告別Prompt抽卡和評分通脹：一個讓AI游戲真正「機(jī)制化迭代」框架

讓大模型寫一個小游戲，已經(jīng)不新鮮了。它可以很快生成一個 Flappy Bird、一個塔防游戲、一個物理解謎頁面，甚至還能補(bǔ)上按鈕、分?jǐn)?shù)和簡單動畫。但真正的問題是：這些游戲到底有沒有新的玩法？它們是在創(chuàng)造，亦或只是把已有游戲換了一層皮？

如果你讓 GPT 寫一個小游戲，它大概率能在幾分鐘內(nèi)吐出一堆像模像樣的游戲代碼。但如果你要求它在此基礎(chǔ)上再改一版、再改一版，改到第四代時，事情就開始變得詭異 —— 它可能忘了第一代的核心玩法是什么，可能把好不容易調(diào)通的物理引擎又改崩了，也可能只是在視覺層面換了一層皮，卻聲稱自己創(chuàng)造了 "全新的游戲體驗"。

更深層的問題在于評分。當(dāng)你讓 AI 給自己的作品打分時，它往往會客氣地給出 7 分或 8 分，無論實際質(zhì)量如何。這種 "打分通脹" 讓迭代優(yōu)化失去了方向，對 “Creativity” 的把控正是當(dāng)下大模型所普遍缺乏的的能力，以至于也很難給出高屋建瓴的評價和建議。

CreativeGame關(guān)注的正是這個問題。它不是讓 AI 一次性生成一個看起來像游戲的頁面，而是讓 AI 圍繞 “機(jī)制” 持續(xù)迭代：保留原始游戲最容易理解的核心循環(huán)，同時逐步引入新的規(guī)則、新的目標(biāo)和新的玩家行為意義。

來自布里斯托大學(xué)、上海交通大學(xué)和 Sreal AI 的研究團(tuán)隊最近公開了一項名為 CreativeGame 的技術(shù)報告，試圖從根本上打破這種僵局。他們的思路很清晰：游戲生成不該是一次性的 Prompt 抽卡，而應(yīng)該是一場有記憶、有計劃、可驗證的機(jī)制進(jìn)化。

• 報告標(biāo)題CreativeGame: Toward Mechanic-Aware Creative Game Generation.
• 報告鏈接：https://arxiv.org/pdf/2604.19926
• 項目鏈接：https://yiweishi-cn.github.io/CreativeEvolutionGame/index.html

機(jī)制優(yōu)先：先寫 "設(shè)計文檔"，再寫代碼

類似于傳統(tǒng)的游戲開發(fā)流程，策劃會優(yōu)先制定一個游戲的核心玩法，再逐步構(gòu)建游戲其他的數(shù)值系統(tǒng)等分支。CreativeGame，強(qiáng)制 AI 在動手寫代碼之前，先完成一份結(jié)構(gòu)化的設(shè)計文檔 —— 明確這一輪要保留什么核心機(jī)制、新增什么規(guī)則、移除什么舊設(shè)計、以及如何重組已有元素。這種做法徹底改變了 AI 與游戲的關(guān)系。

在傳統(tǒng)的生成流程中，機(jī)制往往只是事后的描述標(biāo)簽，AI 根據(jù) Prompt 自由發(fā)揮，生成完了再貼幾個標(biāo)簽總結(jié)自己做了什么。而 CreativeGame 把機(jī)制提到了規(guī)劃的最前端：檢索全局游戲機(jī)制檔案，然后輸出一份明確的機(jī)制合約。這份合約會像合同一樣被附加到后續(xù)的 Skeleton、Feature、Visual、Refinement 四個代碼生成階段，確保代碼是在履行設(shè)計意圖，而不是漫無目的地堆砌。

例如下面這個案例，我們希望 Agent 能自動給出一個有趣的塔防游戲，它會從經(jīng)典的策略塔防游戲：例如 Zombie vs Plants 中提取設(shè)計靈感，并包含了 Bloom (向日葵，Energy 生產(chǎn)者)，Shooter（豌豆射手，75 Energy 消耗，可以對入侵的喪尸發(fā)射子彈，消滅敵人）等基本元素：

策略塔防游戲：建造開銷、塔防防御規(guī)劃、生存建造抵御入侵，經(jīng)典的類植物大戰(zhàn)僵尸玩法。

然而，一個完整好玩的游戲，并不是只有簡單的核心玩法，還包括關(guān)卡設(shè)計、植物圖鑒、各植物之間的配合等。于是 CreativeGame 進(jìn)行了一定的機(jī)制改進(jìn)和設(shè)計，引入了 waves（也就是關(guān)卡），路線彎曲（減緩喪尸移速），豌豆可以給向日葵進(jìn)行充能，使之成為可以發(fā)射陽光大炮的高級武器。

策略塔防游戲（進(jìn)化版）：豐富了 waves（關(guān)卡）設(shè)計，創(chuàng)新式引入了路線彎曲機(jī)制，以及 Shooter 可以給 Gen（Energy 生產(chǎn)者）進(jìn)行充能，這里 Energy 延伸為 “炮臺充能”。

創(chuàng)意激發(fā)：真正讓模型具備創(chuàng)意生成的能力，而不是模仿

當(dāng)前的大模型在文本、圖像、音樂等領(lǐng)域展現(xiàn)出了驚人的生成能力，但一個核心問題始終存在：它們究竟是在 “創(chuàng)造”，還是僅僅在對訓(xùn)練數(shù)據(jù)中的模式進(jìn)行高維度的重新排列？從表面上看，模型能夠?qū)懗銮八匆姷墓适隆⒃O(shè)計獨特的視覺風(fēng)格，甚至提出看似新穎的概念組合，這似乎已經(jīng)接近人類意義上的創(chuàng)造力。然而，深入分析會發(fā)現(xiàn)，大模型的生成過程本質(zhì)上仍然高度依賴于海量已有數(shù)據(jù)中的統(tǒng)計規(guī)律。它并不像人類那樣擁有真實的體驗、動機(jī)、情感沖突和價值判斷，也缺乏 “為什么要創(chuàng)造” 的內(nèi)在驅(qū)動力。

因此，創(chuàng)意激發(fā)的關(guān)鍵，不是單純擴(kuò)大模型參數(shù)規(guī)模或訓(xùn)練數(shù)據(jù)量，而是思考如何讓模型擁有更接近 “原創(chuàng)性” 的機(jī)制。例如，引入目標(biāo)驅(qū)動的探索能力、長期記憶與反思機(jī)制，以及與真實環(huán)境持續(xù)交互所產(chǎn)生的反饋閉環(huán)。只有當(dāng)模型能夠主動發(fā)現(xiàn)問題、形成偏好、修正自身認(rèn)知，它才可能從 “高級模仿者” 走向真正意義上的 “創(chuàng)造者”。

誠然，這種激發(fā)需要良性的反饋，甚至人類的參與。當(dāng)你讓 GPT 給游戲創(chuàng)意打分時，它往往慷慨給出 7 分或 8 分 —— 不是因為真的新穎，而是因為熟悉感偏見：LLM 天然傾向給 "看起來像那么回事" 的內(nèi)容高分。如果優(yōu)化目標(biāo)完全依賴這種主觀判斷，系統(tǒng)很快就會學(xué)會一種危險的生存策略：用華麗的視覺描述和復(fù)雜的敘事框架，包裹一個換皮的 Pong。這不是創(chuàng)造，是高概率模仿。評分虛高是 AI 生成領(lǐng)域的頑疾。研究團(tuán)隊觀察到，GPT 類模型在評估創(chuàng)造力時存在嚴(yán)重的分?jǐn)?shù)膨脹，動輒給出 7 分或 8 分，無論輸入質(zhì)量如何。更危險的是，如果優(yōu)化目標(biāo)完全依賴 LLM 判斷，系統(tǒng)會傾向于生成 "聽起來很有創(chuàng)意但玩起來空洞" 的內(nèi)容。

CreativeGame 的解決方案是提出了 CreativeProxyReward—— 一套以確定性代碼編譯為主的代理獎勵系統(tǒng)，包括：結(jié)構(gòu)機(jī)制變化、計劃機(jī)制的視線程度、相對全局專家機(jī)制庫的新穎性、運行時魯棒性，并輔助性伴隨著 LLM 的主觀創(chuàng)造力評價。

這套系統(tǒng)還設(shè)有兩道硬門檻。如果生成的游戲跑不起來，獎勵直接腰斬；如果靜態(tài)分析發(fā)現(xiàn)游戲循環(huán)沒被調(diào)用、Canvas 上下文沒獲取、括號不匹配等基礎(chǔ)錯誤，分?jǐn)?shù)也會被打到骨折。這意味著，一個 "創(chuàng)意十足" 但運行就崩的游戲，在 CreativeGame 的價值觀里拿不到高分。基于完備的代碼環(huán)境，創(chuàng)意不再是修辭學(xué)的把戲，而是可被驗證的結(jié)構(gòu)事實。

以下是一些創(chuàng)意式機(jī)制設(shè)計的案例：

Game 1 Demo: Fireboy & Watergirl 原本是一個雙角色平臺解謎游戲。Fireboy 可以通過火，但不能碰水；Watergirl 可以通過水，但不能碰火。玩家需要控制兩個角色，按下機(jī)關(guān)、穿越平臺，并讓他們分別到達(dá)對應(yīng)出口。這個游戲的核心，是雙角色合作、元素限制、機(jī)關(guān)觸發(fā)和平臺跳躍。

CreativeGame 沒有簡單復(fù)制 “雙人合作” 這個形式，而是把它重新解釋成 “自己和自己的過去合作”。在 Memory Relay 中，一個角色可以被停放在光環(huán)中，為橋梁或機(jī)關(guān)供能。也就是說，即使角色當(dāng)前沒有被玩家控制，它仍然是關(guān)卡邏輯的一部分。當(dāng)玩家切換角色時，系統(tǒng)會記錄剛才的移動路徑。這條路徑會變成 replay ghost，在場景里重新跑一遍。如果角色在記錄過程中碰過重力符文，這段幽靈軌跡還會被重力規(guī)則重新解釋，從而觸發(fā)不同位置的機(jī)關(guān)。最終，玩家需要協(xié)調(diào)當(dāng)前角色、停放的身體和過去的移動軌跡，讓它們共同完成中繼解謎。

Creativity:

Memory Relay 的合作發(fā)生在當(dāng)前操作、停放身體和歷史記憶之間，而不是單純發(fā)生在兩個角色之間。

Game 2 Demo: Flappy Bird 的原始玩法非常簡單。

玩家點擊屏幕，小鳥向上飛一下；如果不點擊，小鳥會因為重力下墜。玩家需要控制小鳥穿過一對對管道之間的空隙，碰到管道就失敗。這個游戲的核心，是單按鈕控制、點擊時機(jī)、躲避障礙和不斷追求更高分。

CreativeGame 讓飛行擁有節(jié)奏、記憶和未來影響。畫面中加入了節(jié)拍圓環(huán)。玩家如果踩著節(jié)拍點擊，就會觸發(fā) Sync，為小鳥充能；如果沒有踩準(zhǔn)節(jié)拍，則會損失一點能量。能量充滿后，小鳥會進(jìn)入 Phase 狀態(tài)，短暫變成白色，并獲得穿越特殊膜門的能力。于是，節(jié)奏不再只是視覺反饋，而變成了解鎖能力的條件。游戲還加入了 Perfect Pass 機(jī)制。如果玩家精確從門的中心穿過，系統(tǒng)會自動改寫后續(xù)一道門的位置和縫隙寬度，讓未來路線變得更有利。更特別的是死亡回聲機(jī)制。玩家失敗前的一段飛行軌跡，會在下一局變成一個白色光球重新出現(xiàn)。當(dāng)這個回聲經(jīng)過某道門時，會撐大門的縫隙，幫助玩家繼續(xù)前進(jìn)。

Creativity:

不再是一個簡單的反應(yīng)式生存游戲，而是被改造成了一個結(jié)合節(jié)奏、記憶和路線編輯的關(guān)卡。玩家當(dāng)前的精確操作，會改變未來的關(guān)卡結(jié)構(gòu)；玩家過去的失敗，也會回來幫助下一次嘗試。

Game 3 Demo: Happy Glass 的原始玩法，是讓玩家畫線引導(dǎo)水流進(jìn)入杯子。玩家通常需要畫出斜坡、擋板或支撐結(jié)構(gòu)，改變水滴運動路徑，讓杯子成功裝滿。這個游戲的核心，是畫線、重力、水滴物理和空間路徑設(shè)計。

在 CreativeGame 生成的 Ritual Ink Cup 中，玩家仍然通過畫線影響水滴，但線條不再只是普通物理形狀。這里的線條變成了 programmable ink。Solid ink 像普通擋板一樣改變水滴方向。Absorb ink 可以吸收水滴，把它們暫時存起來。被吸收的水滴會在延遲后釋放出來，而釋放方向和重力方向可以成為策略的一部分。游戲還加入了 ritual charge。水滴如果先經(jīng)過儀式區(qū)域再進(jìn)入杯子，會獲得額外價值。于是，目標(biāo)不再只是 “把水送進(jìn)杯子”，而是設(shè)計一條帶有狀態(tài)變化的水流過程。

Creativity:

線條從物理擋板變成了有狀態(tài)、有記憶、有釋放邏輯的可編程材料。

Game 4 Demo: Plants vs Zombies 是經(jīng)典的橫向車道塔防游戲。敵人從右側(cè)沿著不同車道進(jìn)攻，玩家在格子上放置植物防守。植物會自動攻擊，玩家需要管理資源、選擇位置，并抵御一波又一波敵人。這個游戲的核心，是資源管理、單位放置、車道防守和波次壓力。

在 Resonance Garden 中，基礎(chǔ)玩法仍然是放置單位防守車道，但游戲把 “友方子彈” 重新定義成了可以管理的資源。Shooter 會像普通防御塔一樣向前發(fā)射子彈。Generator 會生產(chǎn)能量，但它也會擋住友方子彈。在傳統(tǒng)塔防里，擋住自己的攻擊通常意味著布局錯誤。但在這個版本中，被 Generator 擋住的子彈不會浪費，而是被儲存為 charge。當(dāng) charge 積累到一定程度后，Generator 可以釋放更強(qiáng)的攻擊。游戲還加入了 lane bend。玩家可以在一波敵人中彎曲某條車道，讓釋放出的能量沿著新的路徑產(chǎn)生折射攻擊。這樣，玩家要思考的不只是 “怎么打中敵人”，還要思考 “什么時候故意攔住自己的攻擊，把它變成未來的爆發(fā)”。

Creativity:

Resonance Garden 把攻擊、阻擋、儲能和釋放變成了一個資源循環(huán)。

自我進(jìn)化：讓子代游戲共享同一份 "家譜記憶"

單點生成的另一個致命傷是遺忘。第一代版本里的巧妙設(shè)計，有時候到了第四代被洗得一干二凈。CreativeGame 為此設(shè)計了一套 Lineage-Aware Memory 架構(gòu)，把游戲版本組織成譜系樹，同一條進(jìn)化線上的所有節(jié)點共享一個記憶池。這個設(shè)計借鑒了 MemRL 的思想，但做了關(guān)鍵改良：記憶在譜系內(nèi)共享，在譜系間隔離。當(dāng)策劃 Agent 準(zhǔn)備生成新版本時，它不僅會查詢?nèi)謾C(jī)制庫，還會讀取這條譜系積累下來的成功經(jīng)驗與失敗教訓(xùn)。反思 Agent 會在每一輪結(jié)束后，將機(jī)制級的差異寫入記憶，而非僅僅保存一段版本摘要。

舉個例子，我們常見的策略塔防游戲 —— 植物大戰(zhàn)僵尸，初始版本設(shè)定了 “陽光生產(chǎn)者、豌豆射手攻擊者、以及抵御僵尸入侵” 的核心玩法；進(jìn)化后的第二代版本，在此基礎(chǔ)上加入 "彎道" 能力，可花費資源改變敵人進(jìn)攻路線；到了第三代，被阻擋的豌豆不再浪費，而是為向日葵儲存為 "過載充能"，釋放為全 lane 爆發(fā)...... 如果沒有這種譜系記憶方式，進(jìn)化的過程中則有可能丟失或改變核心玩法，使進(jìn)化失效。

四類游戲的進(jìn)化圖譜，游戲的進(jìn)化保留著核心玩法，同時引入創(chuàng)意的新游戲機(jī)制以及調(diào)整游戲的平衡性。

AI Creativity 正在不斷自我進(jìn)化

CreativeGame 的探索意義，或許不在于它生成的某一款游戲有多么驚艷，而在于它提出了一種可解釋、可追蹤、可迭代的創(chuàng)作范式。當(dāng)大多數(shù)系統(tǒng)還在讓 LLM"憑感覺生成" 時，CreativeGame 已經(jīng)在讓 AI 去探索和創(chuàng)作，在結(jié)構(gòu)化、可編譯的機(jī)制設(shè)計層面，AI 在不斷進(jìn)行進(jìn)化，試圖涌現(xiàn)出真正的 Creativity。

這預(yù)示著 AI 內(nèi)容生成領(lǐng)域一個潛在的范式轉(zhuǎn)向：從追求單次輸出的 "驚艷感"，轉(zhuǎn)向追求不斷自我進(jìn)化的 "結(jié)構(gòu)深度" 與 "一致性"。畢竟，真正的游戲設(shè)計從來都不是拍腦袋一蹴而就的，而是不斷抽絲剝繭地去思考關(guān)于 "保留什么、改變什么、為何改變" 的連續(xù)決策。而當(dāng) AI 學(xué)會把這些決策顯式化、可衡量、可繼承時，它離 "設(shè)計師" 這個角色，或許就真的近了一步。