淺談數學模型在UGC/AIGC游戲數值調參中的應用

ygluu 盧益貴

關鍵詞：UGC、AIGC、AI智能體、大模型、數學模型、游戲數值調參、游戲策劃

一、前言

在策劃大大群提出《游戲工廠：AI（AIGC/ChatGPT）與流程式游戲開發》討論之后就已完成本文的構想，現在才得以整理提出。

眾所周知，無論UGC還是AIGC，都面臨一個同樣問題：復雜的參數調教和簡單的人機交互（含AI）的矛盾。UGC畢竟他是U，沒有B的強大實力，U肯定希望簡單工作就能高效產出。同樣，AI還不是完美的，AI也希望簡單化以提升AI成品合格率，這和U的需求相吻合。

借舊圖拋磚引玉：

本文將闡述以數學模型為基礎提出簡化數值調參的一些思路。

二、從音響系統的EQ調教說起

以3段EQ調頻為例，提升高、中、低任意一個頻點都會用數學模型來拉動相鄰頻點的提升，以達到頻點緩和過渡的目的。

圖2.1 三段EQ調頻圖

三、玩家等級升級經驗值調參的數學模型設計

借助EQ頻點提升的數學模型原理，我們可以用它來設計玩家等級升級經驗值調參的數學模型。

圖3.1 玩家等級升級經驗值曲線圖1（直線型）

根據圖31，玩家等級升級經驗值設置所需的維度只有4個：MinLv（最小等級）、MaxLv（最大等級）、MinUpExp（最小升級經驗值）、MaxUpExp（最大升級經驗值）。我們再參考EQ分段原理，引入段位維度Seg（Seq=3、5、7...），如圖2.2、2.3所示：

圖3.2?玩家等級升級經驗值曲線圖2（凹形）

圖3.3 玩家等級升級經驗值曲線圖3（凸形）

如果經驗值按10000遞增話，這時再引入取整精度（Digit），如果圖3.4所示：

圖3.4? 按取整精度獲得每級升級所需經驗值（200級階梯值）

最終UGC或者AIGC調整玩家等級升級經驗值所需的維度有：MinLv、MaxLv、MinUpExp、MaxUpExp、Seg、Digit，常用維度只有4個：MinLv、MaxLv、MinUpExp、MaxUpExp，次常用維度：Seg、Digit。

與傳統的200級分別調整的情況相比要簡單得多。

同理，玩家的攻防等屬性值的調整也可以適用以上數學模型原理。具體公式就不列舉了，有點數學基礎的基本能實現。

四、BOSS戰斗力調參的數學模型設計

我們可以借鑒圖2.1，將BOSS的眾多屬性按攻、敏、防三類進行排序，如圖4.1所示：

圖4.1 BOSS戰斗力調參設計

那么UGC/AIGC僅需調整BOSS的攻、敏、防三個維度的數值。

五、玩家戰斗力調參的數學模型設計

玩家戰斗力調參和BOSS就不一樣了，BOSS是已知屬性數值的，而玩家戰斗力需要穿戴裝備、成長線遞進等才能形成最終戰斗力。

圖5.1 玩家戰斗力調參設計

等級系統、裝備系統、任務系統等各個子系統可以獨立調參，當整體調參的時候也可以將所有子系統同時調參。那么UGC/AIGC調參維度遠比人工要的維度要少得多。

六、數值爆表的防控

為防止數值爆表，我們可以使用圖6.1所示的數學模型進行最大值防控。

圖6.1 數值爆表的防控模型

七、可視化交互

無論是否進入游戲，所有被調整的數值都是無法可視化的，參考EQ的分段數學模型，UGC/AIGC調參的可視化交互界面如圖7.1：

圖7.1? UGC/AIGC調參的可視化交互界面

如果是UGC，用戶可以直接推動五段滑桿。如果是AIGC，AI直接輸出相應幅度值推動滑桿，這樣AI的正確率遠比直接修改200級的配置表來說高得多。

八、結束語

實際應用遠比本文所述的要復雜得多，但UGC/AIGC對游戲調參的要求不變：

1、復雜事情簡單做

2、抽象出數學模型

3、前2點做不到的就調整游戲的設計（因為你面對的是你無法改變的User和AI）

圖8.1 抽象高度