 World Goal。

也就是：

WorldState→NewProblem\boxed{ World State \rightarrow New Problem }

不需要腳本作者逐項指定。

這是「活著的模擬」和「具有社會動力的模擬」之間的重要分界。

L5：Persistent Differentiation

接著必須出現：

今天發生的事情，永久改變明天的可能性空間。

定義：

Ωi(t)=Agent i 在時間 t 的可行行動集合.\Omega_i(t) = \text{Agent }i\text{ 在時間 }t\text{ 的可行行動集合}.

如果：

Ωi(t+1)≠Ωi(t)\Omega_i(t+1)\neq\Omega_i(t)

而差異來自 Agent 過去的歷史，那麼就產生 Persistent Differentiation。

例如：

Trial→Qualification→NewOccupationOptions.Trial \rightarrow Qualification \rightarrow NewOccupationOptions.

或者：

Research→KnowledgeArtifact→NewServiceDependency.Research \rightarrow KnowledgeArtifact \rightarrow NewServiceDependency.

此時世界開始具有：

Path Dependence.\text{Path Dependence}.

L6：Open-ended Structural Evolution

最後一層不是「事件更多」。

而是：

世界本身的可能性拓樸會被行動改寫\boxed{ \text{世界本身的可能性拓樸會被行動改寫} }

假設世界可以表示為：

Gt=(Agents,Places,Resources,Roles,Relations,Institutions,Capabilities).G_t= ( Agents, Places, Resources, Roles, Relations, Institutions, Capabilities ).

真正的結構演化要求：

Gt+1≠GtG_{t+1}\neq G_t

而且差異不是系統預先排定的一次性事件，而是過去行動累積的結果。

例如：

  • 新組織成立；
  • 財產所有權改變；
  • 技術被發明；
  • 新職業形成；
  • 社會派系產生；
  • 新制度改變其他 Agent 的可行行動；
  • 城鎮本身因居民長期行為而變成另一種社會。

這才是本系列所稱：

Open-ended AI-Native World.\boxed{ Open\text{-}ended\ AI\text{-}Native\ World. }

4. Event Emergence 與 Structural Emergence

這是研究 AI 模擬時非常容易混淆的一點。

假設今天：

  • A 和 B 吵架；
  • C 去幫忙咖啡館；
  • D 因為下雨沒有上班；
  • E 臨時代班；
  • F 在市場遇到 G。

這些都可以不是預先寫好的。

因此它們屬於：

Event Emergence\boxed{ Event\ Emergence }

也就是：

在固定的世界規則與固定的可能性空間中，產生未預先指定的事件序列。

但是假設十天後：

  • A 因此獲得新的職業能力；
  • B 因此失去財產；
  • C 成立新的組織；
  • D 發明新的技術；
  • E 取得新的權力；
  • F 與 G 的聯盟改變其他居民的行為空間。

這就不只是事件序列不同。

而是：

Structural Emergence\boxed{ Structural\ Emergence }

也就是：

事件本身改變未來可以發生哪些事件。

因此：

Event Emergence≠Structural Emergence.Event\ Emergence \neq Structural\ Emergence.

這將成為後續研究 Attractor、Persistent Differentiation 與 Open-ended Evolution 的核心區分。

5. 為什麼「世界一直發生事情」仍可能沒有歷史

一個 AI 世界可以非常熱鬧，卻仍然停留在穩態。

假設居民具有：

[ Energy,\ Satiety,\ Stress,\ SocialNeed. ]

那麼：

Hunger→Eat→Satiety→HungerHunger \rightarrow Eat \rightarrow Satiety \rightarrow Hunger

以及：

Fatigue→Sleep→Energy→Fatigue.Fatigue \rightarrow Sleep \rightarrow Energy \rightarrow Fatigue.

服務壓力也可能是：

Pressure→Help→PressureResolved.Pressure \rightarrow Help \rightarrow PressureResolved.

衝突則可能是：

Conflict→Cooldown→Normality.Conflict \rightarrow Cooldown \rightarrow Normality.

這些系統都很重要。

但它們大多屬於：

Negative Feedback\boxed{ Negative\ Feedback }

其目的就是將世界重新拉回穩態。

因此一個模擬即使每天發生不同事情，也可能最終形成：

Stochastic Homeostatic Attractor\boxed{ Stochastic\ Homeostatic\ Attractor }

也就是：

有隨機事件、有個體差異、有 LLM 決策，但整體仍不斷回到工作、吃飯、休息、聊天與睡眠的生活吸引子。

這不是錯誤。

對生活模擬而言，它甚至是一種必要穩定性。

但：

Sustainable Simulation≠Open-ended Evolution.\boxed{ Sustainable\ Simulation \neq Open\text{-}ended\ Evolution. }

這也是本系列後半部最重要的命題之一。

6. World Projection：Agent 不應看到整個世界

如果每一名 Agent 每次決策都收到整個世界資料：

Agenti←WtAgent_i\leftarrow W_t

不只 Token 成本會快速爆炸，也會造成一種本體論問題：

每個 NPC 都變成全知者。

因此更合理的形式是：

Oi(t)=Pi(Wt)\boxed{ O_i(t)=P_i(W_t) }

其中：

  • WtW_t 是完整世界狀態；
  • PiP_i 是居民 (i) 的 World Projection Operator；
  • OiO_i 是該居民實際可知的世界。

例如 Agent 的 wake packet 只投影：

  • 自己；
  • 附近居民；
  • 所在地點；
  • 自己的工作；
  • 自己知道的公告；
  • 自己知情的 Social Matters；
  • 自己遭遇的事件；
  • 自己的記憶。

所以：

Knowledgei⊆WorldFacts.Knowledge_i \subseteq WorldFacts.

這不只是效能優化。

它是 AI 社會能否存在：

  • 秘密；
  • 謠言；
  • 誤解；
  • 資訊不對稱；
  • 探索；
  • 專業知識；

的必要條件。

7. Memory 不等於 Log

另一項重要區分是：

WorldHistory≠AgentMemory.WorldHistory \neq AgentMemory.

World Log 應該回答：

世界客觀發生了什麼？

而 Agent Memory 回答：

這名居民認為發生了什麼？

my_ai_town 的正式記憶條目已經包含：

  • subject
  • interpretation
  • source_kind
  • source_resident_id
  • claim_root_id
  • confidence
  • evidence_refs
  • state

並正式限制 confidence 在 0∼1000\sim100 之間。

親歷與二手消息也不是同一初始可信度；Formal Memory Builder 會給 firsthand 較高、hearsay 較低的初始 confidence。

同一 claim 若遇到一致證據，可以強化；遇到衝突證據，則可以降低 confidence、進入 doubtful / anomalous，甚至由後來的親歷證據修正為 corrected。

因此後續文章將使用：

WorldTruth→Evidence→Belief\boxed{ WorldTruth \rightarrow Evidence \rightarrow Belief }

而不是：

WorldTruth=Belief.WorldTruth=Belief.

8. 本系列採用的核心分析單位

後續研究不再以：

「有沒有某功能」

作為主要判斷方式。

而是分析五種結構。

8.1 State

世界保存什麼？

St.S_t.

8.2 Transition

什麼事情可以使：

St→St+1?S_t\rightarrow S_{t+1}?

8.3 Authority

誰有權確認這次 Transition？

LLM？

World Runtime？

玩家？

系統事件？

8.4 Projection

哪些 Agent 能知道這次 Transition？

Pi(St).P_i(S_t).

8.5 Persistence

這項改變多久之後仍然存在？

分鐘？

一天？

整個存檔？

永久改變未來行動空間？

這五個問題，比單純問：

「有沒有 AI 記憶？」

更能判斷系統真正成熟度。

9. 研究方法：從專案功能轉向可重建結構

本系列使用 my_ai_town 作為主要案例，但目的不是複製其程式。

研究過程遵守：

Implementation→StructuralPrinciple→GeneralArchitecture\boxed{ Implementation \rightarrow Structural Principle \rightarrow General Architecture }

例如看到：

known_announcements

我們不只記：

系統有公告。

而要問：

Who Knows What?\text{Who Knows What?}

看到：

qualification

也不只記：

有職業系統。

而要抽象成：

History→CapabilityChange.History \rightarrow CapabilityChange.

看到 research booklet，也不是只描述：

有一本研究冊。

而是抽象成：

Knowledge→Artifact→Logistics→Service.Knowledge \rightarrow Artifact \rightarrow Logistics \rightarrow Service.

最後再問：

Knowledge→Capability?Knowledge \rightarrow Capability?

這就是本系列所採用的：

Clean-room Structural Extraction\boxed{ Clean\text{-}room\ Structural\ Extraction }

方法。

研究的是可重建原理，而不是依賴特定程式實作。

10. 系列的最終問題

本系列最後想回答的不是：

「如何讓 NPC 更聰明？」

而是：

如何讓世界因為 NPC 的存在而變得不同？

兩者差異很大。

前者關心：

AgentCapability↑.AgentCapability\uparrow.

後者關心：

WorldHistory↑.WorldHistory\uparrow.

真正的 AI 原生遊戲不應只是：

Game+LLM NPC.\text{Game} + \text{LLM NPC}.

而應該逐步走向：

WorldRuntime+AgentCognition+PersistentCausality+SocialDynamics+HistoricalDifferentiation\boxed{ WorldRuntime + AgentCognition + PersistentCausality + SocialDynamics + HistoricalDifferentiation }

最終形成：

World→Evidence→Belief→Intent→Action→World′\boxed{ World \rightarrow Evidence \rightarrow Belief \rightarrow Intent \rightarrow Action \rightarrow World' }

並且：

World′≠WorldWorld'\neq World

不只是因為時間增加了一分鐘，而是因為：

這個世界真的經歷過某些事情。

11. 結論

生成式 AI 已經讓 NPC 從腳本角色，開始變成具有記憶、個性與自主決策能力的 Agent。

但：

Autonomous Agent≠Autonomous World.\text{Autonomous Agent} \neq \text{Autonomous World}.

一個真正的 AI 原生世界需要的不只是更大的模型，而是更完整的：

  • World Authority；
  • Observation Projection；
  • Action Ontology；
  • Persistent Memory；
  • Causal History；
  • Social Matter；
  • Information Topology；
  • Persistent Differentiation；
  • Cross-Domain Coupling。

因此，本系列將 AI 遊戲的核心研究問題重新定義為：

如何讓 Agent 的歷史， 真正成為世界的歷史？\boxed{ \text{如何讓 Agent 的歷史， 真正成為世界的歷史？} }

第 1 篇將從最底層開始：

《意圖不是現實：Agent–World Authority Architecture》

研究大型語言模型為什麼不應該直接成為世界真相，以及 Intent、Validation、Execution、Settlement 四層如何構成 AI 原生遊戲最基本的本體論邊界。