# 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： ```text 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： $$ f_0 \lambda C_{d+1}. } $$ 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： ```text 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： $$ -\mu \sum_{i 高精度評估很貴，低精度評估很便宜，如何混合？ 遊戲解構完全有類似結構： $$ 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 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 1. Astorga, N., Liu, T., Seedat, N., & van der Schaar, M. (2024). **Active Learning with LLMs for Partially Observed and Cost-Aware Scenarios.** NeurIPS 2024. 2. 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. 3. Yang, L., & Carbonell, J. (2013). **Buy-in-Bulk Active Learning.** NeurIPS 2013. 4. Hernandez-Garcia, A., Saxena, N., Jain, M., Liu, C.-H., & Bengio, Y. (2023). **Multi-Fidelity Active Learning with GFlowNets.** 5. Li, S., Phillips, J. M., Yu, X., Kirby, R. M., & Zhe, S. (2022). **Batch Multi-Fidelity Active Learning with Budget Constraints.** 6. Anwar, A. et al. (2025). **Efficient Evaluation of Multi-Task Robot Policies With Active Experiment Selection.** CoRL 2025. 7. Lin, H., Wang, Z., Ma, J., & Liang, Y. (2023). **MCU: A Task-centric Framework for Open-ended Agent Evaluation in Minecraft.** 8. Zheng, X. et al. (2025). **Towards Evaluating Generalist Agents: An Automated Benchmark in Open World.** ICLR 2025 submission / OpenReview. 9. Collins, K. M. et al. (2026). **Evaluating Language Models' Evaluations of Games.** ICLR 2026. --- ## 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