Zyski:
- Umiejętność zrozumienia różnic pomiędzy algorytmicznym PCG a generatywną sztuczną inteligencją PCG i tworzenia treści przy użyciu podejścia hybrydowego (projektowanie wysokiego poziomu sztucznej inteligencji, konkretyzacja algorytmu).
- Możliwość zapewnienia kontroli grywalności i różnorodności poprzez dostarczenie listy podstawowych ograniczeń produkcji
- Umiejętność zarządzania ryzykami jakościowymi w produkcji proceduralnej, takimi jak poczucie powtarzalności, bezsensowne wypełnianie i rejestrowanie odtwarzalności
Apetyt gier na zawartość jest nienasycony: gracz raz przechodzi poziom i kończy go, a ty spędzasz dni na jego tworzeniu. Proceduralne generowanie treści (PCG) Jest to automatyczne lub półautomatyczne tworzenie treści (mapy, poziomu, rozmieszczenia wrogów, przedmiotów, misji, a nawet części fabuły) nie ręcznie, pojedynczo, ale przy użyciu zasad i algorytmów. Klasyczny PCG jest algorytmiczny (funkcje szumu, załamanie funkcji falowej, generatory pomieszczenia-korytarza). Sztuczna inteligencja dodaje nową warstwę do PCG: generowanie znaczącej, kontekstowej treści – zadań, opisów lokalizacji, kompozycji wrogów i planów poziomów, które pasują do tematu i projektu, a nie tylko losowo.
W tej części dowiesz się, jak używać sztucznej inteligencji w PCG; Dowiesz się, jak połączyć algorytmiczne PCG ze sztuczną inteligencją, jak sprawić, by tworzone treści były audytowalne i odtwarzalne (deterministyczne) oraz jak kontrolować jakość.
Dwa światy PCG: algorytmiczny i generatywny
Wyjaśnijmy to rozróżnienie. Algorytmiczny PCG jest kanoniczny i powtarzalny w zależności od materiału siewnego (liczba początkowa decydująca o produkcji); To samo ziarno daje tę samą mapę. Szybko, tanio, przewidywalnie; ale może być „bezduszny”. Dzięki generatywnej sztucznej inteligencji PCG rozumie kontekst i temat; Spełnia znaczące prośby, takie jak „szkic lochu z motywem jaskini lodowej, intensywnym w pułapki i trzypokojowym lochem”. Ale dane wyjściowe AI nie są bezpośrednio odtwarzalne i nie gwarantują grywalności. Najpotężniejsze podejście jest hybrydowe: sztuczna inteligencja generuje projekt i motyw wysokiego poziomu (tekst zadania, cele pokoju, motyw wroga), algorytm przekłada ten projekt na grywalną geometrię i równowagę.
Przepływ hybrydowy krok po kroku:
- Zdefiniuj zasady i ograniczenia produkcji (motyw, trudność, rozmiar, must-have).
- Uzyskaj ogólny zarys od AI (cele pokoju, przepływ, motyw, logika zadań).
- Utwórz instancję za pomocą algorytmu/silnika (geometria, układ, równowaga).
- Sprawdź grywalność (czy istnieje wyjście, czy można je rozwiązać, czy nie ma blokady).
- Zasiew i zapis (które dane wejściowe dały jaki wynik – odtwarzalność).
Wskazówka: Zawsze dawaj AI listę „ograniczeń”: „każdy poziom musi mieć wyjście”, „co najmniej jedno bezpieczne pomieszczenie”, „na początek brak wrogów”. Nieograniczony PCG tworzy nierozwiązywalne lub nieuczciwe poziomy.
Produkcja zadaniowa i narracyjna
Najbardziej produktywnym obszarem sztucznej inteligencji w PCG jest generowanie zadań i narracji. Sztuczna inteligencja może ubrać szkielet misji (idź, znajdź, przynieś, chroń) motywem i charakterem; może generować urozmaicenie misji pobocznych; Potrafi pisać opisy miejsc. Ale pułapka: sztuczna inteligencja ma tendencję do tworzenia monotonnych „zadań zbierania”. Proś o różnorodność zadań i znaczący wybór; wymagają, aby każda misja przedstawiała graczowi decyzję.
Uwaga: największym ryzykiem w misjach proceduralnych jest poczucie powtórzeń i bezsensownego dopełnienia. Sztuczna inteligencja może wykonać 100 zadań, ale 100 może równie dobrze oznaczać „zabicie 10 wilków”. Jakość zależy od różnorodności i kontekstu, a nie ilości; poddać każdą wyprodukowaną partię procesowi selekcji przez ludzi.
Kontrola i powtarzalność
W profesjonalnym PCG kontrola jest równie ważna jak produkcja. Ustanów poziom kontroli sprawdzający, czy wytworzona treść jest grywalna, uczciwa i na temat. Zarządzaj także produkcją w sposób deterministyczny: zapisuj, które dane wejściowe (ziarno, monit, parametr) dają jakie dane wyjściowe, aby móc je odtworzyć w przypadku pojawienia się problemu. Zamiast kierować wyniki AI bezpośrednio do gry, przeprowadź je przez fazę zatwierdzania i poprawiania.
Skutecznym sposobem na skalowanie kontroli jest ustawienie automatycznego sprawdzania grywalności: skrypt walidatora skanuje każdy wygenerowany poziom przed wprowadzeniem go do gry — czy można dotrzeć do wyjścia, czy na początku są wrogowie do zabicia, czy wymagany klucz jest dostępny. Możesz także opracować logikę tego skryptu za pomocą sztucznej inteligencji; Ale nie ufaj skryptowi bez przetestowania go z prawdziwymi produkcjami w silniku. Sterowanie przez człowieka i zautomatyzowane sterowanie uzupełniają się: maszyna odpowiada na pytanie „czy można w to grać” na dużą skalę, człowiek odpowiada na pytanie „czy jest zabawne i znaczące” na próbce.
Równowaga PCG i doświadczenia gracza
Jednym z niebezpieczeństw PCG jest to, że zbyt duża różnorodność zamienia się w brak tożsamości. Jeśli wszystko wydarzy się losowo, gracz nie będzie w stanie niczego się utrzymać; Wymagane są również wzory, które są znane i które można opanować. Dobry PCG zapewnia równowagę pomiędzy różnorodnością a możliwością uczenia się: mechanika powinna być znajoma, układy powinny być świeże. Wyraźnie szukaj tej równowagi, gdy posiadasz sztuczną inteligencję – na przykład „utrzymuj słownictwo dotyczące mechaniki na stałym poziomie, ale pozwól, aby każdy poziom łączył te mechaniki w innym rytmie”. Dzięki temu gracz widzi coś nowego i nie traci kontroli.
trzy mini etui
Przypadek 1 — Zwyciężyło podejście hybrydowe. W grze polegającej na pełzaniu po lochach zespół nadał AI cele i motyw pomieszczeń, a geometrię algorytmowi. Wyprodukowano 200 odmian lochów; Każda okazała się grywalna, ale temat był inny. W porównaniu z czystą wersją algorytmiczną, wynik graczy „w każdym lochu jest inny” znacznie wzrósł.
Przypadek 2 – Koszt nieograniczonej produkcji. W jednym studiu sztuczna inteligencja wygenerowała wersje robocze 50 poziomów bez ograniczeń; Podczas testów 9 nie miało wyjścia, 6 zawierało stanowiska wroga, które początkowo zabiły gracza. Po dodaniu listy ograniczeń „niezbędnych” wskaźnik poziomu defektów spadł z 30% do 2%.
Przypadek 3 — Kuratorstwo ponownie złamało to uczucie. W grze z otwartym światem sztuczna inteligencja wygenerowała 300 zadań pobocznych; W postaci surowej 70% stanowiło „odbierz i przynieś”. Prosząc o różnorodność, projektant odtworzył i wyselekcjonował każde zadanie, aby uwzględnić decyzję/dylemat; W opiniach graczy liczba skarg dotyczących „zadań pobocznych jest nudna” spadła do jednej trzeciej.
Cztery szablony do kopiowania
1) Zarys poziomu ograniczonego:
Twoja rola: projektant poziomów. Temat: [np. opuszczona stacja kosmiczna]. Trudność: średnia. Rozmiar: 5 pokoi. MUSI MIEĆ: jedno wyjście, co najmniej jedno bezpieczne pomieszczenie, brak wrogów w pomieszczeniu startowym, powinno to być możliwe do rozwiązania. Zadanie: narysuj poziom pokoju po pokoju; Cel, temat, zagrożenie i decyzja, jakie przedstawia graczowi w każdym pokoju.
2) Różne generowanie zadań:
Wygeneruj 10 zadań pobocznych dla następującej gry: [gatunek/temat].Ograniczenie: żadne nie może być typu „zbierz i przynieś”; Każda misja stawia gracza przed wyborem lub dylematem. Dla każdej misji: tytuł, jednozdaniowe podsumowanie, decyzja gracza, nagroda. Zapisz wszystkie powtarzające się wyrażenia.
3) Lista kontrolna rozgrywki:
Sprawdź wygenerowany zarys poziomu poniżej: [wklej zarys]. Sprawdź: (1) czy istnieje możliwe wyjście, (2) czy można je rozwiązać, (3) czy początek jest niesprawiedliwy/zabójczy, (4) czy istnieje odejście od tematu. Wypisz problemy i zasugeruj poprawki.
4) Zapis odtwarzalności:
Utwórz szablon rekordu dla następującej produkcji: wykorzystane nasiona, monity, parametry, podsumowanie wyników i status zatwierdzenia. Cel: możliwość odtworzenia tej samej treści w przypadku wystąpienia problemu.
Słaba zachęta/silna zachęta
Słaba zachęta:
Wygeneruj mi losowy loch.
Żadnych ograniczeń ani tematów; dane wyjściowe będą nie do odtworzenia lub będą ogólne.
Potężny monit:
Twoja rola: projektant lochów. Motyw: zalana świątynia. 7 pokoi, rosnący poziom trudności. MUSI MIEĆ: jakiś rodzaj mechaniki w każdym pokoju (alternatywna pułapka, łamigłówka, walka, eksploracja), pojedynczy sekretny pokój, punkt odpoczynku w przedostatnim pokoju, do rozwiązania. Wynik: tabela pokój po pokoju (cel, temat, zagrożenie, nagroda). Na koniec wypisz osobno ryzyko związane z grywalnością.
Temat, ograniczenia, mechaniczny rytm i zapotrzebowanie na ryzyko sprawiają, że produkt jest gotowy do produkcji.
Algorytmiczna vs. tabela AI PCG
Rozmiar
Algorytmiczny PCG
PCG z AI
hybrydowy
odtwarzalność
Wysoka (nasiona)
niski
średni
Znaczenie/temat
słaby
silny
silny
Grywalność gwarantowana
Edytowalne
Żadne
Edytowalne
prędkość
bardzo szybko
szybko
średni
najlepiej wykorzystać
geometria, równowaga
Zadanie, temat, tekst
linia produkcyjna
Typowe błędy
- Produkować bez ograniczeń. Pojawiają się nierozwiązane, nieuczciwe treści.
- Płynne wyjście AI bez nadzoru. Weryfikacja grywalności jest koniecznością.
- Nie chcąc różnorodności. Sztuczna inteligencja ma tendencję do monotonnego „podchwytywania”.
- Brak powtarzalności zapisu. Jeśli wystąpi problem, nie będzie można przywrócić zawartości.
- Mylisz ilość z jakością. 300 zwyczajnych zadań jest gorszych niż 30 dobrych zadań.
Podsumowując
Zawartość PCG zaspokaja apetyt; Sztuczna inteligencja dodaje mu znaczenia i tematu. Najpotężniejszym sposobem jest hybryda: sztuczna inteligencja tworzy projekty na wysokim poziomie, algorytm tworzy grywalne instancje. Bez listy ograniczeń, kontroli grywalności, zapotrzebowania na różnorodność i zapisu powtarzalności, PCG szybko produkuje śmieci. Obstawiaj kontrolowaną różnorodność, a nie liczby.
Zadanie aplikacji
Wybierz motyw (np. jaskinia lodowa). Utwórz poziom z 5 pomieszczeniami za pomocą szablonu „Zarys poziomu z ograniczeniami”, a następnie utwórz ten sam wynik za pomocą szablonu „Lista kontrolna grywalności”. Napraw znalezione problemy i przygotuj ostateczną wersję roboczą.
lista kontrolna
- [ ] Dałem produkcji listę „niezbędnych” ograniczeń.
- [ ] Projekt wysokiego poziomu pozostawiłem sztucznej inteligencji, a konkretyzację algorytmowi.
- [ ] Sprawdziłem każdą wyprodukowaną zawartość pod kątem grywalności.
- [ ] Domagałem się różnorodności i znaczącego wyboru podczas misji.
- [ ] Zapisałem materiał siewny/podpowiedź/parametr w celu zapewnienia powtarzalności.