概述
它可以讓小團隊建立大量、多樣化的遊戲,現在正在透過產生人工智慧來增強。
深入探討
PCG 有著悠久的歷史:《Rogue》(1980 年)透過演算法生成地下城,而《無人深空》則聲稱擁有超過 18 億個由確定性種子建構的獨特行星。 Minecraft 使用 Perlin/noise 函數生成近乎無限的地形,而 Spelunky 則開創了基於約束的關卡生成,既保持隨機性又可玩。大多數經典的 PCG 都是基於規則或基於噪音的,並具有仔細的約束,因此輸出很有趣,而不僅僅是變化。 PCGML(透過機器學習的 PCG)是一個研究子領域,它在現有層級上訓練模型以產生新的模型。如今,生成式 AI 將 PCG 擴展到紋理、3D 模型、對話和任務。最大的優勢是內容規模和可重玩性;最大的挑戰是品質控制、一致性,以及避免平淡、千篇一律的產出,這通常被稱為「燕麥片問題」。
現實世界的實施
《無人深空》透過確定性種子和程序規則生成超過 18 億個行星
Minecraft 使用噪音函數有效地動態建構無限的、多樣化的地形
Spelunky 透過基於約束的設計產生隨機但始終可完成的關卡
暗黑破壞神和其他動作角色扮演遊戲按程序生成地牢佈局和隨機戰利品以提高可重玩性
人工智慧在遊戲程式內容生成的未來
生成式 AI 將越來越多地按需製作藝術、3D 資產、語音和敘事,從而有可能實現根據每個玩家技能調整的個人化關卡。期待更嚴格的人類與人工智慧共同創造工具,設計師可以引導模型而不是編寫每條規則。關鍵前沿是大世界的一致性、版權和訓練資料來源,以及保持內容有意義而不是無限但空洞。獲勝的系統將透過強有力的評估和策劃來配對生成。
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
什麼是遊戲程式內容生成中的人工智慧?
程式內容生成 (PCG) 使用演算法自動創建遊戲世界、關卡、物品和任務。它可以讓小團隊建立大量、多樣化的遊戲,現在正在透過生成人工智慧來增強。
PCG在遊戲開發中代表什麼?
PCG(程式內容產生)使用演算法自動建立遊戲內容,例如關卡、地形和物品。
哪款早期遊戲是程式生成地下城的經典範例?
《Rogue》在每次遊戲過程中都會透過演算法生成地下城,整個「Roguelike」流派由此得名。
像《無人深空》這樣的遊戲如何在不儲存每個星球的情況下創造一個近乎無限的宇宙?
種子值確定性地再現相同的程式生成的世界,因此不需要單獨儲存數百萬的行星。
PCG 中的 Perlin 雜訊等雜訊函數有何用途?
Perlin 和 Simplex 噪波可創造出平滑的漸變,非常適合自然地形高度圖,如 Minecraft 的景觀中所示。
為什麼 Spelunky 使用基於約束的關卡產生?
約束保證存在有效路徑,因此關卡保持隨機且可解,而不是隨機不可能。