概述
這種程式化的內容生成方式為遊戲提供了近乎無限的多樣性,並幫助小型工作室打造巨大的世界。
深入探討
程式內容生成 (PCG) 幾十年來一直為遊戲提供動力,從《Rogue》(1980 年)的地下城到《無人深空》的 18 兆顆行星。經典方法使用噪聲函數,例如地形的 Perlin 噪聲,以及房間和任務的語法和規則集。較新的浪潮是透過機器學習的 PCG (PCGML),其中模型從現有層級進行學習。方法包括產生可玩的馬裡奧風格關卡的 GAN、透過最大化樂趣或難度來設計關卡的強化學習代理,以及波函數折疊(一種約束解算器,可平鋪地圖以使相鄰部分始終適合)。一個核心挑戰是測試關卡是否完整且平衡,而不僅僅是視覺上合理,因此設計師將生成器與自動遊戲測試機器人配對。
現實世界的實施
《無人深空》透過演算法和種子按程式生成約 18 億個獨特的行星。
Minecraft 使用噪音函數和生物群系規則為每個種子建立無盡的、多樣化的世界。
洞穴探險和其他 roguelike 遊戲每次運行都會從模組化房間模板中組裝出新鮮的地下城佈局。
設計師使用波函數折疊來自動平鋪相干地圖,使每塊都適合其鄰居。
人工智慧在遊戲關卡生成的未來
世代正在從離線資產創建轉向即時的、玩家自適應的關卡,根據您的遊戲方式重新調整難度和佈局。大型語言和擴散模型開始根據文字提示產生任務、對話和 3D 資源,讓設計師能夠描述地下城並獲得草稿。預計人工智慧提出並由人類策劃的「混合主動」工具,加上對可解決性的更強保證,因此生成的內容無需手動修復即可交付。
付諸實踐
為什麼這很重要
- 配裝選擇. 應用級設計決定了人工智慧是否能改善實際結果。
- 團隊與工作流程. 良好的工作流程整合可以創造使用者值得信賴的生產力效益。
- 風險與安全. 範圍明確的用例可以減少變更疲勞和實施風險。
留意
- 將損壞的流程自動化可能會加劇現有問題。
- 團隊可能會過度自動化並消除所需的人工判斷。
- 如果不持續評估輸出,品質可能會出現偏差。
後續步驟
- 繪製目前工作流程並確定摩擦最大的步驟。
- 在完全自動化之前定義人工檢查點。
- 對使用者進行提示、升級路徑和品質標準的訓練。
- 追蹤任務級結果以確認持續價值。
不斷探索
常見問題
什麼是遊戲關卡生成中的人工智慧?
人工智慧可以自動建立遊戲關卡、地圖和世界,而不是手動放置每面牆和敵人。這種程式化的內容生成方式為遊戲提供了近乎無限的多樣性,並幫助小型工作室打造巨大的世界。
「程式內容生成」(PCG) 在遊戲中意味著什麼?
PCG 使用演算法和規則自動產生遊戲內容,而不是讓設計師手動放置每個元素。
波函數折疊演算法如何建構地圖?
波函數崩潰將地圖視為約束難題,選擇最低熵的單元格,修復其圖塊,並傳播仍然允許的鄰居,類似於數獨。
為什麼開發人員要使用搜尋代理或其他可玩性檢查來測試產生的關卡?
搜尋代理可以測試某個層級在該代理程式和規則下是否可以完成。這是所選可玩性標準的證據,並不能保證每個玩家都能完成每個產生的關卡。
哪種經典噪音函數被廣泛用於產生自然的地形?
Perlin 噪音和類似的梯度噪音函數可產生平滑、自然的變化,非常適合地形,適用於《我的世界》等遊戲。
與舊的基於規則的一代相比,PCGML 增加了哪些內容?
PCG 透過機器學習在範例層級上訓練模型,以便生成器可以學習人造內容的風格和結構,而不是僅依賴手寫規則。