PANGeA: 利用生成人工智能的程序化人工叙事技术应用于回合制视频游戏
原文中文，约1700字，阅读约需4分钟。
📝
内容提要
本文探讨了机器学习在游戏内容生成中的应用，包括神经网络和马尔可夫模型，分析了其在游戏设计中的挑战。同时，研究了生成AI在叙事中的文化产物和社会偏见，发现AI在性别角色和性取向方面的叙事较人类更为进步，但缺乏想象力。
🔎
延伸解读
生成AI在游戏叙事中的文化表现
文章指出，生成AI在叙事中展现出比人类更进步的性别角色和性取向观念，这反映了AI训练数据中可能包含的现代价值观。然而，AI叙事在情境和修辞上缺乏想象力，偶尔的创新情节转折难以掩盖整体创造力的不足。这一发现提示我们，AI在文化产物生成中虽能减少偏见，但可能牺牲了人类叙事的丰富性和深度。
程序化人工叙事的技术路径
文章探讨了利用机器学习生成游戏内容的技术，包括神经网络和马尔可夫模型，并提出了PANGeA框架，旨在通过人类注释的游戏玩法视频学习水平转换和生成任务。这些技术试图模拟人类玩家的游戏风格和体验，但面临泛化到未见过游戏的挑战。技术路径的多样性反映了该领域尚未形成统一标准，未来需进一步验证其通用性。
AI叙事的社会偏见与进步性
研究通过让人类和大型语言模型回应相同提示，发现GPT-3.5和GPT-4在性别角色和性取向方面比人类更进步，但叙事缺乏想象力。这表明AI在减少社会偏见方面具有潜力，但可能受限于训练数据的模式化。同时，Pygmalion神话的普遍存在揭示了人类和AI集体想象中某些主题的持久性，值得进一步探讨。
❓
Q&A
机器学习在游戏内容生成中有哪些应用？
机器学习在游戏内容生成中应用了神经网络和马尔可夫模型等技术。
生成AI在叙事方面与人类的比较如何？
生成AI在性别角色和性取向方面的叙事较人类更为进步，但缺乏想象力。
生成AI在游戏设计中面临哪些挑战？
生成AI在游戏设计中面临的挑战包括情境和修辞的缺乏想象力。
如何理解人类与AI的集体想象？
可以通过小说作为窗口来理解人类与基于人工智能的集体想象和社会维度。
生成AI在叙事中提供了哪些创新？
生成AI偶尔提供创新的情节转折，但整体情境较为单一。
生成AI的叙事缺乏哪些方面的能力？
生成AI的叙事在情境和修辞方面相较于人类文本更缺乏想象力。
🏷️
