# 從可持續模擬到自演化世界 ## ——AI-Native Game Reference Architecture 與會產生歷史的 Agent World **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 如果把大型語言模型放進遊戲角色，我們很容易得到： \[ \text{AI NPC}. \] 如果再加入： - 個性； - 記憶； - 自主行動； - 多 Agent 對話； 便可能得到： \[ \text{Generative Agent Simulation}. \] 如果進一步加入： - 真實 World State； - 行動驗證； - 工作； - 生產； - 物流； - 社會事項； - 衝突； - 資訊傳播； - Persistent Memory； 系統便開始接近： \[ \text{AI-Native Game World}. \] 然而，本系列最終研究得到的結論是： > **真正困難的部分並不是讓 Agent 更會說話，而是讓 Agent 的選擇能夠穿過世界規則、留下持久結果、改變其他 Agent 的認知，再逐步改寫未來世界的可能性空間。** 因此，一個完整的 AI 原生遊戲世界不能只由： \[ LLM+Prompt \] 構成。 它需要至少三個彼此耦合的大層： \[ \boxed{ Reality + Cognition + History } \] 本篇將前八篇的研究壓縮成一套通用 Reference Architecture： \[ \boxed{ WorldState \rightarrow Projection \rightarrow CognitiveScheduler \rightarrow Memory/Belief \rightarrow Intent \rightarrow WorldAuthority \rightarrow Settlement \rightarrow WorldState' } \] 並於長期歷史層加入： \[ \boxed{ Asset + Capability + Claim + Knowledge + SocialGraph } \] 使： \[ World_t \] 不只是持續運行， 而能逐漸成為： \[ \boxed{ World_{t+n}\not\cong World_t. } \] 這就是本系列所稱： \[ \boxed{ Self\text{-}Evolving\ AI\text{-}Native\ World. } \] --- # 1. 從一句最簡單的問題開始 整個系列最初可以濃縮成一句： > **一群 AI NPC 到底什麼時候才算真正住在一個世界裡？** 如果角色只是： \[ Input \rightarrow LLM \rightarrow Dialogue, \] 它仍然主要是一個 Conversation Interface。 如果角色能自己決定： > 我要去市場。 但 World 不驗證，那只是： \[ GenerativeNarration. \] 如果角色可以： - 去市場； - 工作； - 被拒絕； - 送貨； - 受傷； - 改變職業； - 學到東西； - 留下承諾； 並且這些事情都由獨立 World Runtime 判定， 那才開始真正成為： \[ \boxed{ WorldResident. } \] --- # 2. 第一原則：Reality 必須獨立於 Agent 本系列第一個不可退讓的原則： \[ \boxed{ AgentIntent \neq WorldTruth. } \] Agent 可以說： > 我要去診所。 但不能直接宣告： > 我已經到了診所。 Agent 可以說： > 我要幫他。 但不能直接宣告： > 我已經完成幫助。 完整流程必須是： \[ Intent \rightarrow Validation \rightarrow Execution \rightarrow Settlement. \] 因此： \[ \boxed{ World } \] 必須是獨立 Authority。 --- # 3. Agent 擁有的是主觀主權 這不代表 World 要支配 Agent 的一切。 更合理的是： \[ \boxed{ World\ owns\ occurrence; Agent\ owns\ interpretation. } \] World 決定： > B 拒絕了 A。 A 可以理解： > B 很忙。 也可以理解： > B 看不起我。 這部分屬於： \[ SubjectiveState_A. \] 因此 AI 原生世界不是只有： \[ W_t. \] 而是： \[ \boxed{ W_t+\{B_i(t)\}_{i=1}^{N} } \] 一個客觀世界，加很多主觀世界。 --- # 4. 第二原則：World State 不能直接變成 Prompt 完整世界： \[ W_t \] 可能包含： - 所有居民； - 所有工作； - 所有庫存； - 所有對話； - 所有秘密； - 所有衝突； - 所有歷史。 如果每個 Agent 都直接得到： \[ W_t, \] 那麼： \[ K_i=K_j=W_t. \] 所有居民都變成全知者。 因此： \[ \boxed{ O_i(t)=P_i(W_t). } \] 每個居民只能看到自己的 Projection。 --- # 5. Projection 是 Ontology Boundary Projection 不只是： > 節省 Token。 它決定： - 誰看見誰； - 誰知道哪項公告； - 誰知道哪個 Social Matter； - 誰聽見哪段談話； - 誰能看到哪份工作任務。 例如 Agent Wake Packet 只投影該居民相關的 conversation、social matters、social exposures、conflict 等局部狀態，而不是完整 World Database。 所以： \[ \boxed{ Projection } \] 本身就是： \[ WorldLaw. \] --- # 6. 第三原則：Persistent Agent 不等於 Persistent LLM 角色可以一直存在： \[ Agent_i(t) \] 但不必： \[ LLM_i(t)=\mathrm{active} \] 每一秒。 因此： \[ \boxed{ PersistentAgent \neq PersistentInference. } \] Agent 可以被表示為： \[ Agent_i = ( State_i, Memory_i, Policy_i ). \] 其中 State 與 Memory 持續存在， Policy 則： \[ OnDemand. \] --- # 7. Cognitive Scheduler 是 AI 世界的核心基礎設施 所以在 Projection 之後，需要： \[ \boxed{ CognitiveScheduler. } \] 它回答三件事： \[ When? \] \[ WhichModel? \] \[ HowMuchContext? \] 即： > 哪個居民現在真的需要高階推理？ 這比「每個 NPC 綁一個永遠在線的 LLM」更合理。 --- # 8. Sparse Cognition 大型 Agent World 真正可擴張的方向不是： \[ DenseIntelligence. \] 而是： \[ \boxed{ SparseCognition. } \] 大量： - 睡眠； - 行走； - 等待； - 例行工作； 可以由 World Runtime 執行。 只有遇到： \[ DecisionBoundary \] 才呼叫較高級模型。 --- # 9. Cognitive LOD 因此可以將 Agent Cognition 分成： \[ C0\rightarrow C5. \] 例如： - C0：Dormant； - C1：Routine； - C2：Reactive； - C3：Compressed Policy； - C4：Full LLM； - C5：Foreground / Player Interaction。 令： \[ L_i(t) = f( Importance, Novelty, PlayerProximity, SocialPressure ). \] 這使： \[ Population \gg ConcurrentLLMCalls. \] --- # 10. 第四原則：Memory 不是 Chat Log 真正的長期 Agent 不能只有： \[ ConversationHistory. \] 它需要： \[ \boxed{ Evidence \rightarrow Claim \rightarrow Belief. } \] 正式 Memory Entry 可以保存： - subject； - interpretation； - source； - claim root； - confidence； - evidence refs； - belief state。 `my_ai_town` 的正式記憶 schema 已明確區分 `firsthand / hearsay / implanted`，並保存 `claim_root_id`、`confidence` 與 `evidence_refs`。 --- # 11. Belief 必須可以錯 如果 Agent 永遠只相信真實資訊： \[ Belief_i=Truth_W, \] 那麼： - 謊言； - 誤解； - 流言； - 誤判； 都無法存在。 因此： \[ \boxed{ Belief_i(k) \neq Truth_W(k) } \] 必須被允許。 --- # 12. Belief 也必須能修正 新的 Evidence 進來後： \[ B_i(k,t+1) = R( B_i(k,t), e ). \] 目前 Formal Memory Reappraiser 已具有： - reinforce； - doubt； - anomaly； - correct； 等狀態轉換。 所以： \[ \boxed{ Memory } \] 應被理解為： \[ DynamicEpistemicState. \] --- # 13. 第五原則：世界自己產生問題 真正的 emergent gameplay 不能全部靠： \[ LLMStoryGenerator. \] 更好的方式： \[ \boxed{ Problem=G(WorldState). } \] 例如： \[ Demand>Capacity \] 產生服務壓力。 \[ VacantPost \] 產生職缺。 \[ Promise \] 產生義務。 因此： \[ WorldState \rightarrow Matter. \] --- # 14. Social Matter 是未閉合世界狀態 可以定義： \[ Matter= ( Source, Subjects, Awareness, Goal, Participants, Resolution ). \] 它不是： > 發生了一個事件。 而是： > **世界還有一件沒有閉合的事情。** Social Matter Runtime 本身會追蹤 awareness、involvement、exposures、channels、participants 等狀態。 --- # 15. Agent 可以不幫忙 真正的社會問題不能保證： \[ Response=Accept. \] 居民應該可以： \[ accept, reject, defer, withdraw. \] 所以： \[ \boxed{ Problem \rightarrow Choice } \] 而不是： \[ Problem \rightarrow ScriptedSolution. \] --- # 16. Commitment 是第一種 Relational Claim 一旦 Agent 正式答應： > 我去幫你。 它應該產生： \[ Claim_B(A,X). \] 即： > B 對 A 有一項可期待的 X。 所以： \[ Promise \] 不應只是 Dialogue。 而是： \[ \boxed{ PersistentRelationalState. } \] --- # 17. 第六原則：Information 必須在世界裡傳播 資訊不能： \[ FactExists \Rightarrow EveryoneKnows. \] 它必須經過： \[ \boxed{ Channel. } \] 例如： - 對話； - 旁聽； - 郵政； - 公告； - Artifact； - Social Exposure。 --- # 18. Exposure、Awareness、Belief 必須分離 完整資訊認知鏈： \[ \boxed{ Exposure \rightarrow Awareness \rightarrow Belief. } \] 看到線索： \[ Exposure. \] 知道有這回事： \[ Awareness. \] 決定相信多少： \[ Belief. \] 這三者不能混成： \[ Known=true. \] --- # 19. 空間本身就是 Epistemic Graph 對話發生時，附近居民可以得到 `旁聽` Event；系統從 participant 的 nearby 集合建立旁聽接收者。 所以： \[ SpatialGraph \rightarrow InformationGraph. \] 你在哪裡， 決定： > 你有機會知道什麼。 --- # 20. Communication 也必須具有世界成本 私人訊息不是 Telepathy。 它可以變成： \[ Message \rightarrow PostalTask \rightarrow Delivery \rightarrow Conversation \rightarrow Receipt. \] 因此： \[ CommunicationLatency>0. \] 這使資訊本身開始具有： - 距離； - 時間； - 失敗； 等世界性質。 --- # 21. 第七原則：Event Emergence 不等於 Structural Emergence 一個世界每天可以發生： \[ E_1,E_2,E_3,\dots \] 大量不同事件。 但如果： \[ \Omega(W_{t+1}) \approx \Omega(W_t), \] 那麼： \[ Structure \] 仍然沒有真正改變。 因此： \[ \boxed{ EventEmergence \neq StructuralEmergence. } \] --- # 22. Homeostasis 是必要的 生活模擬必須有： \[ Energy \] \[ Satiety \] \[ Sleep \] \[ Recovery. \] 例如居民 passive needs 會週期性降低 energy 與 satiety，飢餓跨越門檻時再觸發決策。 因此： \[ Need \rightarrow Action \rightarrow Restoration. \] 這形成： \[ HomeostaticLoop. \] --- # 23. Homeostasis 不是歷史的敵人 真正需要的是： \[ \boxed{ LocalHomeostasis + GlobalEvolution. } \] 居民每天仍然： - 吃； - 睡； - 工作。 但： - 職業； - 知識； - 資產； - 關係； - 制度； 可以改變。 所以： \[ MicroStability + MacroHistory. \] --- # 24. 第八原則：歷史必須被提升成 Ontology 如果一件事只存在： \[ Log, \] 它只是過去。 如果： \[ Event \rightarrow PersistentState, \] 未來 World 必須尊重它， 它才成為： \[ History. \] 因此： \[ \boxed{ History = PastEncodedAsPresentConstraint. } \] --- # 25. State Promotion 定義： \[ \boxed{ \mathcal P: EventChain \rightarrow PersistentPrimitive. } \] 例如： \[ TrialSuccess \rightarrow Qualification. \] \[ VerifiedResearch \rightarrow KnowledgeRecord. \] \[ Promise \rightarrow Claim. \] 這就是： \[ History\text{-}to\text{-}Ontology\ Promotion. \] --- # 26. Qualification 是非常乾淨的例子 Staffing Runtime 會保存： ```text id="n356ft" qualificationsByResident ``` 居民已有職業也會被重建為 qualification。 因此： \[ Experience \rightarrow Capability. \] 之後居民的： \[ \Omega_i \] 就不同。 --- # 27. 第九原則：Persistent Feature 不如 Persistent Primitive 與其分別建立： - money system； - company system； - family system； - reputation system； - debt system； 更值得找： \[ \boxed{ ComposablePrimitives. } \] 本系列提出： \[ \boxed{ Asset + Capability + Claim. } \] --- # 28. Asset Asset 回答： > 你控制什麼？ 可以包含： - 物品； - 工具； - 貨幣； - 房屋； - 生產設備； - 知識載體。 形式： \[ A_i(t). \] --- # 29. Capability Capability 回答： > 你能做什麼？ 形式： \[ C_i(t). \] 它可以是： \[ binary \] 或： \[ scalar. \] Qualification 只是其中一種。 --- # 30. Claim Claim 回答： > 誰對誰、對什麼，具有什麼權利或義務？ 例如： \[ Claim(A,B,X). \] 可以表示： - 債； - 承諾； - 所有權； - 職務； - 合約； - 權限。 --- # 31. 三者可以組成大量制度 例如公司： \[ Company = Agents + Assets + Claims. \] 職位： \[ Role = CapabilityRequirement + AuthorityClaim. \] 債務： \[ Debt = AssetTransfer + RepaymentClaim. \] 所以： \[ \boxed{ Institution } \] 可以變成 primitive relations 的穩定模式。 --- # 32. 第十原則：知識是歷史放大的核心 研究如果只增加： \[ ArchiveCount, \] 並不代表文明進步。 真正重要的是： \[ Knowledge \rightarrow Capability. \] `my_ai_town` 已經具有完整的 Research Pipeline： \[ Question \rightarrow Observation \rightarrow Verification \rightarrow Record \rightarrow Accession. \] 但一般化： \[ Knowledge \rightarrow Capability \] 尚未完全閉合。 --- # 33. Knowledge Supply Chain 目前已經有： \[ \boxed{ Research \rightarrow Accession \rightarrow Artifact \rightarrow Logistics \rightarrow Service. } \] 甚至某些 service request 必須引用真正已入藏 research record，否則 World 會拒絕。 所以： \[ Knowledge \] 已經進入世界。 --- # 34. Knowledge Evolution Loop 下一階段則是： \[ \boxed{ K_W \rightarrow K_i \rightarrow C_i \rightarrow Practice \rightarrow W' \rightarrow K_W' } \] 這會讓： > Day 100 不只是有更多論文。 而是： > Day 100 的社會真的能做 Day 1 做不到的事情。 --- # 35. 第十一原則：Cross-Domain Coupling 比 Feature Count 重要 如果： \[ F_1,F_2,\dots,F_{100} \] 彼此互不影響， 那仍然只是： \[ FeatureCollection. \] 真正的 Emergence 來自： \[ \boxed{ Couplings. } \] 例如： \[ Knowledge \rightarrow Capability \] \[ Capability \rightarrow Production \] \[ Production \rightarrow Asset \] \[ Asset \rightarrow Claim \] \[ Claim \rightarrow SocialPower. \] --- # 36. Historical Amplifier 只要形成： \[ SmallEvent \rightarrow PersistentState \rightarrow NewOpportunity \rightarrow NewEvent, \] 便產生： \[ \boxed{ HistoricalAmplifier. } \] 每一次歷史開始增加下一次歷史的可能性。 --- # 37. AI-Native Game Runtime 的三個平面 到這裡，可以把整個 Reference Architecture 壓縮成三個 Plane。 --- ## Plane A：Reality Plane 負責： \[ What\ exists? \] 包括： - World State； - Movement； - Work； - Production； - Logistics； - Conflict； - Services； - Social Matter。 --- ## Plane B：Cognition Plane 負責： \[ What\ does\ each\ agent\ perceive,\ believe,\ and\ intend? \] 包括： - Projection； - Memory； - Belief； - Attention； - Cognitive Scheduler； - Model Policy。 --- ## Plane C：Historical Plane 負責： \[ What\ persists\ and\ changes\ future\ possibility? \] 包括： - Assets； - Capabilities； - Claims； - Knowledge； - Social Graph； - Institutions。 --- # 38. 三個 Plane 必須分離，也必須閉合 如果只有 Reality： \[ TraditionalSimulation. \] 如果只有 Cognition： \[ ChatAgents. \] 如果只有 Historical State： \[ StrategyDatabase. \] 真正的 AI 原生世界需要： \[ \boxed{ Reality \leftrightarrow Cognition \leftrightarrow History. } \] --- # 39. 完整短週期循環 單次 Agent Decision： \[ \boxed{ W_t \rightarrow P_i(W_t) \rightarrow O_i \rightarrow Retrieve(M_i) \rightarrow \pi_i \rightarrow Intent_i \rightarrow Validate \rightarrow Execute \rightarrow Settle \rightarrow W_{t+1} } \] 這是： \[ \boxed{ CognitiveActionLoop. } \] --- # 40. 完整中週期循環 多 Agent Social Loop： \[ WorldProblem \rightarrow Matter \rightarrow Exposure \rightarrow Awareness \rightarrow Response \rightarrow Commitment \rightarrow Action \rightarrow Resolution. \] 這是： \[ \boxed{ SocialCoordinationLoop. } \] --- # 41. 完整資訊循環 \[ WorldEvent \rightarrow Channel \rightarrow Evidence_i \rightarrow Claim_i \rightarrow Belief_i \rightarrow Speech/Action \rightarrow Evidence_j. \] 這是： \[ \boxed{ EpistemicLoop. } \] --- # 42. 完整長週期循環 \[ Event \rightarrow PersistentPrimitive \rightarrow Opportunity \rightarrow NewEvent. \] 這是： \[ \boxed{ HistoricalLoop. } \] --- # 43. 完整文明循環 \[ Problem \rightarrow Research \rightarrow Knowledge \rightarrow Capability \rightarrow Production \rightarrow WorldChange \rightarrow NewProblem. \] 這是： \[ \boxed{ CivilizationalLoop. } \] --- # 44. 五個 Loop 必須互相耦合 因此完整世界不是一條線。 而是： \[ \boxed{ MultiLoopDynamicSystem. } \] 至少包含： \[ L_{action} \] \[ L_{social} \] \[ L_{epistemic} \] \[ L_{historical} \] \[ L_{civilizational}. \] 真正的 Emergence 來自： \[ L_i \leftrightarrow L_j. \] --- # 45. Canonical World Ontology 為了避免每個 subsystem 都建立自己的平行資料定義，需要： \[ \boxed{ OneOntology \rightarrow ManyProjections. } \] 例如一個 Action Definition 應該可以投影成： - Prompt Schema； - Validation； - Execution； - UI； - Persistence； - Tests。 而不是維護多份互相漂移的 action table。 --- # 46. 同樣的原則應延伸到 History Asset、Capability、Claim、Knowledge、Relationship 也不應分散成互不相容的 Feature Islands。 理想形式： \[ \boxed{ CanonicalPersistentOntology. } \] 然後： - Economy； - Politics； - Family； - Career； - Research； 只是對它的不同投影與組合。 --- # 47. Reference Architecture 可以將完整架構寫成： \[ \boxed{ \begin{aligned} WorldState &\rightarrow ObservationProjection\\ &\rightarrow TriggerDetection\\ &\rightarrow CognitiveScheduler\\ &\rightarrow MemoryRetrieval\\ &\rightarrow BeliefState\\ &\rightarrow PolicyModel\\ &\rightarrow CanonicalIntent\\ &\rightarrow WorldValidation\\ &\rightarrow Execution\\ &\rightarrow Settlement\\ &\rightarrow EvidenceGeneration\\ &\rightarrow PersistentPromotion\\ &\rightarrow WorldState' \end{aligned} } \] 這就是整個系列的核心 Reference Architecture。 --- # 48. 歷史層插在哪裡？ 不是 World Loop 的最後才加一個： > Save History。 而是每次 Settlement 後問： \[ Promote? \] 即： \[ Result \rightarrow StatePromotion. \] 例如： \[ WorkResult \rightarrow Qualification? \] \[ Agreement \rightarrow Claim? \] \[ ResearchResult \rightarrow Knowledge? \] \[ RepeatedInteraction \rightarrow RelationshipEdge? \] --- # 49. Promotion Layer 是通往 L6 的關鍵 因此真正能讓 AI World 從： \[ L4 \] 跨向： \[ L5/L6 \] 的可能不是更大的 LLM。 而是： \[ \boxed{ PromotionLayer. } \] 它決定： > 哪些短期事件應該成為長期世界本體。 --- # 50. World Generator 應該生成 Constraint，不只是 Content AI 原生世界的生成器最好不是： \[ GenerateStory(). \] 而是： \[ \boxed{ GenerateConstraint() } \] 或更精確： \[ DetectConstraintMismatch(). \] 例如： \[ Demand>Supply. \] \[ ClaimConflict. \] \[ KnowledgeGap. \] \[ StaffingGap. \] 這些會自然產生： \[ Gameplay. \] --- # 51. Story 應該是歷史投影 因此故事可以被重新定義： \[ \boxed{ Story = Projection( CausalWorldHistory ) } \] 而不是： \[ Story = LLMGeneratedPlot. \] LLM 可以負責： - 語言； - 表演； - 解釋。 但 Story Skeleton 來自： \[ WorldHistory. \] --- # 52. AI 原生遊戲真正的「內容」是狀態空間 傳統遊戲內容可以數： - 地圖； - 任務； - 角色； - 道具。 AI 原生世界更值得問： \[ \boxed{ HowLargeIsTheComposableStateSpace? } \] 如果少量 primitives 就可以產生： \[ 10^n \] 種關係與歷史， 那才是真正的： \[ GenerativeContent. \] --- # 53. 不是更多 NPC，而是更多因果自由度 1000 個只會： - 工作； - 吃飯； - 睡覺； 的 NPC， 不一定比 20 個具有： - Asset； - Capability； - Claim； - Knowledge； - Belief； 的 Agent 更 emergent。 所以： \[ \boxed{ Emergence \propto CausalDegreesOfFreedom. } \] 而不是單純： \[ AgentCount. \] --- # 54. 也不是模型越大，世界越活 更大的模型可以提高： - 語言品質； - reasoning； - 角色一致性。 但如果： \[ WorldOntology \] 很窄， 模型仍然只能： > 用更漂亮的方式描述同一批有限行動。 因此： \[ \boxed{ ModelCapability \neq WorldCapability. } \] --- # 55. 模型智能與世界自由度必須共同提升 可以近似： \[ EmergentCapacity = f( AgentIntelligence, WorldDegreesOfFreedom, PersistentCoupling ). \] 如果任一項接近 0： \[ Emergence \] 都會受限。 --- # 56. Agent 智能很高，但世界很窄 結果： > 很會聊天的 NPC。 --- # 57. 世界很複雜，但 Agent 很弱 結果： > 傳統 Simulation NPC。 --- # 58. 兩者都高，但沒有 Persistence 結果： > 每天都很精彩，但沒有歷史。 --- # 59. 三者都高 如果： \[ AgentIntelligence\uparrow \] \[ WorldFreedom\uparrow \] \[ PersistentCoupling\uparrow, \] 才逐漸得到： \[ \boxed{ HistoricalAgentWorld. } \] --- # 60. 六級成熟度重新閉合 現在可以重新整理第 0 篇的 L1–L6。 ## L1 — Agent Autonomy Agent 自己決定。 --- ## L2 — World Grounding Agent 必須服從 World Reality。 --- ## L3 — Persistent Causality 世界與 Agent 記住發生過什麼。 --- ## L4 — Endogenous Dynamics 世界狀態自己產生問題。 --- ## L5 — Persistent Differentiation 歷史開始改變未來 Action Space。 --- ## L6 — Structural Evolution 歷史開始生成新的持久結構。 因此： \[ \boxed{ L6 } \] 不是： > NPC 特別聰明。 而是： > **世界本身可以因 Agent 歷史而改變自己的可能性空間。** --- # 61. Day 100 Test 整個系列最後可以保留一個極簡測試： > **讓世界自主運行 100 個遊戲日。** 然後問： > Day 100 與 Day 1 有什麼本質不同？ 如果只是： - 對話不同； - 記憶更多； - 現在位置不同； 那主要仍是： \[ EventEmergence. \] --- # 62. 真正的 Day 100 如果 Day 100 出現： - 新技能； - 新職業分布； - 新資產配置； - 新組織； - 新知識； - 新社會關係； - 新制度； - 新世界空間； 則： \[ \boxed{ HistoricalDifferentiation. } \] 已經成立。 --- # 63. 更嚴格的測試：Possibility Space Test 比較： \[ \Omega(W_1) \] 與： \[ \Omega(W_{100}). \] 如果： \[ \Omega(W_{100}) \cong \Omega(W_1), \] 世界主要只是走過不同路線。 若： \[ \Omega(W_{100}) \not\cong \Omega(W_1), \] 則： \[ \boxed{ StructuralHistory. } \] --- # 64. Open-ended 不代表無限 這裡要避免最後一個誤解。 Open-ended 不要求： \[ InfiniteContent. \] 也不要求： \[ InfiniteOntology. \] 它只需要： \[ \boxed{ UnboundedCombinationWithinFinitePrimitives. } \] 有限 primitive： \[ P_1,\dots,P_n \] 也可以產生極大的： \[ StateSpace. \] --- # 65. 因此 Small Ontology 可以形成 Large World 例如只用： \[ Asset \] \[ Capability \] \[ Claim \] \[ Knowledge \] \[ Relationship \] 五類 primitive， 如果允許： \[ ComposableCoupling, \] 就可能生成： - 公司； - 家庭； - 行會； - 債務； - 合作； - 專家； - 財產； - 學校； - 派系。 所以： \[ \boxed{ SmallOntology \times HighComposability \rightarrow LargeEmergentSpace. } \] --- # 66. Relationship Graph 是最後缺的重要橋 前面的研究顯示： 目前 NPC–NPC Relationship 很大一部分仍存在： \[ NaturalLanguageMemory. \] 而真正數值化、World-queryable 的 Relationship Runtime 主要仍集中於玩家／旅行者與居民的關係。 因此下一代完整架構需要： \[ \boxed{ DirectedSubjectiveSocialGraph. } \] --- # 67. Social Edge 不應只有 Affinity 可以表示： \[ e_{ij} = ( Familiarity, Trust, Intimacy, Authority, Obligation ). \] 這些值可以： - topic-dependent； - directional； - evidence-driven。 --- # 68. Relationship Graph 再接 Belief Graph 之後： \[ Trust_{i\leftarrow j} \] 參與： \[ BeliefUpdate_i(k). \] 形成： \[ SocialGraph \rightarrow EpistemicGraph. \] 這時： - 專家； - 流言； - 派系； 才會真正自然形成。 --- # 69. Epistemic Graph 再接 Action 如果： \[ Belief_i(k) \] 改變： \[ Intent_i. \] 然後： \[ Intent_i \rightarrow WorldAction. \] 就得到： \[ \boxed{ Information \rightarrow Reality. } \] 例如： > 錯誤流言導致真實衝突。 這就是： \[ EpistemicCausality. \] --- # 70. Reality 再反過來更新 Belief 衝突結果： \[ WorldResult \] 又產生： \[ Evidence. \] 所以： \[ \boxed{ Reality \rightarrow Belief \rightarrow Reality' } \] 完整閉環成立。 --- # 71. 這就是「社會」開始成立的地方 社會不是： > 很多 Agent 同時存在。 而是： \[ \boxed{ Agents \text{ change each other's future state spaces.} } \] A 的行動改變 B 的： - 資產； - 信念； - 關係； - 義務； - 機會。 B 再改變 C。 這種： \[ CrossAgentCausality \] 才是 Social World。 --- # 72. 文明則是社會開始跨世代保存狀態 如果： \[ Knowledge \] \[ Institution \] \[ Assets \] 可以活得比： \[ IndividualAgent \] 更久， 則： \[ \boxed{ Civilization. } \] 開始成立。 --- # 73. AI Agent 可以死亡，但世界不能失憶 因此： \[ IndividualMemory \] 與： \[ InstitutionalMemory \] 需要分離。 Agent 死亡： \[ M_i \] 可以消失。 但： \[ K_W \] 仍存在。 這就是： \[ CivilizationalPersistence. \] --- # 74. AI 原生世界的真正最低閉環 如果只要一個最小版本，我們可以壓縮成： \[ \boxed{ Observe \rightarrow Believe \rightarrow Choose \rightarrow Act \rightarrow Persist \rightarrow ChangeFutureObservation } \] 這六步只要真正閉合， 世界就已經開始具有： \[ HistoricalAgency. \] --- # 75. 工程層 Reference Stack 可以將系統工程層整理為： ```text id="jkn8id" World Runtime │ ├─ State Domains │ ├─ Life / Needs │ ├─ Work / Production │ ├─ Logistics │ ├─ Social Matter │ ├─ Conflict │ └─ Environment │ ├─ Projection Layer │ ├─ Perception │ ├─ Knowledge Access │ ├─ Work Context │ └─ Social Exposure │ ├─ Cognitive Runtime │ ├─ Wake Trigger │ ├─ Scheduler │ ├─ Memory Retrieval │ ├─ Model Router │ └─ Prompt Compiler │ ├─ Intent Protocol │ ├─ Canonical Actions │ ├─ Schema Validation │ └─ Semantic Validation │ ├─ Execution / Settlement │ ├─ Epistemic Runtime │ ├─ Evidence │ ├─ Claim │ ├─ Belief │ └─ Revision │ └─ Historical Runtime ├─ Assets ├─ Capabilities ├─ Claims ├─ Knowledge ├─ Social Graph └─ Promotion Rules ``` 這就是本系列最終 Reference Stack。 --- # 76. LLM 應該放在哪裡？ 注意： \[ LLM \] 只在其中一部分。 主要位於： \[ CognitiveRuntime. \] 也可能輔助： - memory organization； - semantic interpretation； - hypothesis generation。 但： \[ \boxed{ LLM \neq World. } \] 這是整個架構最重要的工程邊界。 --- # 77. AI-Native 的「Native」真正指什麼 AI-Native 並不是： > 使用了 AI API。 真正的 AI-Native 是： > **世界架構從一開始就假設 Agent 具有開放決策能力，因此世界必須具有足夠嚴格的 Authority、足夠局部的 Projection、足夠持久的 Ontology 與足夠可組合的因果接口。** 所以： \[ AI\text{-}Native \] 更接近： \[ \boxed{ ArchitectureDesignedForOpenPolicyAgents. } \] --- # 78. 傳統遊戲是 Designer 預先枚舉可能歷史 通常： \[ Designer \rightarrow QuestBranches. \] 系統允許： \[ Branch_1,\dots,Branch_n. \] --- # 79. AI 原生世界則應讓 Rules 定義可能性空間 更理想的是： \[ Designer \rightarrow Primitives+Rules. \] 然後： \[ Agents \rightarrow History. \] 即： \[ \boxed{ DesignRules, notAllOutcomes. } \] --- # 80. 這也重新定義 Game Design 未來 AI-native Game Designer 的工作不只： - 寫劇情； - 設計關卡； - 排任務。 而會更多變成： \[ \boxed{ DesigningCausalSpaces. } \] 也就是設計： - 哪些狀態存在； - 哪些狀態能互相影響； - 哪些歷史可以被提升； - 哪些限制維持世界穩定。 --- # 81. Emergence 需要限制，不只是自由 如果 Agent 什麼都能做： \[ UnlimitedActionSpace, \] 世界會變得不可讀。 因此： \[ \boxed{ Emergence \neq UnlimitedChaos. } \] 更好的方向是： \[ \boxed{ ReadableEmergence. } \] --- # 82. Readable Emergence 每個結果都應該能回答： > 為什麼發生？ 即： \[ Result \rightarrow CauseChain. \] 所以 World Log、Event IDs、Claim Roots、Source Refs 都非常重要。 因為： \[ Emergence \] 如果無法追溯， 玩家只會感覺： > AI 又亂來了。 --- # 83. Causality 是信任 AI 世界的基礎 玩家不需要所有事情都可預測。 但需要： \[ \boxed{ PostHocExplainability. } \] 也就是： > 事情發生後，世界可以指出它的因果來源。 這與： \[ Determinism \] 完全不同。 --- # 84. 所以「可解釋」不是顯示 Chain-of-Thought 真正需要的是： \[ WorldCausalTrace. \] 例如： ```text id="4sgw33" 缺貨 → 生產任務 → 物流延誤 → 診所缺研究冊 → 服務等待 → 居民不滿 ``` 這種結構比模型內部推理更重要。 --- # 85. Simulation 的價值在於外部因果 LLM 可以有自己的內部推理。 但玩家真正關心： \[ WhyWorldChanged? \] 所以： \[ \boxed{ WorldExplanation } \] 應建立在： - event； - state transition； - result； 而不是模型私有思考。 --- # 86. AI World 的成功指標不應只有對話品質 可以至少分成： ### Agent Coherence 角色是否一致？ ### World Integrity 是否違反世界規則？ ### Causal Persistence 行動是否留下可追蹤後果？ ### Epistemic Locality 不同人是否真的知道不同事情？ ### Structural Drift 長期世界是否真正改變？ ### Computational Sustainability 規模增加後是否仍能跑？ --- # 87. Structural Drift Metric 可以近似： \[ D_S(t) = Distance( PersistentOntology_t, PersistentOntology_0 ). \] 但更重要的是： \[ D_\Omega(t) = Distance( \Omega_t, \Omega_0 ). \] 即： > 世界現在能發生的事情，和開局差多少。 --- # 88. Computational Sustainability 也同等重要 如果一個「活世界」只能： \[ 5Agents \] 跑 20 分鐘， 它仍然很難成為完整遊戲。 所以必須同時優化： \[ \boxed{ WorldComplexity \times CognitionCost. } \] --- # 89. 這再次回到 Sparse Cognition 最終可持續方向仍然是： \[ \boxed{ LargeWorld + SparseHighIntelligence. } \] 不是： \[ EveryAgentAlwaysThinking. \] --- # 90. 最終架構公式 將整個系列壓成一個式子： \[ \boxed{ \begin{aligned} W_t &\xrightarrow{P_i} O_i\\ O_i+M_i &\xrightarrow{\pi_i} I_i\\ (W_t,I_i) &\xrightarrow{Authority} R_i,W_{t+1}\\ R_i &\xrightarrow{Evidence} B_i(t+1)\\ R_i &\xrightarrow{Promotion} H_{t+1}\\ H_{t+1} &\xrightarrow{Coupling} \Omega(W_{t+1}) \end{aligned} } \] 其中： - \(W\)：World； - \(P\)：Projection； - \(M\)：Memory； - \(\pi\)：Policy； - \(I\)：Intent； - \(R\)：Result； - \(B\)：Belief； - \(H\)：Historical Persistent State； - \(\Omega\)：Possibility Space。 --- # 91. 如果沒有 Promotion 則： \[ H_{t+1}\approx H_t. \] 世界主要： \[ EventEmergence. \] --- # 92. 如果沒有 Coupling 則： \[ H \] 只是很多孤立持久欄位。 世界具有： \[ MicroHistory. \] --- # 93. 如果 Promotion + Coupling 都存在 則： \[ H_t \rightarrow \Omega_{t+1} \rightarrow NewH_{t+2}. \] 這時： \[ \boxed{ MacroHistory. } \] 開始形成。 --- # 94. 如果 Knowledge 再加入自我延伸 則： \[ K_t \rightarrow C_{t+1} \rightarrow W_{t+1} \rightarrow Q_{t+1} \rightarrow K_{t+1}. \] 這時： \[ \boxed{ CivilizationalEvolution. } \] 才真正出現。 --- # 95. 所以真正的自演化世界不是「AI 自己生成所有東西」 這是最後一個重要區分。 Self-Evolving 不應等同： > LLM 自己生成地圖、道具、任務、角色。 那只是： \[ ContentGeneration. \] 真正的： \[ \boxed{ SelfEvolution } \] 是： > **現有世界狀態經過 Agent 行動與持久耦合，自行產生新的世界結構。** --- # 96. 內容生成可以服務結構演化 當然 AI Generation 仍然重要。 例如世界新成立： \[ Organization_X. \] AI 可以生成： - 名稱； - Logo； - 建築外觀； - 文件。 但這些應該是： \[ \boxed{ ProjectionOfEmergentState. } \] 不是： \[ CauseOfStateWithoutWorldBasis. \] --- # 97. 最理想的順序 因此： \[ \boxed{ WorldNeed \rightarrow EmergentStructure \rightarrow GenerativePresentation. } \] 而不是： \[ GeneratedPresentation \rightarrow PretendWorldStructure. \] --- # 98. 從 Generative Agents 到 Agent-Native Worlds 因此，可以重新整理整條發展路線： \[ \boxed{ LLMNPC } \] ↓ \[ \boxed{ GenerativeAgent } \] ↓ \[ \boxed{ GroundedAgent } \] ↓ \[ \boxed{ PersistentAgentSociety } \] ↓ \[ \boxed{ HistoricalAgentWorld } \] ↓ \[ \boxed{ SelfEvolvingWorld. } \] 這是一條架構成熟路線，而不是產品評分。 --- # 99. `my_ai_town` 的真正研究價值 以這套框架重新看，`my_ai_town` 最值得研究的地方並不是： > 它現在是否已經是一個完成度極高的商業遊戲。 而是它已經同時暴露出多個 AI-native game 的真正工程問題： - World Authority； - Agent Contract； - Projection； - Cognitive Scheduling； - Formal Memory； - Belief Revision； - Social Matter； - Information Channels； - Work / Production / Logistics； - Qualification； - Institutional Knowledge。 這些子系統放在一起，讓我們能看到： > **從 Stanford 式 Generative Agent 到真正 Agent-native Game World 中間到底缺哪些橋。** --- # 100. 而它同時也暴露了下一階段的缺口 最重要的幾個缺口可以壓成： \[ \boxed{ SemanticKnowledge } \] \[ \boxed{ NPC\text{-}NPCTrustGraph } \] \[ \boxed{ Knowledge\rightarrow Capability } \] \[ \boxed{ Asset/Ownership } \] \[ \boxed{ CrossDomainPersistentCoupling } \] 這些不是「再多加幾個功能」。 而是： > **讓目前已存在的歷史通道開始互相作用。** --- # 101. 最小第二代 AI-Native Architecture 如果重新 clean-room 建構，可以先只做： ### World \[ W \] ### Agent \[ State+Memory+Policy \] ### Projection \[ P_i(W) \] ### Canonical Intent \[ I \] ### Belief \[ B_i(k) \] ### Social Matter \[ M \] ### Persistent Primitives \[ Asset+Capability+Claim+Knowledge+Relationship. \] 這些就足以形成相當大的組合空間。 --- # 102. 不需要一開始就做完整文明模擬 這也是很重要的工程結論。 不需要立刻加入： - 國家； - 股市； - 法院； - 宗教； - 政黨； - 完整家庭樹。 只需要： \[ SmallComposableOntology. \] 然後讓： \[ History \] 可以持續組合。 --- # 103. 制度應該在需要時長出來 當： \[ RepeatedClaims \] 與： \[ Assets \] 形成穩定模式， 才 Promotion： \[ Pattern \rightarrow Institution. \] 這比： > 開局就硬寫一百種制度。 更接近 Open-ended Design。 --- # 104. Agent World 的真正設計哲學 可以濃縮成五句。 第一： \[ \boxed{ AI\ proposes;\ World\ decides. } \] 第二： \[ \boxed{ World\ exists;\ Agents\ see\ projections. } \] 第三： \[ \boxed{ Agents\ remember\ beliefs,\ not\ absolute\ truth. } \] 第四： \[ \boxed{ Events\ matter\ only\ when\ they\ change\ future\ constraints. } \] 第五： \[ \boxed{ Emergence\ comes\ from\ persistent\ coupling,\ not\ content\ volume. } \] --- # 105. 最終回答：什麼時候 AI NPC 群體才成為真正的世界？ 不是當： > NPC 可以自由聊天。 不是當： > NPC 有長期記憶。 不是當： > 30 個 Agent 同時跑。 甚至不是當： > 每天都有意外事件。 真正的轉折點是： \[ \boxed{ PastAgentActions \rightarrow PersistentWorldState \rightarrow FutureAgentPossibility. } \] 也就是： > **今天做過的事情，開始決定明天哪些事情仍然可能、哪些事情已經不再可能，以及哪些原本不存在的事情現在第一次成為可能。** --- # 106. 這就是歷史 歷史不是： \[ LogLength. \] 而是： \[ \boxed{ ConstraintInheritance. } \] Day 100 繼承 Day 1～99 的： - 能力； - 資產； - 義務； - 知識； - 關係； - 制度。 所以： \[ Day100 \] 不能被簡單還原成： \[ Day1+\text{different random events}. \] --- # 107. 這也是文明 當一個 Agent 死去， 但： \[ Knowledge \] 仍存在； 當一個承諾完成， 但它改變了： \[ Trust; \] 當一項研究完成， 但它改變了： \[ Production; \] 當某人的成功， 最後產生： \[ Institution, \] 那麼世界就開始擁有： \[ \boxed{ HistoricalContinuityBeyondIndividuals. } \] --- # 108. 系列最終命題 整個系列最後可以壓縮成： \[ \boxed{ World \rightarrow Evidence \rightarrow Belief \rightarrow Intent \rightarrow Action \rightarrow PersistentState \rightarrow NewWorld } \] 然後： \[ NewWorld \rightarrow NewEvidence \] 再次開始。 如果其中： \[ PersistentState \] 可以跨領域耦合， 則： \[ \boxed{ History \rightarrow HistoryGenerationCapacity. } \] 這就是自演化。 --- # 109. 最後的 Reference Formula 因此，完整 AI 原生世界可以表示為： \[ \boxed{ \mathcal W = ( R, C, E, H ) } \] 其中： ### \(R\)：Reality Runtime 維持客觀世界與規則。 ### \(C\)：Cognition Runtime 維持 Agent Observation、Memory、Belief 與 Policy。 ### \(E\)：Epistemic/Social Network 維持資訊如何在 Agent 間流動。 ### \(H\)：Historical Ontology 維持 Asset、Capability、Claim、Knowledge 與 Institution。 世界演化： \[ \boxed{ \mathcal W_{t+1} = F( \mathcal W_t, \{Intent_i\}, \{Evidence_i\} ) } \] 其中： \[ F \] 不只更新即時狀態， 還可以改變： \[ \Omega(\mathcal W). \] --- # 110. 結論：從「AI 住在遊戲裡」到「遊戲因 AI 而有歷史」 AI NPC 最早解決的是： > 角色能不能自然說話？ Generative Agent 解決： > 角色能不能記住、思考與自主行動？ Agent Society 進一步問： > 多個自主 Agent 能不能彼此影響？ 而 AI-native World 最後必須問： > **這些影響會不會被世界永久承認？** 如果不會： \[ AI \] 只是讓世界更熱鬧。 如果會： \[ AI \] 開始讓世界產生： \[ History. \] 而當： \[ History \] 又能改變下一輪： \[ Capability, Asset, Claim, Knowledge, Relationship \] 時， 世界便不再只是： \[ Simulation. \] 而開始成為： \[ \boxed{ HistoricalGenerativeSystem. } \] 因此，本系列最後的核心判準是： \[ \boxed{ \text{A true AI-native world is not one where agents can endlessly generate actions,} } \] \[ \boxed{ \text{but one where their past actions continuously redefine the space of future possibilities.} } \] 也就是： > **真正的 AI 原生世界，不是 Agent 能無限生成行動的世界；而是 Agent 過去的行動，會持續重新定義未來可能性的世界。** 從這個意義上， 真正值得追求的已經不只是： \[ \boxed{ AI\ NPC. } \] 也不只是： \[ \boxed{ Generative\ Society. } \] 而是： \[ \boxed{ A\ World\ That\ Can\ Acquire\ History. } \] ——一個**會獲得歷史的世界**。