收益：
- 能够理解力量平衡、难度曲线和经济轴，并通过给人工智能赋予可衡量的平衡目标来建立公式和模型
- 能够通过蒙特卡罗模拟计算数千场虚拟比赛，并通过游戏测试交叉验证结果
- 能够随着时间的推移对通货膨胀/饥荒风险进行建模，并观察经济设计中的玩家福利等道德界限
一款游戏可能很有趣，但如果不平衡，它就会崩溃：一种武器胜过其他武器，一种策略总是获胜，经济要么陷入通货膨胀，要么陷入饥荒。游戏平衡（游戏平衡）；游戏的选项、挑战、奖励都经过调整，做到公平、多样、令人满意。平衡;这是一门涉及伤害、生命值、成本、奖励和概率等数字的设计学科。人工智能在这里是一个强大的分析和模拟伙伴：公式草案、概率计算、经济模型、难度曲线和不平衡检测。但最终的平衡决定——“这款游戏应该感觉有多难，应该感觉有多慷慨”——取决于设计师的品味和玩家测试。
在本单元中，您将学习如何在平衡、经济设计和模拟中使用人工智能；您将学习公式设计、经济建模、难度曲线和不平衡搜索。
平衡有什么平衡？
共有三个基本轴。力量平衡：在选项（武器、角色、策略）中，没有一个应该具有明显优势；每个都应该有一个位置。难度曲线：游戏既不太容易也不太困难；随着玩家技能的提高，难度也会随之提高。经济：游戏内资源（金钱、材料、时间）必须保持供需平衡；它既不应该变得毫无价值，也不应该变得遥不可及。人工智能可以在这三个方面建立模型并计算数字。
逐步平衡流量：
- 写下平衡目标（可衡量的目标，例如“没有超过 55% 的时间选择武器”）。
- 建立公式/模型（制定AI与伤害、成本、奖励之间的关系）。
- 模拟（让AI计算数千次虚拟遭遇，查看结果）。
- 与 Playtest 进行比较（真实玩家是否验证数字）。
- 调整并重复（平衡是一个迭代过程）。
提示：将平衡视为一个范围和目标，而不是“一个正确的数字”。给AI一个可衡量的目标，比如“胜率在45-55%之间”；像“使其平衡”这样模糊的要求是行不通的。另外，不要追求完美的平衡：轻微的不对称（每个选项都有优点，缺点）可以让游戏保持多样化和有趣；绝对的平等往往会导致单调。
模拟：每秒玩数千场游戏
Balance 最强大的人工智能用途是模拟。需要进行数千次虚拟战斗才能弄清楚两种武器是否真正平衡；手动不可能，但可以通过人工智能或人工智能生成的模拟脚本来实现。你可以要求AI设计蒙特卡罗（大量随机试验的概率估计）模拟并解释结果。但模拟的好坏取决于模型的质量：如果模型不能反映真实的游戏玩法，结果就会产生误导。始终将模拟与真实的游戏测试进行交叉验证。
注意：在经济设计中盲目应用人工智能建议是危险的。尤其是在涉及真钱（购买）的游戏中，虚假经济既使玩家受害，又造成法律风险。此外，“依赖工程”——旨在利用玩家的操纵机制——是一个道德界限； AI可能会建议提高效率，但负责任的设计师会照顾玩家的福利。
平衡数据的两个来源：模拟和真实玩家
平衡决策基于两种类型的数据，并且两者都是必要的。模拟数据受到控制和缩放：它显示了一种武器在数千场虚拟比赛中的统计优势。但模拟无法捕捉真实玩家的行为、学习曲线和感受，我们称之为“元”（社区发现的最有效的策略）。真实玩家数据（遥测——从游戏中自动收集的游戏数据）反映了现实，但噪音很大，并且仅在广播后到达。成熟的平衡流程将两者结合起来：通过模拟进行粗略平衡，通过真实玩家数据进行微调。人工智能在分析这两种数据方面都很强大——设计模拟、从遥测中提取模式。
一个关键点：数据隐私。在处理真实玩家数据时，保护个人数据（身份、位置、付款）是一项法律和道德义务。对于平衡性分析来说，玩家是谁并不重要，重要的是他做了什么；因此，对数据进行匿名化（未识别的、聚合的）并进行分析。当向人工智能提供遥测数据时，这条规则也适用：不要将包含个人数据的原始记录直接粘贴到工具中，而是使用匿名和聚合的形式。你永远不需要真实的身份来保持平衡。
三个迷你箱子
案例 1 — 模拟显示不平衡。在一款格斗游戏中，设计师认为 8 个角色是平衡的。 AI模拟5万场虚拟比赛；一名角色的胜率提升至68%。问题在于，一种组合造成的伤害太大；当数量减少时，比率下降到 54%，游戏测试证实了这一点。
案例 2——防止经济通胀。经济是在建筑生存游戏中用人工智能建模的；该模型显示，20小时后，玩家会积累大量金币，以至于一切都变得一文不值。资源生产率和成本曲线调整；在现场测试中，经济性在 100 小时内仍然显着。
案例 3 — 难度曲线已修正。在一款平台游戏中，60%的玩家在第4关就退出了。AI逐章分析难度指标（死亡次数、尝试次数），并标记出第4章难度突然跳升。一旦曲线平滑，退出率从60%下降到28%。
四个可复制模板
1）平衡公式设计：
您的角色：游戏系统设计师。为以下元素建立一个平衡的公式：[例如武器伤害、射速、射程]。目标：任何武器都不应该占据主导地位，每种武器都应该有优势。解释公式和假设；告诉我如何获取每个数字，以便我可以验证它。
2）蒙特卡罗模拟设计：
设计一个模拟来测试两个选项的平衡：[选项 A 和 B，规则]。设置 10,000 场虚拟比赛，计算胜率和方差。给出模拟代码/逻辑并指定模型反映真实游戏玩法的限制。
3）经济模型健康检查：
我的游戏的经济学是：[资源、生产、支出、成本]。随着时间的推移对此进行建模：玩家在 1、10、50、100 小时时的资源平衡是多少？是否有通货膨胀或饥荒的风险？用数字显示问题和调整建议。
4）难度曲线分析：
以下是逐集游戏测试指标（死亡、尝试、退出）：[数据]。标记难度曲线突然跳跃或下降的部分；给出每项软化的理由和建议。声明决定由设计师决定。
弱提示/强提示
弱提示：
平衡我的游戏。
没有可衡量的目标、数据和约束；人工智能是笼统地说的。
强力提示：
您的角色：系统设计师。我有5个塔防塔；按这些成本/伤害/范围值：[表]。目标：让每座塔在至少一种场景下成为最佳选择；他们都不应该总是获胜。任务：识别当前值中占主导地位/无用的塔，建议新值来平衡它们，并用模拟逻辑解释它们为什么会起作用。
具体的价值观、可衡量的目标和论证要求使输出变得有用。
平衡轴工作台
轴
标准
人工智能贡献
人类的决定
权力平衡
选择/胜率
模拟、检测
可接受范围
难度曲线
死亡，不放手
指标分析
目标难度感
经济
供给/需求、通货膨胀
时间模型
慷慨的哲学
多样性
使用分布
分布分析
设计意图
常见错误
- 它的意思是“以平衡的方式去做”。如果没有可衡量的目标，就无法实现平衡。
- 盲目相信模拟。如果模型不能反映现实，结果就会产生误导。
- 跳过游戏测试。即使数字是正确的，感觉也可能是错误的。
- 没有对一段时间内的经济进行建模。然后通货膨胀/饥荒爆发。
- 毫无疑问地实施剥削机制提案。玩家福利是道德边界。
综上所述
平衡是数字的技巧，它使游戏变得公平和令人满意。人工智能;制定、模拟、经济模型和不平衡搜寻——但您必须提供可衡量的目标，通过游戏测试验证模拟，并遵守道德界限（玩家福利）。平衡不是单一的数字，而是一个目标范围，并且是迭代的。
应用任务
从游戏中选择一个需要平衡的系统（武器、塔、角色）。写下一个可衡量的平衡目标（“胜率45-55%”），并用“蒙特卡洛模拟设计”模板模拟两个选项。解释结果并提出调整建议；计划通过游戏测试进行验证。
清单
- [ ] 我定义了一个可衡量的平衡目标。
- [ ] 我验证了公式/模型中每个数字的来源。
- [ ] 我通过游戏测试交叉验证了模拟。
- [ ] 我对一段时间内的经济进行了建模（1-100 小时）。
- [ ] 我观察了玩家的福利和道德界限。