AI驱动的角色扮演：探索未来游戏引擎

剧本杀，这个风靡的桌上角色扮演游戏（TTRPG），其核心在于游戏主持人（GM）的多重角色——既是导演，又是编剧和旁白，掌控全局，讲述故事，并扮演所有非玩家角色（NPC）。想象一下，若强大的生成式 AI 替代 GM，与一群智能 AI 玩家共聚一桌，会诞生怎样的世界？

这样的设定能带来以下应用：

• 科学模拟：构建虚拟社会，用于社会科学研究，观察群体行为的涌现。
• 互动叙事：创建互动故事或游戏，AI 智能体扮演角色，共同演绎剧情。
• AI 评估：设计特定场景作为「考场」，来测试和评估 AI 智能体的各项能力（如推理、协作、沟通）。

美剧《西部世界》展示了未来：西部主题虚拟世界里，所有角色均为 AI。

然而，这样的设定面临挑战：科学性、戏剧性、公平性需求各异甚至冲突。如何统一框架以满足所有需求？

Google DeepMind 和多伦多大学的研究人员从 TTRPG 和现代游戏引擎中汲取灵感，提出了解决方案——名为 Concordia 的软件库。

• 论文标题：Multi-Actor Generative Artificial Intelligence as a Game Engine
• 论文地址：https://arxiv.org/abs/2507.08892
• 项目地址：https://github.com/google-deepmind/concordia

传统上，游戏环境逻辑是硬编码的。这里提出，不应硬编码 GM，而应设计可配置的 AI 驱动智能体。

Concordia 精髓源自现代游戏引擎的 实体-组件（Entity-Component）架构。在此架构里，无论是 AI 玩家还是 AI 游戏主持人（GM），都是基础「实体」容器。它们的能力（如记忆、目标或社交规则）由可插拔的「组件」决定。

这种设计巧妙分离了「工程师」和「设计师」的角色：工程师负责创建功能强大的组件；设计师则像搭乐高一样自由组合这些组件，快速构建和测试各种复杂场景，无需编写底层代码。

实体、组件、引擎和游戏设计

实体 - 组件架构作为现代游戏开发的基石，为构建多角色生成式 AI 系统提供强大灵活的基础。

该框架采用组合而非继承机制，实体不再受限于僵化的类结构，而是携带唯一标识符的轻量级独立对象。其行为与属性完全由挂载的组件决定（即：实体本质是带有名称的组件容器）。引擎通过调用 observe、act 等函数处理实体，这些函数由实体所挂载的组件具体实现。

组件结合 Python 代码与 LLM 调用实现，提供最大灵活性与表现力。设计师掌握特定功能编码方法时，可自主实现；同时，其他功能可通过 GM 叙事型 LLM 完成。两种方式通常共存于同一环境——开发者既能让 GM 根据 LLM 自由发挥创造内容，也能严格限制其行为。

实体支持两种调用方式：observe 和 act。调用 observe 时，会触发所有组件的 preobserve 和 postobserve 函数；调用 act 时，每个组件扮演上下文和行动角色。

开发 Concordia 组件时，通常实现 preobserve、postobserve、preact 和 postact 四类方法中的部分或全部。常见做法是仅实现观察类或行动类方法。这种设计允许通过自由组合不同组件快速创建功能各异的实体——与传统面向对象编程形成鲜明对比。

对生成式 AI 智能体而言，这种架构优势显著。一个智能体的思维可由多个组件构成：Memory 存储过往经历，Planning 调用大语言模型生成目标，Beliefs 表征世界认知。同理，一个组织实体可由代表其部门、政策及内部沟通结构的组件组合而成。只需配置不同组件组合，就能为不同智能体赋予差异化认知架构。

该架构模式的灵活性同样体现在 Concordia 框架中的 GM 系统上。GM 本身也是实体，与玩家实体一样可通过组件定制。这种设计使得 GM 职能和逻辑能根据多智能体系统需求灵活调整。

游戏 / 模拟设计目标的全景图分析

根据 Edwards 的定义，TTRPG 可分为：（1）游戏型（Gamist），GM 需设计挑战维持乐趣；（2）叙事型（Narrativist），GM 需灵活调整剧情；（3）模拟型（Simulationist），玩家希望沉浸逻辑自洽的虚拟世界。

本文认为将多角色生成式 AI 动机分为以下几种类型有助益：（1）评估型（Evaluationist），对应 Edwards 理论中的游戏型；（2）戏剧型（Dramatist），对应叙事型；（3）模拟型（Simulationist），与 Edwards 同名分类。

评估型的观点

游戏型玩家寻求公平竞争机会，希望通过战略胜利取得优势；评估型用户则将多角色系统视为评估和比较的框架。

评估型用户目标明确：确定哪些 AI 系统在指定维度和上下文中表现更好。这需要提供公平竞争环境及明确成功指标。

评估型系统特点包括：

• 标准化场景
• 明确成功指标
• 受控变异性
• 跨角色互动机制

戏剧型视角

戏剧型用户将多角色生成式 AI 系统视为叙事引擎。

戏剧型目标用户核心关注点不是基准测试性能，而是通过多个 AI 角色互动生成引人入胜的叙事。

针对戏剧型目标构建的系统将优先考虑叙事一致性、情感共鸣和动态人物发展。

主要关注以下特点：

• 丰富的角色模型
• 叙事驱动的环境
• 灵活的解决机制
• 涌现的故事情节