# IDSLS-04｜遊戲作為因果學習基質 ## 人工世界、世界狀態機、反事實重置與可執行經驗 **English Title:** *Games as Causal Learning Substrates: Artificial Worlds, World-State Machines, Counterfactual Reset, and Executable Experience* **系列：** Intelligence Developmental States and Learning Substrates（IDSLS）／智能發展態與學習基質論 **編號：** IDSLS-04 **版本：** v0.1 **日期：** 2026-10-05 **狀態：** Canonical Source / UTF-8 Markdown **作者：** Neo.K **機構：** EveMissLab Technology Co., Ltd. **協作整理：** Aletheia / GPT-5.6 Sol **直接前置：** - IDSLS-00《智能發展態與學習基質：從參數尺度到發展性尺度》 - IDSLS-03《什麼才是高品質資料：從知識語料到行為、經驗、信任與世界回饋》 - 《遊戲不是內容資料：遊戲作為可執行因果世界》 - AI-Native Game Runtime Series - JEV × World Runtime《AI-Native Persistent World Decision Architecture》 - DCAO-09《從持續 AI 到持續世界：世界模型、因果狀態與動態能力閉合》 - 《多模態遊戲代理的連續視覺閉環架構》 - 《站在巨人肩上玩遊戲：基於開源 LLM 的因果微調範式》 - AGPL／人工世界與 AI 原生遊戲研究線 **公司：** 一言諾科技有限公司 --- # 摘要 文字、圖片、聲音、影片與論文是人工智能的重要知識資料，但它們主要記錄世界、行為或思想的「已發生結果」。遊戲則具有另一種結構性質：遊戲不是只有內容，而是一個可以被執行、干預、重置、重播、分支、量測與驗證的人工世界。 本文延續 IDSLS-03 對高品質資料的重新定義，提出： $$ \boxed{ \text{Game} = \text{Executable World} + \text{State Machine} + \text{Intervention Interface} + \text{Feedback System} + \text{Counterfactual Laboratory}. } $$ 因此，遊戲對 AI 的價值不只來自畫面、文字、玩家影片或人類操作，而來自： $$ s_t \xrightarrow{a_t} s_{t+1}, $$ 這條可以被反覆觀察與重新執行的狀態轉移關係。 本文將遊戲世界抽象為： $$ \boxed{ \mathfrak G = ( \mathcal S, \mathcal O, \mathcal A, \mathcal T, \mathcal R, \mathcal G, \mathcal H, \mathcal E, \Xi ) } $$ 其中： - $\mathcal S$：canonical world state； - $\mathcal O$：observation space； - $\mathcal A$：action space； - $\mathcal T$：state transition； - $\mathcal R$：rules / constraints； - $\mathcal G$：goals； - $\mathcal H$：history； - $\mathcal E$：evaluation / feedback； - $\Xi$：stochasticity / exogenous events。 本文進一步區分： $$ \text{Recorded Gameplay} \subsetneq \text{Executable Possibility Space}. $$ 影片只保存一條已實現軌跡： $$ \tau = (s_0,a_0,s_1,a_1,\ldots,s_T), $$ 而遊戲本體允許從相同或近似相同初始狀態重新展開： $$ s_0 \xrightarrow{a^{(1)}} s_1^{(1)}, $$ $$ s_0 \xrightarrow{a^{(2)}} s_1^{(2)}. $$ 因此 Save、Load、Replay、Seed、Checkpoint 與 Scenario 可以被理解為人工反事實實驗裝置。 本文提出： $$ \boxed{ \text{Save/Load} \approx \text{Counterfactual Reset Interface}. } $$ 但同時強調： $$ \boxed{ \text{Executable World} \neq \text{Automatic Causal Ground Truth}. } $$ 商業遊戲仍可能具有隱藏 state、未知 RNG、並行事件、不可見 server state、engine nondeterminism 與不完整 instrumentation。遊戲提供的是高價值 **Interventional Access Potential**，不是自動提供完整 causal graph。 本文進一步提出 Game Causal Data 的品質向量： $$ \boxed{ \mathbf Q_G = ( \rho_C, \iota_A, f_F, r_C, s_O, \tau_G, g_P, w_P, d_G ) } $$ 其中： - $\rho_C$：causal density； - $\iota_A$：intervention richness； - $f_F$：feedback fidelity； - $r_C$：counterfactual reset quality； - $s_O$：state observability； - $\tau_G$：temporal depth； - $g_P$：procedural generalization； - $w_P$：world persistence； - $d_G$：domain gap to target world。 本文主張，遊戲對 AI 的真正戰略價值在於：它位於靜態知識與真實世界行動之間，提供了一個低成本、高頻、可重置、可程序生成、可累積軌跡且錯誤成本受控的中介學習層。 因此： $$ \boxed{ \text{Text} \rightarrow \text{Artificial World} \rightarrow \text{Real World} } $$ 可能成為下一代 Agent curriculum 的重要結構。 本文最後提出一組可否證實驗，用來比較 video-only、video+action、action+state、full trajectory、failure-recovery、counterfactual branch 與 procedural world data 的差異，並將遊戲重新定位為： $$ \boxed{ \text{Synthetic Experience Generator} } $$ 以及： $$ \boxed{ \text{Developmental Causal Laboratory for AI}. } $$ **關鍵詞：** Game AI；Executable World；Causal Learning；State Machine；Counterfactual；Save/Load；World Model；Agent Trajectory；Procedural Generation；Gameplay Data；World Runtime；AI Training Environment；Interventional Data --- # 0. 問題：為什麼「AI 玩遊戲」不是一個邊緣問題？ 如果 AI 只是要回答問題，遊戲資料看起來可能只是娛樂內容、視覺資料、玩家示範或特殊 benchmark。 但當 AI 的發展目標變成： - 行動； - 規劃； - 因果理解； - 工具使用； - 長時程任務； - 多 Agent 協作； - 世界模型； - 失敗恢復； 遊戲的資料結構就突然改變價值。 因此： $$ \boxed{ V(D_{\text{game}}\mid Z_{\text{chat}}) \neq V(D_{\text{game}}\mid Z_{\text{agentic}}). } $$ 這正是 IDSLS-00 的發展態條件資料價值。 --- # 1. 遊戲不是內容資料 本文延續既有命題： $$ \boxed{ \text{Game Data} \neq \text{Content Data Only}. } $$ 一個遊戲可以同時產生： - text； - image； - video； - audio； - code； - state； - action； - transition； - reward； - history； - rule； - outcome。 --- # 2. 內容資料回答「發生了什麼」 一段影片可以告訴 AI： > 角色走到門旁邊，門打開。 這是 observation。 它可以形成： $$ P(Y\mid X). $$ --- # 3. 遊戲本體回答「如果我改變行動呢？」 若 AI 自己操作： $$ do(a_t), $$ 可以觀察： $$ s_{t+1}. $$ 因此： $$ \boxed{ \text{Observation} \rightarrow \text{Intervention}. } $$ --- # 4. 遊戲作為可執行世界 本文定義： $$ \boxed{ \mathfrak G = ( \mathcal S, \mathcal O, \mathcal A, \mathcal T, \mathcal R, \mathcal G, \mathcal H, \mathcal E, \Xi ). } $$ --- # 5. $\mathcal S$：World State $$ \mathcal S = \text{canonical internal state space}. $$ 例如： - player position； - NPC state； - inventory； - world flags； - economy； - quest state； - cooldown； - weather； - relationship； - event queue。 --- # 6. $\mathcal O$：Observation $$ o_t = \Omega(s_t). $$ Agent 通常只看到： $$ o_t, $$ 而不是完整： $$ s_t. $$ 因此： $$ \boxed{ \text{Observation} \neq \text{WorldState}. } $$ --- # 7. Partial Observability 若： $$ \Omega(s_i) = \Omega(s_j), $$ 但： $$ s_i\neq s_j, $$ 則相同畫面可能隱藏不同世界狀態。 這對 AI 很重要。 --- # 8. 遊戲讓 AI 學習 hidden state inference Agent 必須從畫面、聲音、歷史、UI 與行為結果推斷： $$ \hat s_t. $$ 這就是 world-state estimation。 --- # 9. $\mathcal A$：Action Space Action 可以是： - move； - attack； - speak； - buy； - craft； - wait； - negotiate； - inspect； - use tool； - issue command。 --- # 10. Action Space 是因果入口 AI 不只： $$ See(World). $$ 而是： $$ \boxed{ ActOn(World). } $$ --- # 11. $\mathcal T$：Transition 最基本： $$ s_{t+1} = \mathcal T(s_t,a_t,\xi_t). $$ 其中： $$ \xi_t $$ 包含 RNG、NPC action、scheduled event、network event 與 environment dynamics。 --- # 12. $\mathcal R$：Rules Rules 決定： $$ Legal(a_t\mid s_t). $$ 並限制： $$ \mathcal T. $$ --- # 13. $\mathcal G$：Goals 遊戲提供天然： - explicit goal； - implicit goal； - survival； - score； - quest； - resource objective。 這使 evaluation 容易。 --- # 14. $\mathcal H$：History 遊戲不是只有當下 state。 長時程遊戲還有： $$ \mathcal H_t = (s_0,a_0,\ldots,s_t). $$ --- # 15. $\mathcal E$：Evaluation Evaluation 可以是： - reward； - score； - mission complete； - damage； - death； - economy result； - NPC reaction； - test condition。 --- # 16. $\Xi$：不可控或隨機因素 若不把： $$ \Xi $$ 分離，研究者可能誤把隨機差異當成 action causal effect。 --- # 17. Recorded Trajectory 與 Possibility Space 影片： $$ \tau_1. $$ 遊戲： $$ \Omega_{\text{possible}} = \{\tau_1,\tau_2,\ldots\}. $$ 因此： $$ \boxed{ \text{RecordedTrajectory} \subsetneq \text{InterventionalPossibilitySpace}. } $$ --- # 18. 一條影片不能回答反事實 已知： $$ s_t \xrightarrow{a} s_{t+1}. $$ 我們仍不知道： $$ s_t \xrightarrow{b} ? $$ --- # 19. 遊戲可以真的去試 如果能重建： $$ s_t, $$ 則： $$ do(a), do(b), do(c) $$ 可以依次執行。 --- # 20. Save / Load 的本體論價值 Save 不只是方便玩家。 它也是： $$ \boxed{ \text{State Serialization}. } $$ --- # 21. Load 是狀態恢復 $$ Load(S_i) \rightarrow S_i. $$ 這讓實驗可以重現。 --- # 22. Save/Load 作為 Counterfactual Reset 同一： $$ S_0 $$ 分支： $$ S_0 \xrightarrow{A_1} S_1, $$ $$ S_0 \xrightarrow{A_2} S_2, $$ $$ S_0 \xrightarrow{A_3} S_3. $$ 因此： $$ \boxed{ Save/Load \approx \text{CounterfactualReset}. } $$ --- # 23. Reset 的價值 現實中： $$ \text{BreakGlass} $$ 後不能免費回到： $$ \text{GlassIntact}. $$ 遊戲則可以 Reset。 因此失敗成本大幅下降。 --- # 24. 低失敗成本允許更積極探索 令： $$ C_F = \text{Cost of Failure}. $$ 在遊戲中通常： $$ C_F^{game} \ll C_F^{real}. $$ 因此 exploration budget 可以提高。 --- # 25. 失敗成本降低不等於失敗沒有意義 如果所有失敗都 Reset，但不記錄原因，學習價值仍低。 --- # 26. Failure-to-Recovery 高品質遊戲軌跡應保存： $$ \text{Failure} \rightarrow \text{Detection} \rightarrow \text{Correction} \rightarrow \text{Recovery}. $$ --- # 27. 遊戲的 Fast Feedback 例如： $$ Hit\in\{0,1\}, $$ $$ Dead\in\{0,1\}, $$ $$ QuestComplete\in\{0,1\}. $$ 回饋速度很高。 --- # 28. Credit Assignment 如果： $$ \Delta t(a,r) $$ 很短，較容易知道哪個 action 導致哪個結果。 --- # 29. 現實世界常有 Delayed Reward 例如商業決策可能半年後才知道。 遊戲則可把大量 feedback 壓到分鐘甚至秒。 --- # 30. 這使遊戲成為高速經驗生成器 單位時間內： $$ N_{\text{action-feedback loops}} $$ 可能很高。 因此： $$ \rho_C \uparrow. $$ --- # 31. Game Causal Density 本文定義： $$ \boxed{ \rho_C^{G} = \frac{ N_{\text{verified state-action-outcome loops}} }{ T }. } $$ --- # 32. 但不能只數 action 數量 連續走路一千次 input，不代表一千個高價值 causal events。 --- # 33. Semantic Causal Density 更合理： $$ \boxed{ \rho_{SC}^{G} = \frac{ N_{\text{meaningful causal transitions}} }{ T }. } $$ --- # 34. Meaningful Transition 例如： - inventory changed； - NPC belief changed； - resource acquired； - rule discovered； - strategy failed； - goal completed； - door unlocked。 --- # 35. Intervention Richness 本文定義： $$ \boxed{ \iota_A(G) = \text{Intervention Richness}. } $$ 表示 Agent 在同一或相近 state 下，可選擇多少具語義差異的 action。 --- # 36. Action Variety 不等於 Intervention Richness 一千個 animation button，可能只有少數真正改變世界。 所以應測： $$ \Delta State. $$ --- # 37. Feedback Fidelity $$ \boxed{ f_F(G) = \text{Feedback Fidelity}. } $$ 問： > 遊戲提供的 reward 是否真正對應任務與世界狀態？ --- # 38. Reward 不等於 Truth AI 可以拿高分，但使用 exploit。 因此： $$ \boxed{ \text{Reward} \neq \text{GoalTruth}. } $$ --- # 39. Reward Hacking 若 Agent 發現： $$ maximize(R) $$ 但不完成真正目標，就產生 Proxy Failure。 --- # 40. 世界 State 比 Reward 更重要 因此遊戲資料不應只保留： $$ Reward_t. $$ 還要保留： $$ StateDelta_t. $$ --- # 41. World Settlement 一個 action 是否真的完成，應由 World Runtime 決定。 因此： $$ \boxed{ \text{AgentProposal} \neq \text{WorldCommit}. } $$ --- # 42. AI proposes, Runtime decides, World commits 這個架構對訓練非常重要。 它提供： $$ \text{Proposal} \rightarrow \text{Validation} \rightarrow \text{Commit} \rightarrow \text{Result}. $$ --- # 43. 世界狀態機 遊戲本質上可以視為： $$ \boxed{ S_t \rightarrow S_{t+1} } $$ 的受約束演化。 --- # 44. Game Ontology 遊戲不只是內容集合。 它包含： $$ \text{Entities} + \text{Relations} + \text{States} + \text{Rules} + \text{Processes}. $$ --- # 45. Persistent World 若： $$ S_{t+1} $$ 真正由： $$ S_t $$ 持續演化，世界具有 persistence。 --- # 46. Renderer 與 World 分離 漂亮畫面： $$ Frame_t $$ 不表示存在： $$ S_t^W. $$ 所以： $$ \boxed{ \text{Renderer} \neq \text{WorldSimulator}. } $$ --- # 47. Video World Model 的限制 模型可以生成： $$ Frame_t\approx plausible. $$ 但： $$ \text{VisualPlausibility} \neq \text{CausalValidity}. $$ --- # 48. Persistent World 的條件 至少： $$ \boxed{ \text{PersistentState} + \text{EntityIdentity} + \text{CausalTransition} + \text{History} + \text{Validation}. } $$ --- # 49. 為什麼遊戲比純生成影片更適合因果學習 因為遊戲通常有： $$ \text{CanonicalState}. $$ 生成影片可能只有： $$ \text{LatentContinuity}. $$ --- # 50. Canonical State 是 Training Ground Truth 的重要來源 如果 state 可讀： ```text player_hp=20 enemy_hp=0 door_locked=false quest_state=completed ``` 可直接作： $$ \text{WorldEvidence}. $$ --- # 51. 但商業遊戲未必暴露 Canonical State 所以資料品質分層很重要。 --- # 52. Game Data Level 0 $$ L_0 = \text{VideoOnly}. $$ --- # 53. Level 1 $$ L_1 = \text{Video+Action}. $$ --- # 54. Level 2 $$ L_2 = \text{Observation+Action+Timestamp}. $$ --- # 55. Level 3 $$ L_3 = \text{Observation+Action+WorldState}. $$ --- # 56. Level 4 $$ L_4 = L_3 + \text{Reward} + \text{Events} + \text{Goals}. $$ --- # 57. Level 5 $$ L_5 = L_4 + \text{Failure} + \text{Recovery}. $$ --- # 58. Level 6 $$ L_6 = L_5 + \text{CounterfactualBranches}. $$ --- # 59. Level 7 $$ L_7 = L_6 + \text{ProceduralUnseenWorlds}. $$ --- # 60. Level 8 $$ L_8 = L_7 + \text{MultiAgentSocialDynamics}. $$ --- # 61. Level 越高不一定絕對越好 因為成本、schema 複雜度、hidden bugs 與 world-specific overfitting 也會上升。 所以仍需看： $$ V(D\mid Z,T). $$ --- # 62. State Observability 本文定義： $$ \boxed{ s_O = \text{State Observability}. } $$ 完整內部 state 時： $$ s_O\rightarrow1. $$ 只看 pixels 時： $$ s_O\ll1. $$ --- # 63. 低 State Observability 也有價值 因為現實世界本來就是 Partial Observable。 所以不能全部訓練在全知 state。 --- # 64. 雙層訓練 可以： $$ \boxed{ \text{PrivilegedStateTraining} + \text{PartialObservationEvaluation}. } $$ --- # 65. Teacher 看到更多 state Teacher： $$ S_t. $$ Student： $$ O_t. $$ 可用來學： $$ \text{StateInference}. $$ --- # 66. Counterfactual Reset Quality 本文定義： $$ \boxed{ r_C = \text{Counterfactual Reset Quality}. } $$ 衡量： - 初始 state 是否一致； - RNG 是否可控； - side effects 是否清除； - history 是否可復原。 --- # 67. Reset 不完全等於同一世界 如果 Seed 不同，結果差異可能來自： $$ \Xi $$ 而不是 action。 --- # 68. Controlled Seed 所以： $$ \boxed{ \text{SeedControl} } $$ 很重要。 --- # 69. Deterministic Replay 理想： $$ (S_0,Seed,A_{0:T}) \rightarrow S_T $$ 可重演。 --- # 70. Semi-Deterministic World 現代引擎仍可能有： - floating-point nondeterminism； - parallel scheduling； - network delay。 所以 Replay 也需要 tolerance。 --- # 71. Procedural Generation 固定世界： $$ W_1. $$ Agent 可能 memorize。 程序生成： $$ W_i = G(seed_i). $$ --- # 72. Procedural Generalization 本文定義： $$ \boxed{ g_P = \text{Procedural Generalization}. } $$ 衡量 Agent 是否能從： $$ \{W_1,\ldots,W_n\} $$ 泛化到： $$ W_{n+1}. $$ --- # 73. 程序生成不是只換地圖皮膚 如果只： $$ \text{TextureChange}, $$ 不算真正結構變化。 --- # 74. Structural Procedural Variation 更高價值是： - rules； - topology； - resource distribution； - objective； - NPC policy； - hidden mechanics； 改變。 --- # 75. Unseen Rule Benchmark 可以讓： $$ RuleSet_i $$ 每次不同。 Agent 必須： $$ \text{Explore} \rightarrow \text{Infer} \rightarrow \text{Adapt}. $$ --- # 76. 遊戲作為 Learnability Benchmark 這正適合 IDSLS-00： $$ \boxed{ \text{How quickly can the Agent learn a new world?} } $$ --- # 77. Episode Efficiency 定義： $$ \boxed{ \eta_L = \frac{ \text{CapabilityGain} }{ N_{\text{episodes}} }. } $$ --- # 78. Sample Efficiency AI 不只是最後能不能破關，而是要試多少次才學會。 --- # 79. 遊戲可以測 Developmental State 不同 Agent： $$ A_1,A_2 $$ 初始 benchmark 差不多。 但： $$ LearningRate(A_1) \neq LearningRate(A_2). $$ --- # 80. 遊戲成為動態 Benchmark Generator 不是固定 500 題。 而是： $$ \boxed{ \text{EnvironmentGenerator} \rightarrow \text{InfiniteCandidateTasks}. } $$ --- # 81. Benchmark Contamination 降低 若 seed 不公開，Memorization 更難。 --- # 82. 但 Generator 也可能被模型學會 所以要區分： $$ \text{GeneralizeToGenerator} $$ 與： $$ \text{GeneralizeBeyondGenerator}. $$ --- # 83. 多 Generator 可以： $$ G_1,G_2,\ldots,G_n $$ 降低單一 procedural bias。 --- # 84. 遊戲提供 Long-Horizon Data RPG、策略、模擬遊戲可以有： $$ T \gg 1000 $$ steps。 --- # 85. Long Horizon 不等於長 Chain 遊戲長時程真正包括： - delayed quest； - inventory planning； - resource accumulation； - reputation； - relationships； - long-term strategy。 --- # 86. Temporal Depth $$ \boxed{ \tau_G = \text{Game Temporal Depth}. } $$ --- # 87. World Persistence 本文定義： $$ \boxed{ w_P = \text{World Persistence}. } $$ 如果 Agent 離開場景後 WorldState 仍持續存在，則： $$ w_P\uparrow. $$ --- # 88. Persistent World 讓行動有歷史後果 今天偷竊： $$ Reputation_{t+1}\downarrow. $$ 明天 NPC 仍記得。 --- # 89. 這比一次性關卡更接近生活世界 現實： $$ Action_t $$ 往往改變： $$ \text{FutureOpportunity}. $$ --- # 90. Multi-Agent Game 當： $$ N_A>1, $$ 世界開始包含： - cooperation； - competition； - negotiation； - deception； - reputation； - coordination。 --- # 91. 社會因果 AI 要學： $$ Action_i \rightarrow Belief_j \rightarrow Action_j. $$ 這比單一物理 causal chain 更複雜。 --- # 92. Game Social Data 可以包含： $$ \text{State} + \text{Speech} + \text{Action} + \text{BeliefUpdate} + \text{WorldOutcome}. $$ --- # 93. Speech 不等於 World Truth 若 NPC 說： > 我沒有偷東西。 世界只確認： $$ \text{SpeechEvent}. $$ 不自動確認： $$ \text{ClaimTruth}. $$ --- # 94. 這使遊戲成為 Epistemic Learning Environment Agent 要分： $$ \boxed{ \text{WorldTruth} \neq \text{AgentBelief} \neq \text{SpeechClaim}. } $$ --- # 95. 這是非常高價值的 AI 資料 因為現實社會也一樣：人類說的話不是世界真值。 --- # 96. 遊戲可以控制 deception 可以程序生成： - liar； - mistaken witness； - incomplete observer； - adversarial NPC。 --- # 97. 因此可研究 Epistemic Routing AI 應該判斷： - 信誰； - 驗證什麼； - 哪個來源只是 testimony。 --- # 98. 物理因果與社會因果可以同時存在 遊戲可以同時訓練： $$ \text{PhysicalWorldModel} + \text{SocialWorldModel}. $$ --- # 99. World Model 不等於 World Runtime AI 的： $$ \hat W_t $$ 只是內部估計。 Canonical world： $$ W_t. $$ 因此： $$ \boxed{ \hat W_t \neq W_t. } $$ --- # 100. Prediction Error 可以測： $$ \epsilon_W = d( \hat W_{t+1}, W_{t+1} ). $$ --- # 101. 遊戲天然提供 World-Model Error Signal 因為真實 state 可比較。 --- # 102. 現實世界 Ground Truth 往往不可完全取得 所以遊戲特別適合 world-model calibration。 --- # 103. 但 Domain Gap 存在 本文定義： $$ \boxed{ d_G = \text{Domain Gap}. } $$ 遊戲世界與現實： $$ P_G \neq P_R. $$ --- # 104. Domain Gap 包含 - physics； - perception noise； - human behavior； - legal consequence； - bodily limitation； - real economics； - irreversibility。 --- # 105. 遊戲不能直接取代現實 $$ \boxed{ \text{GameMastery} \not\Rightarrow \text{RealWorldMastery}. } $$ --- # 106. 但 Domain Gap 不使遊戲失去價值 因為 curriculum 可以是： $$ \boxed{ \text{Game} \rightarrow \text{Simulation} \rightarrow \text{Sandbox} \rightarrow \text{RealWorld}. } $$ --- # 107. Domain Randomization 可以改： - friction； - latency； - visual style； - rule noise； - sensor noise； - control noise。 縮小 transfer gap。 --- # 108. Sim-to-Real 的思想也適用數位 Agent 不只是 robot。 Browser Agent 也可以先在： $$ \text{SimulatedWeb}. $$ 學習。 --- # 109. 遊戲是低代價世界 真實交易： $$ Loss=\$1000. $$ 模擬交易： $$ Loss\approx0. $$ 因此適合練 governance。 --- # 110. Permission Game 甚至可以專門做隱私與授權遊戲。 讓 Agent 處理： - 地址； - 付款； - 訊息； - 合約； - 撤銷。 --- # 111. 遊戲可以成為 Trust Curriculum 這接回 IDSLS-03： $$ D_T. $$ --- # 112. 不只是訓練動作 遊戲可以訓練： $$ \boxed{ \text{Correct Non-Action}. } $$ --- # 113. Non-Action Reward 有些場景最優策略： $$ \text{Wait}, \text{Ask}, \text{Refuse}. $$ --- # 114. 這對生活 Agent 很重要 現實可靠性往往來自： > 沒有在錯誤時機行動。 --- # 115. Game Causal Data Quality Vector 本文提出： $$ \boxed{ \mathbf Q_G = ( \rho_C, \iota_A, f_F, r_C, s_O, \tau_G, g_P, w_P, d_G ). } $$ --- # 116. $\rho_C$：Causal Density 單位時間內有多少有效因果閉環。 --- # 117. $\iota_A$：Intervention Richness 可執行多少語義不同的干預。 --- # 118. $f_F$：Feedback Fidelity 回饋是否忠實對應真正目標。 --- # 119. $r_C$：Counterfactual Reset Quality 能否公平比較不同 action 分支。 --- # 120. $s_O$：State Observability 可取得多少 canonical state。 --- # 121. $\tau_G$：Temporal Depth 行動後果跨多長時間。 --- # 122. $g_P$：Procedural Generalization 是否有足夠 unseen worlds。 --- # 123. $w_P$：World Persistence 世界是否跨場景、session 與時間持續。 --- # 124. $d_G$：Domain Gap 與目標部署世界差多少。 --- # 125. Game Data Utility 對目標發展態： $$ \boxed{ U_G = \mathbf w_{Z,T} \cdot \mathbf Q_G. } $$ --- # 126. 不是所有遊戲都同樣適合 AI 例如單純 rhythm game： - fast feedback 高； - long-horizon 低； - social causality 低。 --- # 127. Strategy Game 可能： - $\tau_G$ 高； - causal chain 長； - resource planning 強。 --- # 128. RPG 可能： - social state； - memory； - narrative causality； - long-term consequence。 --- # 129. Sandbox 可能： - intervention richness； - emergent interaction； - procedural variation。 --- # 130. Programming Game 可能： - action abstraction； - tool use； - planning； - code execution。 --- # 131. 因此需要 Game Curriculum Portfolio 不是只選一款遊戲。 而是： $$ \boxed{ \mathcal G_{\text{curriculum}} = \{G_1,\ldots,G_n\}. } $$ --- # 132. 每款遊戲訓練不同能力 例如： $$ G_{\text{platform}} \rightarrow motor/planning, $$ $$ G_{\text{strategy}} \rightarrow resource/long-horizon, $$ $$ G_{\text{social}} \rightarrow negotiation/trust. $$ --- # 133. Curriculum Scheduling 根據： $$ Z_t $$ 選： $$ G^\ast(Z_t). $$ --- # 134. AI 自己生成遊戲 更進一步： $$ AI \rightarrow Generate(G). $$ --- # 135. 自生成 Curriculum AI 發現自己弱點： $$ Weakness_k. $$ 生成： $$ G_k. $$ 專門訓練。 --- # 136. 這形成 Experience Flywheel $$ \boxed{ AI_t \rightarrow \text{GenerateWorld} \rightarrow \text{Play} \rightarrow \text{Learn} \rightarrow AI_{t+1}. } $$ --- # 137. 這是 Artificial-World Data Flywheel 但需要防止： $$ \text{SelfGeneratedBias}. $$ --- # 138. 世界生成器不能只生成 Agent 擅長的世界 否則： $$ \text{CurriculumCollapse}. $$ --- # 139. Adversarial World Generator 可以讓另一個 Agent： $$ GenerateHardWorld(A_t). $$ --- # 140. Teacher–Student World Generation Teacher 目標： $$ \text{maximize} \; LearningGain(Student). $$ 不是只最大化 failure。 --- # 141. Difficulty Matching 如果世界太難： $$ LearningSignal\rightarrow0. $$ 太簡單： $$ LearningSignal\rightarrow0. $$ --- # 142. Zone of Productive Difficulty 可以定義： $$ \boxed{ D^\ast = \arg\max_D \Delta C. } $$ 這再次接回 IDSLS-00。 --- # 143. 遊戲作為 AI Developmental School 因此： $$ \boxed{ \text{Game} \neq \text{OnlyBenchmark}. } $$ 它也可以是： $$ \boxed{ \text{CurriculumEnvironment}. } $$ --- # 144. 遊戲甚至可以專門為 AI 設計 人類不一定覺得好玩。 只需要具有高學習價值。 --- # 145. AI-native Training Game 例如： - object permanence； - causal puzzle； - tool use； - resource planning； - privacy boundary； - negotiation； - misinformation； - long-horizon project。 --- # 146. 這與傳統遊戲設計目標不同 Human game： $$ \text{Fun}, \text{Engagement}, \text{Aesthetics}. $$ AI training game： $$ \text{LearningGain}, \text{Coverage}, \text{Verifiability}, \text{Generalization}. $$ --- # 147. 雙用途遊戲 也可能： $$ \boxed{ \text{HumanFun} + \text{AITraining}. } $$ --- # 148. 玩家行為本身成為資料 人類遊玩產生： $$ \text{HumanTrajectory}. $$ 可作 expert demonstration。 --- # 149. 但人類玩家不一定 expert 錯誤、亂玩也有價值，因為： $$ \text{FailureData}. $$ --- # 150. 玩家多樣性 不同玩家提供： - exploration style； - strategy； - risk preference； - creativity。 增加 state coverage。 --- # 151. 但 gameplay 資料要處理權利 包括： - 玩家同意； - 平台條款； - 遊戲 IP； - 語音； - 聊天； - 個資。 所以： $$ \boxed{ \text{Playable} \neq \text{LicensableTrainingData}. } $$ --- # 152. Game Data Provenance 至少需要： ```text game version platform world_seed player_or_agent input_stream state_access timestamp license consent ``` --- # 153. Game State Versioning Patch 後： $$ \mathcal T_{v1} \neq \mathcal T_{v2}. $$ 因此資料必須記： $$ \text{GameVersion}. $$ --- # 154. 遊戲更新是天然 Distribution Shift Agent 可以測： > Patch 後還會不會玩？ --- # 155. Patch Adaptation Benchmark 這比固定地圖更像真實世界。 --- # 156. 新規則是環境漂移 $$ E_t \rightarrow E_{t+1}. $$ 測： $$ \text{Recovery}. $$ --- # 157. Mod 也是世界變形器 MOD 可以改： - physics； - economy； - enemies； - rules； - UI。 提供廉價 distribution shifts。 --- # 158. 開源遊戲特別適合研究 因為可取得： - source； - state； - instrumentation； - deterministic hooks。 --- # 159. 商業遊戲則提供真實複雜度 所以兩者互補。 --- # 160. Source Code 與 Gameplay 的雙證據 Source： $$ \text{ImplementationEvidence}. $$ Gameplay： $$ \text{BehavioralEvidence}. $$ --- # 161. 兩者結合 可以做： $$ \boxed{ \text{Code} \leftrightarrow \text{Runtime} } $$ 因果映射。 --- # 162. AI 不只學會玩，也可以學會解構世界 目標： $$ \text{Game} \rightarrow \text{Mechanism}. $$ --- # 163. Functional Reconstruction Agent 觀察 state、action 與 transition，反推出： $$ \hat F_W. $$ --- # 164. 然後重新實作 $$ \hat F_W \rightarrow \text{IndependentReconstruction}. $$ --- # 165. 這是更深的世界學習 不只是： > 我知道怎麼贏。 而是： > 我知道這個世界如何運作。 --- # 166. World Understanding Benchmark 可以測： - prediction； - intervention； - reconstruction； - counterfactual； - transfer。 --- # 167. Prediction 給： $$ S_t,A_t $$ 預測： $$ S_{t+1}. $$ --- # 168. Intervention 選 action 達成 Goal。 --- # 169. Counterfactual 問： > 如果當時做另一件事會怎樣？ --- # 170. Reconstruction 要求 Agent 建立最小 simulator。 --- # 171. Transfer 將學到的規則用到： $$ G'. $$ --- # 172. 真正 general intelligence 更接近這些能力 而不只是： $$ \text{HighScore}. $$ --- # 173. 可檢驗假說 H1：可執行資料優於影片資料於因果任務 $$ Gain(D_{\text{interactive}}) > Gain(D_{\text{video}}) $$ 在 intervention / planning 任務。 --- # 174. H2：State Access 改善世界模型校準 $$ s_O\uparrow \Rightarrow \epsilon_W\downarrow. $$ --- # 175. H3：Counterfactual Branch 提升因果辨識 $$ r_C\uparrow \Rightarrow CausalIdentification\uparrow. $$ --- # 176. H4：Failure-Recovery 提升規則變化後恢復 $$ \rho_R\uparrow \Rightarrow RecoveryRate\uparrow. $$ --- # 177. H5：Procedural Worlds 降低地圖記憶型 overfit $$ g_P\uparrow \Rightarrow UnseenWorldSuccess\uparrow. $$ --- # 178. H6：Persistent World 提升長時程規劃 $$ w_P\uparrow \Rightarrow LongHorizonConsistency\uparrow. $$ --- # 179. H7：Multi-Agent Worlds 改善 social world modeling 在合作／談判任務中，Social Trajectory Data 應提高 Belief Prediction。 --- # 180. H8：遊戲能力不完全轉移到現實 $$ GameScore\uparrow \centernot\Rightarrow RealWorldScore\uparrow. $$ Domain gap 應可測。 --- # 181. H9：多世界 curriculum 可能優於單一超大型世界 可能： $$ Transfer( G_1+\cdots+G_n ) > Transfer( G_{\text{single}} ). $$ 需要實驗。 --- # 182. H10：AI 自生成 curriculum 存在品質上限 若完全由同一 Agent 生成： $$ WorldGenerator=A, $$ 可能： $$ BlindSpotCorrelation\uparrow. $$ --- # 183. 最小實驗一：Video vs Executable A： $$ \text{VideoOnly}. $$ B： $$ Video+Actions. $$ C： $$ \text{ExecutableWorld}. $$ 測 world prediction、intervention 與 unseen state。 --- # 184. 最小實驗二：State Privilege A 看 pixels。 B 看 pixels + state。 訓練後兩者都只看 pixels 測試。 看 State Inference。 --- # 185. 最小實驗三：Save/Load Counterfactual 相同 checkpoint： $$ S_0. $$ 產生： $$ k $$ 條 action branches。 比較有無 counterfactual training 的模型。 --- # 186. 最小實驗四：Procedural Generalization 訓練： $$ seed_1,\ldots,seed_n. $$ 測： $$ seed_{\text{unseen}}. $$ --- # 187. 最小實驗五：Patch Adaptation 改世界規則： $$ R_0\rightarrow R_1. $$ 測 Agent： $$ n_{\text{episodes to recover}}. $$ --- # 188. 最小實驗六：Persistent Consequence A 世界每 episode reset。 B 世界保留 reputation、inventory、relationship。 測 Long-Term Planning。 --- # 189. 最小實驗七：Social Truth NPC 可能真話、謊話或誤解。 測 Agent 是否分： $$ \text{Speech} \neq \text{Truth}. $$ --- # 190. 最小實驗八：World Reconstruction 給黑箱遊戲接口。 要求 Agent 建： $$ \hat F. $$ 測 Prediction Accuracy。 --- # 191. 最小實驗九：Game-to-Real Transfer 在模擬採購遊戲訓練。 再到受控真實 sandbox。 測： $$ \text{TransferGap}. $$ --- # 192. 最小實驗十：AI-generated Curriculum 固定人類設計 curriculum 與 Agent-generated curriculum 比較： $$ \text{CapabilityGainPerCompute}. $$ --- # 193. 反例：簡單遊戲可能沒有高信息量 若 ActionSpace 很小，世界規則太固定，則： $$ \rho_C $$ 可能低。 --- # 194. 反例：遊戲可以被 exploit 高 score 不代表正確 world model。 --- # 195. 反例：RL reward 會扭曲 如果 reward 不完整，Agent 可能只學 proxy。 --- # 196. 反例：玩家資料不一定高品質 Human gameplay 可能 idle、亂按、exploit、重複 grind。 需要資料選擇。 --- # 197. 反例：遊戲規則是人工設計 它們不必符合自然世界。 所以： $$ \boxed{ \text{GameCausality} \neq \text{PhysicalCausality}. } $$ --- # 198. 反例：過度遊戲化可能讓 AI 學會錯的社會規則 遊戲 NPC 行為可能高度簡化。 --- # 199. 反例：安全世界可能讓 Agent 低估不可逆性 遊戲可以 reset。 現實不能。 所以 curriculum 後期必須加入： $$ \text{Irreversibility}. $$ --- # 200. 反例：高 observability 可能造成部署落差 若訓練時全知，部署時只有 pixels，Agent 會脆弱。 --- # 201. 因此遊戲不是終點 本文最重要的限制： $$ \boxed{ \text{Game} = \text{IntermediateLearningSubstrate}. } $$ 不是 Final Reality。 --- # 202. 理論邊界 本文不主張： 1. 遊戲是 AI 最重要的唯一資料來源。 2. AI 玩得好遊戲就具有 AGI。 3. 遊戲高分等同因果理解。 4. Save/Load 自動提供嚴格因果證明。 5. 商業遊戲具有完整可觀測 state。 6. 遊戲世界等同現實世界。 7. 程序生成可以消除所有 overfitting。 8. gameplay data 可以任意商業使用。 9. 玩家資料天然可以拿去訓練。 10. reward 等同真正 objective。 11. persistent world 一定比 episodic world 更好。 12. multi-agent world 一定產生真實社會智能。 13. 生成式 world model 自動等於 world runtime。 14. source code 自動等於世界機制理解。 15. AI 自生成 curriculum 一定優於人類 curriculum。 16. Domain gap 可以被完全消除。 17. 所有現實 Agent 問題都能用遊戲預訓練解決。 --- # 203. 與 IDSLS-00 的關係 IDSLS-00： $$ D^\ast(Z_t). $$ IDSLS-04： $$ \boxed{ G^\ast(Z_t) = \text{development-matched artificial world}. } $$ --- # 204. 與 IDSLS-03 的關係 IDSLS-03 提出： $$ \mathbf Q_D = ( q_K, \rho_C, f_F, \rho_R, b_C, \tau_D, w_G, p_V, \phi_Z, c_P ). $$ IDSLS-04 對遊戲細化為： $$ \mathbf Q_G = ( \rho_C, \iota_A, f_F, r_C, s_O, \tau_G, g_P, w_P, d_G ). $$ --- # 205. 與 World Runtime 的關係 高品質遊戲因果資料需要： $$ \boxed{ \text{CanonicalWorldState}. } $$ 否則 World Result 不可靠。 --- # 206. 與 Persistent World 的關係 真正長時程學習需要： $$ World_{t+1} $$ 承接： $$ World_t. $$ --- # 207. 與 Agent Web 的關係 遊戲是低代價 Agent World。 Agent Web 是高代價真實數位世界。 因此： $$ \boxed{ \text{GameWorld} \rightarrow \text{AgentSandbox} \rightarrow \text{AgentWeb}. } $$ --- # 208. 與 Trusted Agency 的關係 遊戲可建立 permission / privacy / restraint scenarios。 所以 Game 不只訓練 Capability，也可訓練 Restraint。 --- # 209. 核心命題一 $$ \boxed{ \text{Game} \neq \text{RecordedContent}. } $$ --- # 210. 核心命題二 $$ \boxed{ \text{Game} = \text{ExecutableCausalWorld}. } $$ 在本文限定意義下。 --- # 211. 核心命題三 $$ \boxed{ \text{RecordedTrajectory} \subsetneq \text{InterventionalPossibilitySpace}. } $$ --- # 212. 核心命題四 $$ \boxed{ Save/Load \approx \text{CounterfactualReset}. } $$ --- # 213. 核心命題五 $$ \boxed{ \text{ExecutableWorld} \neq \text{AutomaticCausalGroundTruth}. } $$ --- # 214. 核心命題六 $$ \boxed{ \text{WorldState} \neq \text{Observation} \neq \text{AgentBelief}. } $$ --- # 215. 核心命題七 $$ \boxed{ \text{Renderer} \neq \text{Simulator} \neq \text{WorldState}. } $$ --- # 216. 核心命題八 $$ \boxed{ \text{GameTraining} \neq \text{RealWorldMastery}. } $$ --- # 217. 核心命題九 $$ \boxed{ \text{Game} = \text{SyntheticExperienceGenerator}. } $$ --- # 218. 核心命題十 $$ \boxed{ \text{ArtificialWorld} = \text{DevelopmentalCausalLaboratory}. } $$ --- # 219. 結論 AI 過去主要從人類已經留下的世界描述中學習。 它讀： - 文字； - 書籍； - 圖像； - 論文； - 程式碼； - 影片。 這些資料極重要。 但它們多數回答： > 世界曾被如何描述？ 遊戲則增加了一個新的問題： > 如果我真的做另一件事，世界會怎麼變？ 因此： $$ \boxed{ \text{Description} \rightarrow \text{Intervention}. } $$ 這是資料形態上的重大轉變。 一個遊戲世界可以提供： $$ \text{State} + \text{Action} + \text{Transition} + \text{Feedback} + \text{History} + \text{Reset}. $$ 如果再加入： - canonical state； - seed； - procedural generation； - failure logging； - recovery； - multi-agent interaction； - long-term persistence； 它就可以成為一個高密度的經驗生成器。 最重要的是，遊戲具有現實世界非常昂貴的一項能力： $$ \boxed{ \text{Repeat the same question with a different action.} } $$ 也就是： $$ S_0 \xrightarrow{A_1} S_1 $$ 之後，還能回到： $$ S_0 $$ 再測： $$ A_2. $$ 這使遊戲具有天然的反事實實驗價值。 但本文同時保留一個必要限制： $$ \boxed{ \text{可重置世界} \neq \text{已知因果真理}. } $$ 如果： - state 不可見； - RNG 不可控； - server state 隱藏； - reward 錯誤； - world runtime 不穩定； 那麼遊戲軌跡仍然可能含有錯誤 causal attribution。 因此真正高品質的遊戲資料不是： > 很多 gameplay hours。 而是： $$ \boxed{ \text{可重建狀態} + \text{可識別行動} + \text{可信世界回饋} + \text{可控制反事實} + \text{失敗修正} + \text{未見世界泛化}. } $$ 從 IDSLS 的角度，這也解釋了為什麼 gameplay、world-model environment、procedural simulation 與 AI-playing-game 在當前階段快速升值。 不是因為遊戲突然變成最重要的文化內容。 而是因為： $$ \boxed{ Z_{\text{AI}} } $$ 已經開始進入能真正利用： $$ \boxed{ \text{Action–World–Feedback} } $$ 資料的發展態。 所以遊戲對下一代 AI 的價值，不只是： > 教它贏遊戲。 而是： > 教它理解一個世界、干預一個世界、在世界反駁它時修正自己，並把這種能力遷移到下一個陌生世界。 最終，Game 可以被重新理解為： $$ \boxed{ \text{一個有限但可執行的世界模型，} } $$ 以及： $$ \boxed{ \text{一座可以反覆失敗而不必付出現實世界代價的智能發展實驗室。} } $$ --- # Appendix A｜Game Causal Dataset Schema ```yaml game_dataset: dataset_id: game: game_version: platform: world_seed: runtime_version: episode: episode_id: start_state_id: checkpoint_id: goal: start_time: end_time: observation: visual: audio: ui: semantic_state: world_state: canonical_available: state_snapshot: hidden_state_scope: action: action_id: action_type: parameters: legal: committed: transition: previous_state: next_state: state_delta: exogenous_events: rng_state: feedback: reward: event: success: failure: verifier: recovery: failure_detected: correction: retry: recovered: counterfactual: branch_id: same_initial_state: seed_controlled: alternative_action: alternative_result: provenance: player_or_agent: model: toolchain: license: consent: ``` --- # Appendix B｜Game Data Quality Vector ```yaml game_data_quality: causal_density: intervention_richness: feedback_fidelity: counterfactual_reset_quality: state_observability: temporal_depth: procedural_generalization: world_persistence: domain_gap: risks: reward_hacking: hidden_state: rng_uncontrolled: replay_nondeterminism: rights_unclear: privacy: player_chat_sensitive: ``` --- # Appendix C｜Counterfactual Branch Object ```yaml counterfactual_experiment: experiment_id: initial_condition: state_id: save_hash: seed: runtime_version: branches: - branch_id: action: result_state: reward: events: success: notes: comparison: controlled_variables: [] uncontrolled_variables: [] causal_claim: confidence: ``` --- # Appendix D｜AI Training Game Design Checklist ```text [ ] Canonical state exists [ ] Observation and state are separated [ ] Action space is typed [ ] Legal actions can be queried [ ] State transition can be logged [ ] Save / load is reproducible [ ] RNG / seed can be controlled [ ] Failure states are explicit [ ] Recovery can be recorded [ ] Reward is not the only ground truth [ ] World settlement is explicit [ ] Procedural variation exists [ ] Unseen worlds can be generated [ ] Long-horizon consequences exist [ ] Optional multi-agent interaction exists [ ] Permission / restraint scenarios can be represented [ ] Game version is tracked [ ] Dataset rights are explicit ``` --- # Appendix E｜Developmental Game Curriculum ```text Stage A deterministic causal puzzles ↓ Stage B navigation + tool use ↓ Stage C procedural unseen worlds ↓ Stage D failure / recovery environments ↓ Stage E resource + long-horizon planning ↓ Stage F multi-agent social worlds ↓ Stage G permission / privacy / restraint worlds ↓ Stage H partially observable persistent worlds ↓ Stage I high-fidelity sandbox ↓ Stage J bounded real-world deployment ``` 其核心不是固定難度： $$ \text{Easy} \rightarrow \text{Hard}, $$ 而是： $$ \boxed{ DevelopmentFit(Z_t) \rightarrow NextDevelopmentFit(Z_{t+1}). } $$ --- # Appendix F｜與 IDSLS-05 的接口 IDSLS-04 建立： $$ \text{Artificial World} \rightarrow \text{Causal Experience}. $$ 下一篇 IDSLS-05 將處理： $$ \boxed{ \text{Long-Horizon Intelligence} } $$ 也就是： > 即使 Agent 每一步都做得不錯，它能否在數小時、數天、數週甚至更長期間持續保存目標、等待、恢復、重新規劃並承接過去世界狀態？ 下一篇核心將包括： $$ \boxed{ \text{Long Horizon} \neq \text{Long Chain}. } $$ 以及： $$ \boxed{ \text{Persistence} + \text{Memory} + \text{Monitoring} + \text{Replanning} + \text{Recovery} + \text{Temporal Consistency}. } $$ --- **End of Canonical Source**