炒股就看金麒麟分析師研報，權威，專業，及時，全面，助您挖掘潛力主題機會！

（來源：機器之心Pro）

編輯：+0、陳陳

劇本殺大家都玩過嗎？這是一種經典的桌上角色扮演遊戲（TTRPG）， 遊戲中的核心人物是遊戲主持人（GM）， 相當於整個世界的“導演 + 編劇 + 旁白”，負責掌控遊戲環境，講述故事背景，並扮演所有非玩家角色（NPC）。

現在，想象一下，如果我們用一個強大的生成式 AI 來擔任這個 GM 的角色，同時，桌子旁的“玩家”也換成一羣各具頭腦的 AI，這會創造出一個怎樣的世界？

這能實現以下應用：

美劇《西部世界》， 未來的西部主題虛擬世界裏，所有角色均是 AI 。

然而，這三種需求（科學性、戲劇性、公平性）差異巨大，甚至相互衝突。如何用一個統一的框架來滿足所有需求？

來自 Google DeepMind 和多倫多大學的研究人員從 TTRPG 和現代遊戲引擎中獲取靈感，提出了他們的解決方案：一個名爲Concordia的軟件庫 。

傳統上，遊戲環境的邏輯是寫死的程序。這裏的主張是，不應該用一個硬編碼的程序來充當 GM，而應該把 GM 本身也設計成一個可配置的、由 AI 驅動的智能體。

Concordia 的設計精髓，源自現代遊戲引擎的“實體-組件Entity-Component）架構 。在這個架構裏，無論是 AI 玩家還是 AI 遊戲主持人（GM），都只是一個基礎的“實體”容器 。它們具體擁有什麼能力（比如記憶、目標或社交規則）則由一個個可插拔的“組件”來決定 。

這種方式巧妙地將“工程師”和“設計師”的角色分開：工程師負責創造功能強大的組件，而設計師則可以像搭樂高一樣，自由組合這些組件來快速構建和測試各種複雜場景，整個過程幾乎無需編寫底層代碼 。

實體、組件、引擎和遊戲設計

實體 - 組件架構模式作爲現代遊戲開發的基石，爲構建多角色生成式 AI 系統提供了強大而靈活的基礎。

該框架採用組合而非繼承機制，實體不再受限於僵化的類結構，而是攜帶唯一標識符的輕量級獨立對象。實體的行爲與屬性完全由掛載的組件決定（即：實體本質是帶有名稱的組件容器）。引擎通過調用 observe、act 等函數處理實體，這些函數由實體所掛載的組件具體實現。

組件通過結合 Python 代碼與 LLM 調用來實現，這種方式能提供最大的靈活性與表現力。當設計師掌握特定功能的編碼方法時，可以自主實現；與此同時，同一環境中的其他功能可以通過讓 GM 敘事型 LLM 來完成。這兩種實現方式通常共存於同一環境中 —— 開發者既可以讓 GM 根據 LLM 的自由發揮來創造內容，也可以嚴格限制其行爲，使其完全遵循預設的硬編碼規則，或採用介於二者之間的任何約束程度。

實體主要支持兩種調用方式：observeact

調用 observe 時，會觸發所有組件的 preobserve 和 postobserve 函數，對每個實體的觀察數據進行處理。調用 act 時，每個組件會扮演上下文和行動兩種角色之一。

在實際開發 Concordia 組件時，開發者通常需要實現 preobserve、postobserve、preact 和 postact 四類方法中的部分或全部。常見做法是僅實現觀察類方法或行動類方法，同一組件中同時實現兩類方法的情況較爲罕見。這種組件化模塊設計允許通過自由組合不同組件，快速創建功能各異的實體 —— 這與傳統面向對象編程形成鮮明對比：後者在創建行爲略有差異的新角色類型時，往往會導致複雜脆弱的繼承鏈結構。

對於生成式 AI 智能體而言，這種架構優勢尤爲顯著。一個智能體的思維可由多個組件構成：存儲過往經歷的 Memory 組件、調用大語言模型生成目標的 Planning 組件，以及表徵世界認知的 Beliefs 組件。同理，一個組織實體可由代表其部門、政策及內部溝通結構的組件組合而成。只需配置不同的組件組合，就能爲不同智能體賦予差異化的認知架構。

這一架構模式的靈活性同樣體現在 Concordia 框架中的 GM 系統上。GM 本身也是一個實體，與玩家實體（角色）一樣可通過組件進行定製。這種設計使得 GM 的職能和邏輯能夠根據多智能體系統的具體需求靈活調整 —— 無論是執行嚴格的評估協議、引導敘事發展，還是維護因果一致性。

此外，Concordia 框架還通過多種遊戲引擎模式支持不同的交互動態。

遊戲 / 模擬設計目標的全景圖分析

根據 Edwards（他是桌遊角色扮演遊戲理論的重要人物）的定義 ，TTRPG 可以分爲：（1）遊戲型（Gamist），GM 需設計難度適中的挑戰以維持樂趣。（2）敘事型（Narrativist），GM 需靈活調整劇情以回應玩家的創作輸入。（3）模擬型（Simulationist），玩家希望沉浸在一個邏輯自洽的虛擬世界中。

本文認爲將使用多角色生成式 AI 的動機分爲以下幾種類型是有幫助的：（1）評估型（Evaluationist），對應 Edwards 理論中的遊戲型；（2）戲劇型（Dramatist），對於 Edwards 理論中的敘事型；（3）模擬型（Simulationist），Edwards 同名分類。

生成式 AI 還有一個第四種動機，那就是創建合成訓練數據的目標。

評估型的觀點

遊戲型玩家通常會尋求公平的競爭機會，並希望通過戰略勝利來取得優勢，而評估型用戶則將多角色系統視爲評估和比較的框架。

對於評估型用戶來說，主要目標非常明確：確定哪些 AI 系統在指定維度和上下文中表現更好。這需要提供一個公平的競爭環境，並具有明確的成功指標。

評估型系統通常具有以下特點：

戲劇型視角

與評估型用戶不同，戲劇型（Dramatist）用戶主要將多角色生成式 AI 系統視爲敘事引擎。

對於具有戲劇型的目標用戶來說，核心關注點不是基準測試性能，而是通過多個 AI 角色的互動生成引人入勝的敘事。

從設計師的角度來看，針對戲劇型目標構建的系統將優先考慮敘事一致性、情感共鳴和動態人物發展，而不是標準化的評估。

主要關注以下特點：

在接下來的章節中，論文還討論了模擬型視角、合成數據等方面的研究，感興趣的讀者，可以參考原論文，瞭解更多內容。

海量資訊、精準解讀，盡在新浪財經APP