# 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：

```text
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：

```text
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：

```text
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。

```yaml
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：

```text
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：

1. **培育**：讓 agent 透過內部機制成長；
2. **構形**：讓使用者定義形態，再由 runtime 使其可玩；
3. **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：

```text
Evolution Game
```

較合適的研究分類：

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

主要拆：

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

以及：

```text
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：

```text
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：

```text
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：

```text
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：

```text
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：

```text
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。