# 03｜遊戲不是內容資料：遊戲作為可執行因果世界 ## Games Are Not Merely Content Data: Games as Executable Causal Worlds **系列：**《可執行資料與深層解構學習》 **篇次：** 03 / 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 AI／可執行資料／互動環境／Agent 學習／因果與狀態轉移方法論 **範圍聲明：** 本文研究遊戲作為 AI 學習與解構母體的結構特性，不主張遊戲是唯一或最高等級的 AI 資料來源。 **法律聲明：** 本文討論一般研究方法，不構成特定遊戲逆向工程、授權或著作權法律意見。 --- ## 摘要 文字、圖片、聲音與影片是現代人工智慧最重要的資料來源，但它們主要記錄世界或人類產物的「表現結果」。遊戲則具有另一種關鍵性質：遊戲是一個可以被反覆操作、重置、干預、執行與驗證的人工世界。玩家或 Agent 不只觀看世界，而能輸入行動，使世界狀態按照規則產生新的狀態。因此，遊戲資料不能完整化約為內容資料。 本文提出： $$ \boxed{ \text{Game Data} = \text{Content Data} + \text{State} + \text{Action} + \text{Transition} + \text{Rule} + \text{Goal} + \text{Feedback} + \text{History} } $$ 並將最小可執行遊戲世界表示為： $$ \boxed{ \mathfrak G = ( \mathcal S, \mathcal O, \mathcal A, \mathcal T, \mathcal R, \mathcal G, \mathcal H, \mathcal E ) } $$ 其中 $\mathcal S$ 為內部狀態空間， $\mathcal O$ 為可觀測空間， $\mathcal A$ 為行動空間， $\mathcal T$ 為轉移機制， $\mathcal R$ 為規則與約束， $\mathcal G$ 為目標， $\mathcal H$ 為歷史， $\mathcal E$ 為評估器。 本文進一步區分「遊戲影片」與「遊戲本體」： $$ \boxed{ \text{Recorded Trajectory} \subsetneq \text{Interventional Possibility Space} } $$ 影片提供一條已發生軌跡，而遊戲允許研究者從相同或近似初態進行不同干預，觀察： $$ a_t^{(1)} \neq a_t^{(2)} $$ 是否導致： $$ s_{t+1}^{(1)} \neq s_{t+1}^{(2)}. $$ 因此遊戲天然適合作為反事實、規劃、策略、控制、記憶、世界模型與 Agent 泛化研究的實驗母體。 本文同時指出，現有 AI 與遊戲研究已建立重要基礎：Arcade Learning Environment 將大量 Atari 遊戲統一為一般智能評測平台；Procgen 以程序生成環境測試泛化；MineDojo 將 Minecraft 擴展為包含數千任務與網路規模多模態知識的開放世界研究平台；BEDD 提供數千段人類示範與大量 image-action pairs；SIMA 與 SIMA 2 則進一步讓一般化 Agent 在多款商業 3D 遊戲中從畫面與自然語言指令產生鍵鼠行動。 然而，本文提出的「遊戲解構」比「讓 AI 觀看或遊玩遊戲」更深一層。研究目標不是只有： $$ \text{Observation} \rightarrow \text{Action Policy}, $$ 而是： $$ \boxed{ \text{Game} \rightarrow \text{State Structure} \rightarrow \text{Functional Types} \rightarrow \text{Mechanism} \rightarrow \text{Causal Relations} \rightarrow \text{Independent Reconstruction}. } $$ 遊戲因此不只是 AI benchmark，也可以成為一種「可執行文明遺產」：人類數十年軟體工程、遊戲設計、規則設計、控制方法、世界模擬與人工智能實作被封裝在可操作系統中。系統性解構這些世界，可以建立比單純影音語料更接近「如何做出系統」的深層學習資料。 **關鍵詞：** 遊戲 AI、Executable Data、Causal World、State-Action Transition、Agent、World Model、Reinforcement Learning、Game Archaeology、SIMA、MineDojo、ALE --- # 1. 內容資料與可執行資料不是同一類資料 令一般內容資料為： $$ D_C. $$ 它可以包括： - text； - image； - audio； - video； - static code snapshot； - document； - illustration； - novel； - film。 這些資料主要回答： > 某個產物是什麼？ 或者： > 某件事情曾如何被描述或呈現？ 但可執行資料需要回答： > 如果我做另一個動作，會發生什麼？ 因此本文提出： $$ \boxed{ D_E \neq D_C. } $$ 其中： $$ D_E = \text{Executable Data}. $$ --- # 2. 影片只能保存一條已發生軌跡 假設一段遊戲影片保存： $$ \tau = (o_0,a_0,o_1,a_1,\ldots,o_T). $$ 即使影片完整包含： - 畫面； - 聲音； - 玩家操作； - 任務； - 結果； 它仍然只記錄： $$ \boxed{ \text{One Realized Trajectory}. } $$ 影片本身無法直接回答： > 如果第 $t$ 步沒有攻擊，而是逃跑，之後會怎樣？ 除非我們有另一條對應資料。 --- # 3. 遊戲可以重新執行問題 遊戲系統允許： $$ s_t \xrightarrow{a_t} s_{t+1}. $$ 如果可以保存／重建初態： $$ s_t, $$ 則可以測： $$ s_t \xrightarrow{a_t^{(1)}} s_{t+1}^{(1)} $$ 以及： $$ s_t \xrightarrow{a_t^{(2)}} s_{t+1}^{(2)}. $$ 因此： $$ \boxed{ a_t^{(1)} \neq a_t^{(2)} } $$ 可以形成實際 intervention。 這種能力使遊戲與靜態影音具有本質差異。 --- # 4. 遊戲的最小結構 本文將遊戲世界抽象為： $$ \boxed{ \mathfrak G = ( \mathcal S, \mathcal O, \mathcal A, \mathcal T, \mathcal R, \mathcal G, \mathcal H, \mathcal E ). } $$ 其中： - $\mathcal S$：內部 state space； - $\mathcal O$：observation space； - $\mathcal A$：action space； - $\mathcal T$：transition mechanism； - $\mathcal R$：rules / constraints； - $\mathcal G$：goals； - $\mathcal H$：history； - $\mathcal E$：evaluation / feedback。 --- # 5. State 與 Observation 必須分離 一個常見錯誤是： $$ \boxed{ o_t=s_t. } $$ 但大多數商業遊戲並非如此。 例如玩家看到： - 一個 NPC； - 血量條； - 畫面上的敵人； - 小地圖； - UI。 但內部可能還存在： - hidden cooldown； - aggro table； - scheduler state； - relationship score； - random seed； - AI memory； - future event queue； - world flags； - spawn controller。 因此： $$ \boxed{ o_t = \Omega(s_t) } $$ 其中： $$ \Omega $$ 為 observation function。 通常： $$ \Omega $$ 不是 injective。 也就是不同內部狀態可能產生相同表面畫面。 --- # 6. 為什麼「只讓 AI 看影片」還不夠？ 如果 AI 只看到： $$ o_t, $$ 它需要反推出： $$ \hat s_t. $$ 這是典型 partial observability 問題。 影片可以訓練： - perception； - imitation； - action prediction； - visual representation； - reward inference。 但若缺少： - hidden state； - alternative action； - counterfactual trial； - reset； - replay； - instrumentation； 則 AI 很難區分： $$ \text{Correlation} $$ 與： $$ \text{Mechanism}. $$ --- # 7. Source Code 也不自動等於遊戲理解 另一個極端是： > 如果有完整開源程式碼，AI 就已經理解遊戲。 這同樣不成立。 Source code 可以提供： $$ \boxed{ \text{Implementation Evidence}. } $$ 但不能自動提供： $$ \boxed{ \text{Functional Abstraction}. } $$ 例如程式碼中可能存在： ```text ThinkTree JobDriver ActionNode BrainComponent BehaviorController ``` 這些名字具有 implementation-specific semantics。 真正的解構還需要抽象成： ```text candidate generation priority arbitration task scheduling execution controller memory update world-state commit ``` 因此： $$ \boxed{ \text{Source} \neq \text{Architecture} \neq \text{General Mechanism}. } $$ --- # 8. 遊戲作為人工因果系統 遊戲中的世界轉移通常由明確程式控制。 最簡化可寫為： $$ \boxed{ s_{t+1} = F(s_t,a_t,\xi_t) } $$ 其中： $$ \xi_t $$ 可以包含： - RNG； - NPC simultaneous actions； - network events； - scripted events； - scheduler； - environment dynamics。 若可以控制或記錄 $\xi_t$，則實驗可具有更強重現性。 --- # 9. 「因果世界」不是說我們天然知道全部因果真相 本文使用「可執行因果世界」時，需要一個重要限制。 遊戲可執行不代表研究者自動知道： $$ F. $$ 在商業遊戲中： - source 可能不可見； - RNG 可能未知； - state 可能隱藏； - subsystem 可能並行； - engine 可能 nondeterministic； - server state 可能不可取得。 因此遊戲提供的是： $$ \boxed{ \text{Interventional Access Potential} } $$ 而不是： $$ \boxed{ \text{Automatic Causal Ground Truth}. } $$ --- # 10. Reset 是非常珍貴的研究能力 現實世界很多行動不可逆。 但遊戲可以： $$ \boxed{ \operatorname{Reset}(s_0). } $$ 同一初態可以反覆測試。 例如： $$ \{a_1,a_2,\ldots,a_n\} $$ 可以從同一 checkpoint 展開： $$ s_0 \rightarrow \{ s_1^{(1)}, s_1^{(2)}, \ldots, s_1^{(n)} \}. $$ 這使大量反事實測試變得低成本。 --- # 11. Save / Replay 形成狀態實驗接口 許多遊戲具有： - save； - autosave； - replay； - seed； - scenario； - deterministic or semi-deterministic simulation。 研究者因此可以保存： $$ \boxed{ \text{Experiment Initial Condition}. } $$ 即使無法取得完整 state，也可以建立操作上足夠穩定的近似實驗條件。 --- # 12. 遊戲比現實便宜的地方：失敗成本 現實機器人： $$ a_t=\text{錯誤動作} $$ 可能造成： - 硬體損壞； - 人員風險； - 財產損失； - 時間成本。 遊戲中： $$ a_t=\text{錯誤動作} $$ 通常只需要： $$ \operatorname{Reset}. $$ 因此： $$ \boxed{ C_{\text{failure}}^{game} \ll C_{\text{failure}}^{physical}. } $$ 這也是遊戲長期成為 AI 研究環境的重要原因。 --- # 13. Arcade Learning Environment：第一個重要歷史範例 Bellemare 等人在 2012 年提出 Arcade Learning Environment（ALE），將大量 Atari 2600 遊戲建立成統一介面，用於評估一般、domain-independent AI 方法。 ALE 的重要性不只是： > AI 可以玩 Atari。 而是： $$ \boxed{ \text{Many Games} \rightarrow \text{Unified Experimental Interface}. } $$ 它使： - reinforcement learning； - model learning； - planning； - imitation； - transfer； - intrinsic motivation； 可以在共同環境中比較。 這是「遊戲群作為 AI 實驗母體」的重要早期形式。 --- # 14. DQN：從畫面到動作的典型路徑 2013 年的 Atari deep reinforcement learning 工作展示： $$ \text{Pixels} \rightarrow \text{Policy / Value} \rightarrow \text{Action}. $$ 這是遊戲學習非常重要的一條路。 然而本文關心的是另一個問題： > 模型會玩，不代表我們已經將遊戲內部的可泛化結構解構出來。 因此： $$ \boxed{ \text{Policy Competence} \neq \text{Mechanism Reconstruction}. } $$ 兩者可以互相支持，但不能混淆。 --- # 15. Procgen：世界多樣性本身成為資料 Procgen Benchmark 提供 16 個程序生成 game-like environments，用於測試 reinforcement learning 的： - sample efficiency； - generalization。 其重要思想是： $$ \boxed{ \text{Environment Distribution} } $$ 本身就是學習條件。 若 Agent 只在固定關卡學習： $$ E_1, $$ 它可能記住環境。 若訓練於： $$ E\sim\mathcal D_E, $$ 則更接近： $$ \boxed{ \text{Generalization across worlds}. } $$ 這與本系列前一篇的 coverage / diversity 問題直接相連。 --- # 16. Minecraft：從封閉任務走向開放世界 Minecraft 特別重要，因為其世界具有： - procedural generation； - resource system； - crafting； - combat； - navigation； - construction； - long-horizon goals； - open-ended interaction。 因此它比單一 arcade game 更接近： $$ \boxed{ \text{Persistent Interactive World}. } $$ --- # 17. MineDojo：遊戲 + 網路知識 + 任務 MineDojo 將 Minecraft 建立為開放式 embodied agent 研究框架。 其架構包含： 1. 大量任務與目標； 2. simulation suite； 3. internet-scale multimodal knowledge； 4. videos、tutorials、Wiki、forum discussions； 5. 可擴展 agent learning。 這已經從： $$ \text{Game Only} $$ 擴展成： $$ \boxed{ \text{Game} + \text{External Knowledge} + \text{Agent}. } $$ --- # 18. BEDD：影片開始與 action 對齊 BASALT Evaluation and Demonstrations Dataset（BEDD）包含大量 Minecraft 人類示範。 其資料不只是影片。 它包含約： $$ 26\,000\,000 $$ 個 image-action pairs，來自近： $$ 14\,000 $$ 段人類遊玩影片，並搭配數千筆人類 pairwise evaluation。 這個例子非常重要。 因為它把： $$ \text{Video} $$ 升級成： $$ \boxed{ \text{Observation} + \text{Action} + \text{Task} + \text{Human Evaluation}. } $$ --- # 19. SIMA：商業遊戲成為跨世界 Agent 訓練場 Google DeepMind 的 SIMA 研究直接在多款商業 3D 遊戲與研究環境中訓練 Agent。 第一代 SIMA 使用： - screen images； - natural-language instruction； - keyboard / mouse action； 並且不要求存取遊戲 source code 或 bespoke game API。 這使： $$ \boxed{ \text{Human Interface} } $$ 本身成為通用 Agent interface。 --- # 20. SIMA 2：從指令跟隨走向高階意圖與遷移 2025 年公開的 SIMA 2 進一步整合 Gemini reasoning。 其研究方向包括： - 更複雜自然語言指令； - 多步驟目標； - 未見遊戲泛化； - 行動跨遊戲遷移； - 自我改善； - generated worlds。 其公開展示甚至將 SIMA 2 與 Genie 3 生成世界結合，讓 Agent 在未見虛擬環境中行動。 這表示： $$ \boxed{ \text{Game Learning} \rightarrow \text{Multi-World Action Generalization}. } $$ 已經成為當代 Agent 研究的重要方向。 --- # 21. 但「讓 AI 玩」仍不是本文的終點 假設 Agent： $$ \pi $$ 在某遊戲取得高分： $$ \operatorname{Score}(\pi)\gg0. $$ 我們仍不知道它是否能回答： - 這個 NPC 為什麼這樣選？ - 哪些 subsystem 產生這個行為？ - 這個 scheduler 可以替換嗎？ - 哪個設計是不變量？ - 哪些只是遊戲內容？ - 哪些架構可遷移到另一款遊戲？ - 能否重建一個功能等效但程式完全獨立的系統？ 因此本文提出： $$ \boxed{ \text{Playing} < \text{Deconstructing} } $$ 不是能力高低的絕對排序，而是研究深度不同。 --- # 22. 遊戲解構需要從軌跡回到機制 一般 trajectory： $$ \tau = (s_0,a_0,s_1,\ldots,s_T) $$ 真正解構希望重建： $$ \boxed{ \hat F,\hat R,\hat G,\hat M. } $$ 其中： - $\hat F$：候選 transition mechanism； - $\hat R$：候選 rule system； - $\hat G$：候選 goal structure； - $\hat M$：候選 memory / state machinery。 --- # 23. 從 implementation-specific 名稱到 functional type 不同遊戲可能使用： ```text ThinkTree DecisionPackage Brain AIController JobGiver ActionPlanner ``` 但解構後可能映射為： $$ \boxed{ \text{Candidate Generator} } $$ 或： $$ \boxed{ \text{Action Selector}. } $$ 因此需要： $$ \boxed{ \text{Implementation Symbol} \rightarrow \text{Functional Type}. } $$ 這一步是跨遊戲學習的前提。 --- # 24. Functional Type 之後才有跨遊戲比較 例如： ```text Game A: Hunger Game B: FoodNeed Game C: Nutrition Game D: SurvivalUrgency ``` 可能都屬於： $$ \boxed{ \text{Resource-Deficit Drive}. } $$ 只有完成這一步，AI 才不是： > 記住四款遊戲有四個不同欄位。 而是： > 理解四種實作共享一個功能類型。 --- # 25. Composition 是遊戲智能的關鍵資料 一個完整遊戲 AI 往往不是： $$ \text{FSM}. $$ 而可能是： $$ \boxed{ \text{Need} \rightarrow \text{Utility} \rightarrow \text{Scheduler} \rightarrow \text{Behavior Controller} \rightarrow \text{Navigation} \rightarrow \text{World Commit}. } $$ 因此解構真正要保存： - subsystem； - dependency； - update order； - interrupt； - priority； - fallback； - shared state； - event flow。 這些比單純： > 使用 Behavior Tree。 具有更高的工程資訊密度。 --- # 26. 遊戲資料的三種層次 本文初步區分： ## 26.1 Content Layer $$ D_C $$ 包括： - image； - text； - dialogue； - music； - animation； - map appearance。 ## 26.2 Trajectory Layer $$ D_T $$ 包括： - observation； - action； - reward； - task； - outcome； - replay。 ## 26.3 Mechanism Layer $$ D_M $$ 包括： - state schema； - rule； - scheduler； - transition； - memory； - causal dependency； - architecture； - invariant。 因此： $$ \boxed{ D_C < D_C+D_T < D_C+D_T+D_M } $$ 這裡的 $<$ 表示解構深度，而不是絕對資料價值。 --- # 27. 第四層：Intent Layer 更深一層還存在： $$ D_I. $$ 它回答： > 設計者為什麼要這樣做？ 例如： - 為了讓敵人看起來聰明； - 為了避免 NPC 卡住； - 為了讓玩家有反制空間； - 為了降低 CPU； - 為了維持戲劇張力； - 為了讓世界離屏仍保持連續性。 因此： $$ \boxed{ D_I = \text{Design Intent}. } $$ 這也是後續「意圖重建」系列終點的重要來源。 --- # 28. 可執行重建是理解驗證器 假設我們推測某遊戲機制為： $$ \hat M. $$ 則可建立： $$ \hat{\mathfrak G}. $$ 再比較： $$ Behavior( \hat{\mathfrak G} ) $$ 與： $$ Behavior( \mathfrak G ). $$ 若在重要測試族： $$ \mathcal T $$ 上： $$ \boxed{ d_B \left( Behavior(\hat{\mathfrak G}), Behavior(\mathfrak G) \right) \leq\epsilon, } $$ 則候選理解得到更強支持。 --- # 29. 重建不等於複製 本文明確區分： $$ \boxed{ \text{Reconstruction} \neq \text{Code Copy}. } $$ 真正研究價值來自： > 使用一般化機制，獨立重現功能或行為特徵。 例如： $$ \text{Observed NPC Behavior} $$ 可能由多個不同架構產生。 因此： $$ \boxed{ \text{Behavioral Equivalence} \neq \text{Implementation Identity}. } $$ --- # 30. 遊戲本身是一種「已執行的設計論文」 傳統論文描述： - 方法； - 模型； - 實驗； - 結論。 商業遊戲則把大量設計決策封裝成： $$ \boxed{ \text{Running Artifact}. } $$ 它包含： - 演算法； - 工程折衷； - 性能限制； - UI； - 玩家心理； - 內容； - 世界規則； - 版本修正； - 失敗經驗。 因此可以把遊戲視為： # **Executable Design Document** 不是因為它完整揭露設計意圖，而是因為設計決策已經被具現化為可運行系統。 --- # 31. 遊戲史是一個巨大的人工智能實驗史 從早期： - 簡單敵人規則； - scripted encounters； - 有限狀態機； 到後來： - pathfinding； - squad tactics； - utility； - behavior tree； - planning； - director； - autonomy； - world simulation； - neural agents； 電子遊戲已累積數十年的： $$ \boxed{ \text{Implemented Intelligence}. } $$ 這些知識並沒有全部被完整整理成統一教材。 --- # 32. 因此「遊戲考古」不是遊戲史整理 一般遊戲史可以問： > 哪年發售？ > 哪家公司開發？ > 銷量多少？ Game Intelligence Archaeology 問的是： > 哪些智能結構真的被實作？ > 它如何運行？ > 哪些組合反覆出現？ > 哪些失敗被後來作品修正？ > 哪些架構可以被重新使用？ 因此： $$ \boxed{ \text{History of Games} \neq \text{History of Implemented Game Intelligence}. } $$ --- # 33. 遊戲作為 AI 訓練資料的真正優勢 遊戲具有六個特別重要的能力。 ## 33.1 Resettable $$ \operatorname{Reset}(s). $$ ## 33.2 Intervenable $$ \operatorname{do}(a). $$ ## 33.3 Replayable $$ \operatorname{Replay}(\tau). $$ ## 33.4 Measurable 可以測： - score； - completion； - state； - resource； - time； - failure。 ## 33.5 Generative 程序生成或世界生成可以提供： $$ \mathcal D_E. $$ ## 33.6 Safe Failure 大部分錯誤可在虛擬環境中低成本發生。 --- # 34. 但遊戲也有重大限制 遊戲不能直接代表現實。 原因包括： - rules 是人工定義； - physics 可能簡化； - NPC 不是人； - reward 可能扭曲； - world state 有限； - designer intent 影響分布； - interface 與現實不同。 因此： $$ \boxed{ \text{Game Competence} \not\Rightarrow \text{Real-World Competence}. } $$ 遊戲更適合被視為： $$ \boxed{ \text{Controlled Intermediate World}. } $$ --- # 35. 下一階段資料單位：State–Action–Mechanism 傳統 imitation data： $$ (o_t,a_t). $$ 本文提出，深層解構後可以逐漸建立： $$ \boxed{ d_t = ( s_t, o_t, a_t, m_t, c_t, g_t, s_{t+1}, e_t ) } $$ 其中： - $m_t$：mechanism； - $c_t$：constraint； - $g_t$：goal； - $e_t$：evaluation。 這比純 image-action pair 更接近： $$ \boxed{ \text{Why the action works}. } $$ --- # 36. 如果 state 不可見怎麼辦？ 商業遊戲經常只有： $$ o_t. $$ 此時可以建立： $$ \hat s_t = I( o_{\leq t}, a_{ 這是 utility AI 還是 priority rule？ 資料庫不應強迫： $$ M=\text{UtilityAI}. $$ 而應保存： $$ \boxed{ M\in \{ M_1,M_2,\ldots,M_k \} } $$ 以及各自： $$ P(M_i\mid E). $$ 也就是把不確定性保留在研究結構中。 --- # 38. 可執行因果資料的最終形式 本文理想化地將深層遊戲資料表示為： $$ \boxed{ D_{\text{game}}^\* = \{ S, O, A, T, R, G, H, E, M, I \}. } $$ 其中額外： - $M$：mechanism abstraction； - $I$：design intent / inferred intent。 這已經不再只是： $$ \text{Gameplay Dataset}. $$ 而接近： $$ \boxed{ \text{Executable Knowledge Model}. } $$ --- # 39. 命題一：遊戲—內容非同一命題 $$ \boxed{ \text{Game} \not\equiv \text{Content}. } $$ 遊戲除了表面內容，還包含可執行狀態轉移與交互規則。 --- # 40. 命題二：軌跡—可能空間非同一命題 $$ \boxed{ \text{Recorded Trajectories} \subsetneq \text{Executable Possibility Space}. } $$ 影片與 replay 保存已實現路徑，而可重置遊戲允許探索未實現路徑。 --- # 41. 命題三：遊玩能力—機制理解非同一命題 $$ \boxed{ \text{Gameplay Competence} \not\equiv \text{Mechanism Understanding}. } $$ Agent 能成功完成任務，不代表已經抽取可解釋、可重建、可遷移的結構知識。 --- # 42. 命題四：Source—General Knowledge 非同一命題 $$ \boxed{ \text{Source Code} \not\equiv \text{Generalized Architecture}. } $$ 原始碼必須再經功能分類、結構抽象、跨系統正規化與因果分析，才可能成為可泛化知識。 --- # 43. 命題五：可執行重建驗證命題 若某機制假說： $$ \hat M $$ 可以生成獨立實作： $$ \hat{\mathfrak G} $$ 並在指定測試域內重現核心功能： $$ d_B \leq \epsilon, $$ 則其理解證據強於純文字解釋。 --- # 44. 從遊戲資料走向遊戲群 一款遊戲只能提供： $$ \mathfrak G_1. $$ 真正要發現一般規律，需要： $$ \boxed{ \{ \mathfrak G_1, \mathfrak G_2, \ldots, \mathfrak G_n \}. } $$ 跨遊戲後才可以判斷： - 哪些機制普遍； - 哪些只是一款作品特例； - 哪些是 genre pattern； - 哪些是年代限制； - 哪些是性能折衷； - 哪些是設計風格。 因此下一篇正式進入： # **04｜商業遊戲智能考古：從 AI 名作到普通遊戲群** --- # 45. 結論 遊戲的重要性不只是： > AI 可以在裡面學習。 更重要的是： > 遊戲本身是一種可操作、可重置、可干預、可重播、可測量的人造世界。 因此： $$ \boxed{ \text{Game} = \text{Content} + \text{Executable Causal Structure}. } $$ 從 AI 資料角度看： $$ \text{Text} $$ 主要提供語義； $$ \text{Image} $$ 主要提供視覺結構； $$ \text{Video} $$ 提供時間與行為軌跡； 而遊戲可以再增加： $$ \boxed{ \text{Intervention} + \text{Counterfactual} + \text{Execution} + \text{Validation}. } $$ 然而，直接讓 AI 看畫面、看影片、讀 JSON、讀 source code 或直接玩遊戲，仍然只完成部分學習。 真正的深層研究還需要： $$ \boxed{ \text{Observation} \rightarrow \text{Decomposition} \rightarrow \text{Functional Typing} \rightarrow \text{Normalization} \rightarrow \text{Mechanism Inference} \rightarrow \text{Reconstruction} \rightarrow \text{Validation}. } $$ 所以遊戲既是 AI training environment，也可以成為一個尚未被完整開採的「可執行知識礦山」。 下一步不再只是找一款遊戲讓 AI 學。 而是開始系統研究： $$ \boxed{ \text{Game Population}. } $$ --- # 參考資料 1. Bellemare, M. G., Naddaf, Y., Veness, J., & Bowling, M. (2012/2013). **The Arcade Learning Environment: An Evaluation Platform for General Agents.** 2. Mnih, V. et al. (2013). **Playing Atari with Deep Reinforcement Learning.** 3. Cobbe, K., Hesse, C., Hilton, J., & Schulman, J. (2019). **Leveraging Procedural Generation to Benchmark Reinforcement Learning.** 4. Mohanty, S. et al. (2021). **Measuring Sample Efficiency and Generalization in Reinforcement Learning Benchmarks: NeurIPS 2020 Procgen Benchmark.** 5. Fan, L. et al. (2022). **MineDojo: Building Open-Ended Embodied Agents with Internet-Scale Knowledge.** NeurIPS 2022 Datasets and Benchmarks. 6. Milani, S. et al. (2023). **BEDD: The MineRL BASALT Evaluation and Demonstrations Dataset for Training and Benchmarking Agents that Solve Fuzzy Tasks.** NeurIPS 2023 Datasets and Benchmarks. 7. Wang, G. et al. (2023). **Voyager: An Open-Ended Embodied Agent with Large Language Models.** 8. Google DeepMind (2024). **A generalist AI agent for 3D virtual environments (SIMA).** 9. Google DeepMind (2025). **SIMA 2: An Agent that Plays, Reasons, and Learns With You in Virtual 3D Worlds.** 10. Google DeepMind (2025). **Genie 3: A new frontier for world models.** 11. Google DeepMind (2021). **Generally capable agents emerge from open-ended play.** --- ## 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