作者｜Sid @IOSG

Web3 游戏的现状

随着更新颖更具注意力的叙事方式的出现，Web3 游戏作为一个行业在一级和公开市场的叙事都退居其次。根据Delphi2024 年关于游戏产业的报告，Web3 游戏在一级市场的累计融资额不足 10 亿美元。这并不一定是坏事，这恰恰表明泡沫已经消退，现在的资本可能正在向更高质量的游戏兼容。下图就是一个明显的指标：

在整个 2024 年，Ronin 等游戏生态系统的用户数量大幅飙升，而且由于 Fableborn 等高品质新游戏的出现，几乎媲美 2021 年 Axie 的辉煌时期。

游戏生态系统（L1s、L2s、RaaS）正越来越像 Web3 的 Steam，它们掌控着生态系统内的分发，这也成为游戏开发商在这些生态系统中开发游戏的动力，因为这可以帮助他们获取玩家。根据他们之前的报告，Web3 游戏的用户获取成本比 Web2 游戏高出约 70%。

玩家粘性

留住玩家与吸引玩家同样重要，甚至更重要。虽然缺乏 Web3 游戏玩家留存率的数据，但玩家留存率与“Flow”的概念（匈牙利心理学家Mihaly Csikszentmihalyi提出的术语）密切相关。

“流状态”是一种心理学概念，在这种状态下，玩家在挑战和技能水平之间达到了完美的平衡。这就像 “进入状态”——时间似乎过得飞快，你完全沉浸在游戏中。

持续创造流状态的游戏往往具有更高的留存率，原因在于以下机制：

#进阶设计

游戏初期：简单挑战，建立信心

游戏中期：逐渐增加难度

游戏后期：复杂挑战，精通游戏

随着玩家技能的提高，这种细致的难度调整可让他们保持在自己的节奏范围内

#参与循环

短期：即时反馈（击杀、积分、奖励）

中期：关卡完成、每日任务

长期：角色发展、排名

这些嵌套循环可在不同时间范围内维持玩家的兴趣

#破坏流状态的因素则为：

1. 难度/复杂度设置不当：这可能是由于糟糕的游戏设计，或者甚至可能是由于玩家数量不足而导致的匹配失衡

2. 目标不明确：游戏设计因素

3. 反馈延迟：游戏设计和技术问题因

4. 侵入式货币化：游戏设计+产品

5. 技术问题/滞后

游戏与 AI 的共生

AI agents 可以帮助玩家获得这种流状态。在探讨如何实现这一目标之前，让我们先来了解一下什么样的代理适合运用到游戏领域：

LLM 与强化学习

代理和 NPC

游戏 AI 的关键在于：速度和规模。在游戏中使用 LLM 驱动的代理时，每个决策都需要调用一个庞大的语言模型。这就好比在迈出每一步之前都要有一个中间人。中间人很聪明，但等待他的回应会让一切变得缓慢痛苦。现在想象一下，在游戏中为数百个角色做这样的工作，不仅速度慢，而且成本很高。这就是我们尚未在游戏中看到大规模 LLM 代理的主要原因。我们目前看到的最大实验是在 Minecraft 上开发的 1000 个代理的文明。如果在不同的地图上有 10 万个并发代理，这将会非常昂贵。由于每添加一个新代理都会导致延迟，玩家也会受到流量中断的影响。这就破坏了流状态。

强化学习（RL）是一种不同的方式。我们把它想象成训练一个舞者，而不是通过耳麦给对方手把手的指导。通过强化学习，你需要在前期花时间教 AI 如何 “跳舞”，以及如何应对游戏中的不同情况。一旦训练有素，AI 就会自然流畅，在几毫秒内做出决定，而无需向上请求。你可以让数百个这样训练有素的代理在你的游戏中运行，每个代理都能根据自己的所见所闻独立做出决定。他们不像 LLM 代理那样能说会道或灵活机动，但他们做事快速高效。

当你需要这些代理协同工作时，RL 的真正魔力就显现出来了。LLM 代理需要冗长的 “对话 ”来协调，而 RL 代理则可以在训练中形成一种隐性的默契——就像一支一起训练了数月的橄榄球队。他们学会预测对方的动作，自然而然地进行协调。当这并不完美，有时它们会犯一些 LLM 不会犯的错误，但它们可以在 LLM 无法比拟的规模上运作。对于游戏应用来说，这种权衡总是有意义的。

LLM 与强化学习

代理和 NPC

作为 NPC 的代理将解决当今许多游戏面临的第一个核心问题：玩家流动性。P2E 是第一个使用密码经济学解决玩家流动性问题的实验，我们都知道结果如何。

预先训练好的代理有两个作用：

• 填充多人游戏中的世界

• 维持世界中一组玩家的难度水平，使他们处于流状态

虽然这看起来非常明显，但构建起来却很困难。独立游戏和早期的 Web3 游戏没有足够的财力聘请人工智能团队，这为任何以 RL 为核心的代理框架服务商提供了机会。

游戏可以在试玩和测试期间与这些服务提供商合作，为游戏发布时的玩家流动性奠定基础。

如此一来，游戏开发者就可以把主要精力放在游戏机制上，使他们的游戏更加有趣。尽管我们喜欢将代币融入游戏，但游戏终究是游戏，游戏应该是有趣的。

代理玩家

元宇宙的回归？

世界上玩家最多的游戏之一《英雄联盟》有一个黑市，玩家在黑市上用最好的属性训练自己的人物，而游戏禁止他们这样做。

这有助于形成游戏角色和属性作为 NFT 的基础，从而创建一个市场来实现这一点。

如果出现一个新的 “玩家 ”子集，作为这些人工智能代理的教练呢？玩家可以指导这些人工智能代理，并以不同的形式将其货币化，例如赢得比赛，还可以充当电竞选手或激情玩家的 “训练伙伴”。

LLM 与强化学习

元宇宙的回归？

元宇宙的早期版本可能只是创造了另一种现实，而不是理想的现实，因此没有达到目标。AI agents 帮助元宇宙居民创造一个理想世界 —— 逃离。

在我看来，这正是基于 LLM 的代理可以大显身手的地方。也许有人可以在自己的世界中加入预先训练好的代理，这些代理都是领域专家，可以就他们喜欢的事物进行对话。如果我创建了一个经过 1000 小时 Elon Musk 访谈训练的代理，而用户希望在他们的世界中使用这个代理的实例，那么我就可以为此获得奖励。这样就能创造新的经济。

有了 Nifty Island 这样的元宇宙游戏，这就可以成为现实。

在 Today: The Game 中，团队已经创建了一个基于 LLM 的 AI agent，名为 “Limbo”（发布了投机性代币），其愿景是多个代理在这个世界中自主互动，同时我们可以观看 24x7 的直播流。

Crypto 如何与之融合？

Crypto 可以通过不同方式帮助解决这些问题：

• 玩家贡献自己的游戏数据，以改进模型，获得更好的体验，并因此获得奖励

• 协调角色设计师、训练师等多方利益相关者，创建最好的游戏内代理

• 创建一个拥有游戏内代理所有权的市场，并将其货币化

有一个团队正在做这些事情，而且做得更多：ARC Agents。他们正在解决上面提到的所有问题。

他们拥有 ARC SDK，允许游戏开发人员根据游戏参数创建类似人类的人工智能代理。通过非常简单的集成，它就能解决玩家流动性问题，清理游戏数据并将其转化为见解，还能通过调整难度级别帮助玩家在游戏中保持流状态。为此，他们使用了强化学习（Reinforcement Learning）技术。

他们最初开发了一款名为 “AI 竞技场”（AI Arena）的游戏，在这款游戏中，基本上是在训练你的 AI 角色进行战斗。这帮助他们形成了一个基准学习模型，该模型构成了 ARC SDK 的基础。这就形成了某种类似 DePIN 的飞轮：

所有这一切都以他们的生态系统代币 $NRN 作为协调。Chain of Thought团队在他们关于 ARC 代理的文章中对此做了很好的解释：

像Bounty这样的游戏正采取 agent-first 的方法，在一个狂野的西部世界中从头开始建立代理。

结语

AI agents、游戏设计和 Crypto 的融合不仅仅是另一种技术趋势，它还有可能解决困扰独立游戏的各种问题。AI agents 在游戏领域的妙处在于，它们增强了游戏的乐趣所在——良好的竞争、丰富的互动，以及让人流连忘返的挑战。随着 ARC 代理等框架的成熟和更多游戏集成 AI agents，我们很可能会看到全新的游戏体验出现。想象一下，世界之所以充满活力，并不是因为里面有其他玩家，而是因为里面的代理能够与社区一起学习和进化。

我们正在从一个“play-to-earn”转向一个更令人兴奋的时代：既富含真正的乐趣，又可无限扩展的游戏。对于关注这一领域的开发者、玩家和投资者来说，未来几年将非常精彩。2025 年及以后的游戏不仅在技术上更加先进，而且从根本上讲，它们将比我们以前看到的任何游戏都更吸引人、更易参与、更有生命力。