# 04｜商業遊戲智能考古：從 AI 名作到普通遊戲群
## Commercial Game Intelligence Archaeology: From AI-Famous Titles to the Full Game Population

**系列：**《可執行資料與深層解構學習》  
**篇次：** 04 / 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／樣本方法論／商業遊戲智能考古／跨遊戲比較／研究矩陣  
**範圍聲明：** 本文討論合法取得、公開資料、正常遊玩、可重現黑箱觀察與獨立重建等一般研究方法，不主張對未授權商業內容進行散布。  

---

## 摘要

當遊戲被視為可執行因果世界後，下一個問題不再是「應該研究哪一款 AI 很厲害的遊戲」，而是「如何建立一個足以代表商業遊戲智能歷史的遊戲群」。如果研究者只選擇《The Sims》、《Dwarf Fortress》、《RimWorld》、《StarCraft》或大型策略遊戲等以人工智能、模擬或複雜系統聞名的作品，便會產生明顯的 selection bias：研究最後得到的可能只是極端案例的共同特徵，而不是一般商業遊戲智能的結構。

本文提出「商業遊戲智能考古」（Commercial Game Intelligence Archaeology, CGIA）框架，將研究對象由少量 AI 名作擴展為：

$$
\boxed{
\mathcal G_{\mathrm{population}}
=
\mathcal G_0
\cup
\mathcal G_1
\cup
\mathcal G_2
\cup
\mathcal G_3
}
$$

其中：

- $\mathcal G_0$：Minimal / Scripted AI；
- $\mathcal G_1$：Typical Commercial AI；
- $\mathcal G_2$：System-heavy AI；
- $\mathcal G_3$：AI-famous / Frontier Game Systems。

本文主張，普通 RPG、傳統 JRPG、一般敵人 AI、Boss script、自動戰鬥、一般 FPS、戰棋與常規商業作品，並不是低價值樣本。相反地，它們構成判斷「什麼是產業常態」的必要基線。沒有基線，就無法判斷某個著名 AI 架構究竟是革命性設計、類型慣例、性能折衷，還是只是被大量宣傳的普通工程。

本文進一步提出跨遊戲研究的最小單位不是「一款遊戲」，而是：

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

同一款遊戲可以產生數十到數百個研究單位，而同一 AI family 亦可橫跨數十款遊戲與數個年代。

官方資料已顯示不同 AI 名作的「智能」本質高度不同：《The Sims 4》持續對 Sim autonomy、偏好與物件使用進行調整；《Dwarf Fortress》的開發者公開討論 job selection、prioritization 與長期 fantasy-world simulation；《Victoria 3》公開描述 AI Strategies、priority、score、randomness、外交與經濟決策；Blizzard 則將《StarCraft II》正式提供為包含 scripted AI、image-based API、replay 與 offline AI-vs-AI 的研究平台。這些案例本身就說明，「遊戲 AI」不是單一技術類別。

因此，本研究不建立「最聰明遊戲排行榜」，而建立：

$$
\boxed{
\text{Game}
\times
\text{AI Domain}
\times
\text{Scale}
\times
\text{Evidence}
\times
\text{Mechanism}
\times
\text{Version}
}
$$

的研究矩陣，最終目標是重建：

# **History of Implemented Game Intelligence**

即電子遊戲數十年來真正被實作、組合、修正、淘汰與重新發現的人工智能工程史。

**關鍵詞：** 商業遊戲 AI、Game Intelligence Archaeology、遊戲群、Sampling Bias、The Sims、Dwarf Fortress、StarCraft、Paradox、JRPG、Auto-Battle

---

# 1. 從案例研究到遊戲群研究

最早期的遊戲 AI 研究通常很自然地從代表作開始。

例如研究者可能問：

- 《The Sims》的 NPC 為什麼看起來會自己生活？
- 《Dwarf Fortress》為什麼能產生龐大歷史與 emergent behavior？
- 《StarCraft》為什麼長期被 AI 研究者使用？
- 大型戰略遊戲如何讓國家 Agent 做外交與經濟決策？

這些都是好問題。

但如果最後資料庫只包含：

$$
\boxed{
\text{Famous AI Games},
}
$$

我們就無法知道：

> 這些機制究竟有多特殊？

因此研究必須從：

$$
\boxed{
\text{Case Study}
}
$$

擴展成：

$$
\boxed{
\text{Population Study}.
}
$$

---

# 2. 選樣偏差：為什麼只看 AI 名作會出錯？

令：

$$
\mathcal G
$$

為全部商業遊戲群。

若研究樣本只取：

$$
\mathcal G_{\mathrm{famous}}
\subset
\mathcal G,
$$

則觀察到的分布：

$$
P(M\mid\mathcal G_{\mathrm{famous}})
$$

不必然等於：

$$
P(M\mid\mathcal G).
$$

其中：

$$
M
$$

代表某種 AI mechanism。

例如 AI 名作可能過度代表：

- persistent simulation；
- autonomy；
- utility；
- multi-agent systems；
- strategic planning；
- emergent behavior。

卻低估：

- scripted logic；
- simple priority；
- condition-action rules；
- designer-authored encounter logic；
- finite state controller；
- low-cost enemy AI。

因此：

$$
\boxed{
\text{AI-Famous Sample}
\neq
\text{Commercial Baseline}.
}
$$

---

# 3. 普通遊戲為什麼反而必要？

假設我們研究一款複雜遊戲：

$$
G^\*.
$$

觀察到某個機制：

$$
M^\*.
$$

若沒有一般遊戲基線，我們無法判斷：

1. $M^\*$ 是否稀有？
2. 是否早已普遍使用？
3. 是否只是該類型標準做法？
4. 是否只是因宣傳而著名？
5. 是否真的造成體驗差異？
6. 是否只是性能或內容規模差異？

因此 ordinary games 具有：

$$
\boxed{
\text{Control Group Value}.
}
$$

---

# 4. 四層遊戲群

本文定義：

$$
\boxed{
\mathcal G
=
\mathcal G_0
\cup
\mathcal G_1
\cup
\mathcal G_2
\cup
\mathcal G_3.
}
$$

---

# 5. $\mathcal G_0$：Minimal / Scripted AI

這一層包括：

- 極簡敵人；
- 固定 Boss pattern；
- 明確 scripted event；
- 少量 condition-action；
- 簡單追蹤／逃跑；
- 低狀態空間 NPC。

研究價值不是：

> 它很聰明。

而是：

> 它提供最低可工作智能基線。

可以研究：

$$
\boxed{
\text{Minimum Viable Game Intelligence}.
}
$$

---

# 6. $\mathcal G_1$：Typical Commercial AI

這是最容易被研究者忽略、卻可能最重要的一層。

包含：

- 一般 JRPG；
- 普通 RPG；
- FPS；
- ARPG；
- tactical RPG；
- action game；
- common companion AI；
- enemy combat AI；
- auto-battle；
- ordinary boss logic。

其研究目標是：

$$
\boxed{
\text{Industrial Median}.
}
$$

也就是：

> 一般商業遊戲實際上用了什麼？

---

# 7. $\mathcal G_2$：System-heavy AI

這一層包含：

- colony simulation；
- life simulation；
- grand strategy；
- city simulation；
- persistent sandbox；
- faction economy；
- multi-agent world。

其特徵通常不是某一個 AI primitive 特別先進，而是：

$$
\boxed{
\text{Many Interacting Systems}.
}
$$

因此主要研究：

- state coupling；
- scheduler；
- priority；
- event system；
- simulation LOD；
- long-term state；
- persistence；
- cross-system feedback。

---

# 8. $\mathcal G_3$：AI-famous / Frontier Game Systems

此層包括歷史上因：

- AI；
- simulation；
- emergent behavior；
- tactical intelligence；
- general-agent research；

而具有高度代表性的作品。

其價值在於：

$$
\boxed{
\text{Upper / Historical Frontier Samples}.
}
$$

但：

$$
\mathcal G_3
$$

不能取代其他三層。

---

# 9. 《The Sims》：Autonomy 是一個持續工程問題

EA 在 2026 年仍公開將 Sim autonomy 列為重要品質改善領域，包括：

- 過度使用特定物件；
- 社交行為；
- caregiving；
- sleeping autonomy；
- preference 對 autonomous action 的影響。

這說明：

$$
\boxed{
\text{Autonomy}
}
$$

不是一個「做好一次就結束」的功能。

它涉及：

- preference；
- motive；
- object selection；
- interruption；
- social context；
- player expectation；
- bug interaction。

因此研究《The Sims》不應只問：

> 它是不是 Utility AI？

真正要研究的是：

$$
\boxed{
\text{Autonomy Composition}.
}
$$

---

# 10. 《Dwarf Fortress》：世界模擬與工作選擇不是同一問題

Bay 12 Games 將《Dwarf Fortress》的長期目標描述為：

> 建立一個可以參與豐富歷史的 fantasy world simulator。

其開發談話亦曾公開討論：

- AI guts rewrite；
- prioritization；
- job selection；
- nearest qualified dwarf selection；
- future job-priority changes。

因此《Dwarf Fortress》至少包含兩個不同研究尺度：

$$
\boxed{
\text{World Simulation}
}
$$

與：

$$
\boxed{
\text{Local Task Allocation}.
}
$$

若只用「AI 很複雜」描述，就會丟失真正的結構差異。

---

# 11. Paradox 類策略 AI：宏觀 Agent 並非單一 Planner

《Victoria 3》的官方 AI developer diary 公開描述：

- Administrative Strategy；
- Political Strategy；
- Diplomatic Strategy；
- priority；
- score；
- semi-random decision；
- Neutrality；
- Sympathy；
- Confidence；
- Boldness；
- economy spending；
- war-goal scoring。

這是一個很重要的公開案例。

因為它顯示宏觀策略 AI 可以是：

$$
\boxed{
\text{Layered Heuristics}
+
\text{Strategies}
+
\text{Priorities}
+
\text{Scores}
+
\text{Randomness}.
}
$$

而不是：

$$
\boxed{
\text{One Grand Planner}.
}
$$

---

# 12. 《StarCraft II》：遊戲也可以被產品化成 AI 實驗平台

Blizzard 公開的 StarCraft II API 包含：

- scripted AI API；
- image-based feature layer API；
- documentation；
- sample code；
- sample bots；
- offline AI-vs-AI；
- replay packs；
- Linux research build。

這使：

$$
\boxed{
\text{Commercial Game}
\rightarrow
\text{Research Environment}
}
$$

成為明確案例。

因此《StarCraft》研究可以同時包含：

1. 商業遊戲本身的 AI；
2. 玩家／研究 bot；
3. replay behavior；
4. learning agents；
5. scripted baseline。

---

# 13. 「AI 名作」本身也不是一種類型

比較以上案例：

$$
\text{The Sims}
$$

偏向：

$$
\text{Autonomy}
+
\text{Social}
+
\text{Object Interaction}.
$$

$$
\text{Dwarf Fortress}
$$

偏向：

$$
\text{World Simulation}
+
\text{Jobs}
+
\text{Persistence}.
$$

$$
\text{Victoria 3}
$$

偏向：

$$
\text{Macro Strategy}
+
\text{Economy}
+
\text{Diplomacy}.
$$

$$
\text{StarCraft}
$$

偏向：

$$
\text{Real-Time Control}
+
\text{Strategy}
+
\text{Research Interface}.
$$

因此：

$$
\boxed{
\text{AI-famous}
}
$$

只是一個歷史／聲譽標籤。

它不是 functional taxonomy。

---

# 14. 真正需要的是 AI Domain Matrix

本文提出：

$$
\boxed{
\mathcal A
=
\{
A_{\text{agent}},
A_{\text{social}},
A_{\text{combat}},
A_{\text{strategic}},
A_{\text{economic}},
A_{\text{world}},
A_{\text{narrative}},
A_{\text{director}},
A_{\text{scheduler}},
A_{\text{memory}},
A_{\text{path}},
A_{\text{coordination}},
A_{\text{auto}}
\}.
}
$$

每款遊戲映射到：

$$
\phi(G)
\subseteq
\mathcal A.
$$

這樣：

$$
\text{The Sims}
$$

與：

$$
\text{StarCraft}
$$

不再被粗糙地比較：

> 誰 AI 比較強？

而是比較：

> 它們分別覆蓋哪些 intelligence domains？

---

# 15. 研究單位不是 Game

如果資料表只有：

```text
Game: RimWorld
AI: complex
```

幾乎沒有研究價值。

最小研究單位應為：

$$
\boxed{
U
=
(
G,V,P,S,B,E,M,R
).
}
$$

其中：

- $G$：Game；
- $V$：Version；
- $P$：Platform；
- $S$：Subsystem；
- $B$：Behavior；
- $E$：Evidence；
- $M$：Mechanism；
- $R$：Reconstruction。

---

# 16. 同一款遊戲可以產生數百個研究單位

例如一款 RPG 可以拆：

- enemy targeting；
- heal policy；
- buff policy；
- debuff policy；
- boss phase；
- companion follow；
- pathfinding；
- flee logic；
- encounter scheduler；
- difficulty scaling；
- auto battle；
- quest NPC schedule。

因此：

$$
\boxed{
N_U
\gg
N_G.
}
$$

即研究單位數遠大於遊戲數。

---

# 17. 為什麼 Dragon Quest、Final Fantasy 類普通經典必須進來？

經典 JRPG 的價值不是：

> 它們一定擁有最先進 AI。

而是它們橫跨：

- 長年代；
- 多平台；
- 多版本；
- 大量敵人；
- Boss；
- party system；
- command battle；
- auto-battle / assisted battle；
- status system。

它們非常適合研究：

$$
\boxed{
\text{Commercial Combat Intelligence Baseline}.
}
$$

也就是：

> 一般戰鬥 AI 究竟演化到了什麼程度？

---

# 18. Auto-Battle 是特別好的橫向研究域

自動戰鬥可以從最簡單：

$$
\text{Attack}
$$

逐漸變成：

$$
\boxed{
\text{Condition}
\rightarrow
\text{Priority}
\rightarrow
\text{Target}
\rightarrow
\text{Action}.
}
$$

再進一步：

$$
\boxed{
\text{Party State}
+
\text{Enemy State}
+
\text{Resource State}
+
\text{Strategy}
\rightarrow
\text{Action}.
}
$$

因此 Auto-Battle 可以跨：

- JRPG；
- MMORPG；
- mobile RPG；
- tactical RPG；

建立獨立 evolution matrix。

---

# 19. 為什麼「笨 AI」也是資料？

如果某敵人：

- 永遠追最近目標；
- 不會撤退；
- 不記憶；
- 不規劃；
- 只使用固定技能；

這仍然是一個：

$$
\boxed{
\text{Implemented Policy}.
}
$$

它可以作為：

- baseline；
- negative example；
- minimum architecture；
- failure mode；
- design choice。

因此：

$$
\boxed{
\text{Bad AI}
\neq
\text{Useless Data}.
}
$$

---

# 20. AI 的「笨」也可能是設計選擇

一個敵人不採最佳策略，可能原因包括：

- fairness；
- readability；
- reaction time；
- player counterplay；
- genre convention；
- CPU budget；
- dramatic pacing。

因此：

$$
\boxed{
\text{Suboptimal Policy}
\not\Rightarrow
\text{Bad Design}.
}
$$

這正是為什麼後續需要 intent reconstruction。

---

# 21. Sampling 必須跨年代

只研究現代遊戲會產生：

$$
\boxed{
\text{Modernity Bias}.
}
$$

因此至少應包含：

- 早期家用機；
- 16-bit；
- 32-bit；
- PC 經典期；
- 2000s；
- 2010s；
- current era。

這樣才能看：

$$
\boxed{
\text{Mechanism Evolution}.
}
$$

---

# 22. Sampling 必須跨平台

不同平台具有不同限制：

- CPU；
- memory；
- input；
- storage；
- network；
- patchability。

因此：

$$
\boxed{
\text{Platform Constraint}
}
$$

可能直接影響 AI 架構。

應至少記錄：

$$
(Game,Version,Platform).
$$

---

# 23. Sampling 必須跨類型

若只研究 RPG：

$$
P(M\mid RPG)
$$

不代表：

$$
P(M\mid Game).
$$

因此至少需要：

- RPG；
- JRPG；
- RTS；
- FPS；
- simulation；
- strategy；
- tactics；
- management；
- sandbox；
- action；
- stealth；
- racing；
- sports；
- card / deck systems。

---

# 24. Sampling 必須跨「名氣」

本文建議每批研究同時包含：

$$
\boxed{
\text{Famous}
+
\text{Typical}
+
\text{Obscure}.
}
$$

理由是：

- Famous：資料多、歷史價值高；
- Typical：產業基線；
- Obscure：可能提供未被整理的機制。

---

# 25. Documentation Bias

某遊戲資料很多：

$$
D(G_1)\gg D(G_2)
$$

不代表：

$$
\text{Intelligence}(G_1)
>
\text{Intelligence}(G_2).
$$

它可能只是：

- 社群大；
- MOD 多；
- 開發者公開；
- Wiki 完整；
- 研究論文多。

因此需要將：

$$
\boxed{
\text{Documentation Richness}
}
$$

與：

$$
\boxed{
\text{Mechanism Richness}
}
$$

分開。

---

# 26. Fame Bias

某遊戲因「AI 很強」出名，可能受到：

- marketing；
- press；
- historic reputation；
- memorable anecdote；

影響。

因此：

$$
\boxed{
\text{Reputation}
\neq
\text{Measured Mechanism Complexity}.
}
$$

研究必須回到 evidence。

---

# 27. Survivorship Bias

我們現在知道的經典遊戲，通常是：

$$
\boxed{
\text{Survivors}.
}
$$

大量失敗、冷門或消失作品可能包含：

- 失敗 AI；
- 被淘汰架構；
- 有趣但沒市場的設計。

因此長期研究如果只研究 classics，會失去：

$$
\boxed{
\text{Failed Design History}.
}
$$

---

# 28. 版本是一級研究對象

令遊戲：

$$
G
$$

具有版本：

$$
v_1,v_2,\ldots,v_n.
$$

AI 可能在 patch 中改變：

- target scoring；
- frequency；
- preference；
- job selection；
- pathfinding；
- priority；
- bug behavior。

例如 EA 2026 年仍持續修改《The Sims 4》autonomy；Paradox 的更新日誌亦持續記錄 AI 建設、外交、戰爭與經濟判定調整。

因此：

$$
\boxed{
G
\neq
G_v.
}
$$

---

# 29. Patch Notes 是極高價值資料

Patch notes 常直接透露：

> 原來系統以前會怎麼錯。

例如：

```text
AI no longer...
AI now considers...
AI prioritizes...
NPCs should no longer...
```

這種資料可以形成：

$$
\boxed{
\text{Failure}
\rightarrow
\text{Patch}
\rightarrow
\text{Mechanism Hypothesis}.
}
$$

它對解構非常有價值。

---

# 30. Failure Data 可能比成功展示更有資訊量

成功遊玩只能看到：

$$
\text{System Works}.
$$

Bug report 可能暴露：

- priority conflict；
- scheduler race；
- bad scoring；
- missing constraint；
- state desynchronization；
- pathological loop。

因此：

$$
\boxed{
I(\text{Failure})
>
I(\text{Normal Case})
}
$$

在某些研究問題上可能成立。

---

# 31. Evidence Type 必須標準化

本文建議至少使用：

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

---

# 32. Observed 不等於 Documented

例如：

```text
[OBSERVED]
NPC 經常優先處理飢餓。

[DOCUMENTED]
官方說明存在 hunger motive。

[INFERRED]
推測 hunger 進入 utility / priority calculation。

[RECONSTRUCTED]
建立候選 utility selector。

[VALIDATED_RECONSTRUCTION]
在指定測試族重現主要行為。
```

必須保持：

$$
\boxed{
O\neq D\neq I\neq R.
}
$$

---

# 33. Confidence 也需要標準化

可採：

$$
C\in\{0,1,2,3,4,5\}.
$$

其中：

- $C0$：無證據猜測；
- $C1$：弱觀察；
- $C2$：多次觀察；
- $C3$：文件或穩健黑箱支持；
- $C4$：多來源一致且可重現；
- $C5$：官方公開實作／高度確證。

---

# 34. 研究矩陣

最終矩陣可以表示為：

$$
\boxed{
\mathbf M
[
Game,
Version,
Subsystem,
Domain,
Scale,
Mechanism,
Evidence
].
}
$$

每一格不是單純 boolean。

而可以保存：

- confidence；
- source；
- reconstruction；
- test；
- relation。

---

# 35. Scale 軸

本文沿用三層：

$$
\boxed{
\text{Micro}
\rightarrow
\text{Meso}
\rightarrow
\text{Macro}.
}
$$

Micro：

- enemy；
- skill；
- individual NPC；
- targeting。

Meso：

- party；
- scene；
- faction；
- quest；
- local economy。

Macro：

- nation；
- world；
- global economy；
- history；
- persistent simulation。

---

# 36. 不應過早追求「全遊戲史」

初期研究目的仍然可以是：

$$
\boxed{
\text{Goal-Directed Sampling}.
}
$$

也就是優先研究：

> 對現在要做的遊戲最有用的作品。

這並不違反系統性研究。

只要後續標記：

$$
\boxed{
\text{Sampling Policy}.
}
$$

即可。

---

# 37. 第一階段：用途導向樣本

如果研究目標是建立下一代 persistent world game，可以優先：

- autonomy；
- job system；
- macro simulation；
- real-time strategy；
- combat AI；
- auto-battle；
- persistent history。

因此 AI 名作在第一階段仍然值得高優先。

---

# 38. 第二階段：系統性補洞

當已有：

$$
K_t
$$

後，研究選擇應轉成：

$$
\boxed{
\Delta Coverage(g\mid K_t).
}
$$

也就是：

> 這款新遊戲能補哪個知識空白？

---

# 39. 第三階段：代表性抽樣

當 corpus 足夠大，就可以按：

- genre；
- year；
- platform；
- region；
- complexity；
- fame；
- studio size；

分層抽樣。

從：

$$
\boxed{
\text{Convenience Corpus}
}
$$

轉成：

$$
\boxed{
\text{Representative Corpus}.
}
$$

---

# 40. 第四階段：主動探索

最成熟時，AI 可以根據：

$$
\text{Coverage Gap}
$$

自動推薦下一個研究樣本。

例如：

> 目前資料庫缺少 1995–2002 年間 console tactical RPG 的 companion AI。

這時遊戲選擇本身變成：

$$
\boxed{
\text{Active Learning}.
}
$$

---

# 41. 遊戲群資料最終可以形成「演算法系譜」

例如某類：

$$
\text{Condition-Action}
$$

在不同年代可能演化成：

$$
\text{Priority Rule}
\rightarrow
\text{Utility}
\rightarrow
\text{Hybrid Scheduler}.
$$

研究目標不是宣稱直接歷史繼承。

而是建立：

$$
\boxed{
\text{Functional Genealogy}.
}
$$

---

# 42. Functional Genealogy 與歷史 Genealogy 必須分離

兩個遊戲可能具有相似架構：

$$
M_A\approx M_B.
$$

但不代表：

$$
A\rightarrow B.
$$

因此要區分：

$$
\boxed{
\text{Structural Similarity}
}
$$

與：

$$
\boxed{
\text{Historical Influence}.
}
$$

沒有開發者證據，不應宣稱直接繼承。

---

# 43. 真正的結果不是遊戲排行榜

本計畫不追求：

```text
Top 100 smartest game AI
```

因為「智能」本身是多維的。

更合理的是：

$$
\boxed{
\text{Game Intelligence Atlas}.
}
$$

每款遊戲佔據不同座標。

---

# 44. Game Intelligence Atlas

令：

$$
\Psi(G)
=
(
A,
S,
M,
C,
P,
H
).
$$

其中：

- $A$：AI domains；
- $S$：scale；
- $M$：mechanism family；
- $C$：composition complexity；
- $P$：persistence；
- $H$：historical position。

則比較變成：

$$
\boxed{
\Psi(G_1)
\leftrightarrow
\Psi(G_2).
}
$$

而不是：

$$
G_1>G_2.
$$

---

# 45. 命題一：AI 名作偏差命題

若只使用：

$$
\mathcal G_3
$$

作為研究樣本，則不能可靠推論一般商業遊戲 AI 的機制分布。

---

# 46. 命題二：普通遊戲基線命題

$$
\boxed{
\mathcal G_0+\mathcal G_1
}
$$

對判斷：

$$
\mathcal G_2+\mathcal G_3
$$

的特殊性具有必要的比較價值。

---

# 47. 命題三：遊戲—研究單位非同一命題

$$
\boxed{
\text{Game}
\neq
\text{Research Unit}.
}
$$

研究單位必須至少細化到版本與 subsystem。

---

# 48. 命題四：AI 強弱不可單標量化命題

$$
\boxed{
\text{Game Intelligence}
\notin
\mathbb R
}
$$

至少在研究階段不應粗暴壓成單一數值。

它更適合表示為：

$$
\boxed{
\mathbf z_G\in\mathbb R^n.
}
$$

---

# 49. 命題五：失敗資料價值命題

Bug、patch、錯誤策略與被淘汰機制可能提供比正常成功軌跡更高的局部結構資訊，因此應被納入考古 corpus。

---

# 50. 與下一篇的連接

當我們接受：

$$
\boxed{
\text{Game Population}
}
$$

才是完整研究母體後，立即遇到現實問題：

> 不可能把所有遊戲都研究到同樣深。

一款遊戲可能只需：

$$
\$5
$$

但需要：

$$
100\text{ hours}
$$

才能真正解構。

另一款遊戲可能：

$$
\$60
$$

但：

$$
2\text{ hours}
$$

就能取得大量高價值結構。

因此下一篇必須回答：

$$
\boxed{
\text{Which game should be studied next, and how deeply?}
}
$$

也就是：

# **05｜遊戲解構經濟學：成本、難度、資訊增益與研究深度**

---

# 51. 結論

遊戲智能研究若只挑著名案例，最終很容易得到一套漂亮但偏斜的知識庫。

真正完整的商業遊戲智能考古必須同時包含：

$$
\boxed{
\text{Minimal}
+
\text{Typical}
+
\text{System-heavy}
+
\text{Frontier}.
}
$$

因此：

$$
\boxed{
\mathcal G_{\mathrm{research}}
\neq
\mathcal G_{\mathrm{famous}}.
}
$$

《The Sims》、《Dwarf Fortress》、《Victoria 3》、《StarCraft II》等作品非常重要，但它們的重要性來自：

> 它們代表不同的智能方向。

而不是：

> 它們共同代表所有遊戲 AI。

只有當 Dragon Quest、Final Fantasy 類經典商業 RPG、普通敵人、Boss、自動戰鬥、常規 FPS、戰棋、管理遊戲、冷門遊戲與失敗案例也逐步進入資料庫，研究者才可能回答：

$$
\boxed{
\text{What is ordinary?}
}
$$

以及：

$$
\boxed{
\text{What is actually novel?}
}
$$

最終目標不是找到「最聰明的遊戲」。

而是建立：

# **History of Implemented Game Intelligence**

一張跨年代、跨平台、跨類型、跨版本、跨 AI domain 的可驗證遊戲智能地圖。

---

# 參考資料

1. Electronic Arts / The Sims Team. **The Sims 4: Quality of Life Roadmap 2026.** 2026-02-24.  
   <https://www.ea.com/en/games/the-sims/the-sims-4/news/the-sims-4-quality-of-life-roadmap-2026>

2. Electronic Arts / The Sims Team. **Bug Bash and Maker Packs — Sims Autonomy Improvements.** 2026-03-17.  
   <https://www.ea.com/games/the-sims/the-sims-4/news/update-3-17-2026>

3. Electronic Arts / The Sims Team. **The Season's Most Anticipated Updates.** 2026-05-12.  
   <https://www.ea.com/en/games/the-sims/the-sims-4/news/update-5-12-2026>

4. Bay 12 Games. **Dwarf Fortress Development.**  
   <https://www.bay12games.com/dwarves/dev.html>

5. Bay 12 Games. **Dwarf Fortress Talk #21 Transcript.**  
   <https://www.bay12games.com/media/df_talk_21_transcript.html>

6. Bay 12 Games. **Dwarf Fortress Talk #22 Transcript.**  
   <https://www.bay12games.com/media/df_talk_22_transcript.html>

7. Paradox Interactive. **Victoria 3 Dev Diary #59 — AI.** 2022.  
   <https://www.paradoxinteractive.com/games/victoria-3/news/victoria-3-dev-diary-59-ai>

8. Paradox Interactive. **Victoria 3 Dev Diary #78 — Update 1.2 Changelog.** 2023.  
   <https://www.paradoxinteractive.com/games/victoria-3/news/dev-diary-78-update-1-2-changelog>

9. Paradox Interactive / Triumph Studios. **Age of Wonders 4 Dev Diary #13 — Diplomacy.** 2023.  
   <https://www.paradoxinteractive.com/games/age-of-wonders-4/news/age-of-wonders-4-dev-diary-13>

10. Blizzard Entertainment. **The StarCraft II API Has Arrived.**  
    <https://news.blizzard.com/en-us/article/20944009/the-starcraft-ii-api-has-arrived>

---

## 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