很久很久以前,皮皮麻将 我们便已经依赖于各种类型的随机性去帮助我们的互动系统的运行。皮皮麻将 尽管在所有类型的互动系统中总是存在随机性的一席之地,但我认为现在关于策略游戏的随机性的假设却是错误的。

  我想强调的是充斥于玩家的选择与结果(在这里便是创造出随机性)之间的噪音并不会被归入策略游戏中。

  dice

  什么是随机性?

  基于本文的目的,随机性指的是“不可预测并且会影响游戏状态的信息。”随机信息的生成过程是人类永远都不可能想到的。随机系统的经典例子便是掷筛子,洗牌或随机数生成程序。

  从技术上来看,掷筛子模式并不是真正的“随机”。这只是对于实体的回应,计算机可以获得丢筛子的信息并预测将会出现怎样的数字。而我们会提到筛子是因为人类并不能像计算机那样做。实际上,当我们将筛子整合到游戏设计时,我们便是假设没有人能够(或不可能)预测到结果。

  实际上,尝试着预测筛子将如何滚动,并基于一个计划好的轨道去投掷它从而出现你想要的一面的做法被观察者们当成是一种“作弊”手段。你不应该知道筛子的整体理念。

  一部分原因是我们正在面对包含随机性的游戏中两个独立的封闭系统。滚动筛子是一个封闭系统,与优秀的游戏系统并无关系。

  这与其它类型的“不可预测”或“不确定”的事是不同的。就像象棋吧,它会限制玩家能够预测的圈数。此外,会出现什么事也是玩家预测不到的。然而,玩家可以通过游戏而不断学习并进一步分析可能性。我们可以使用部分象棋技能去探索不断增加的可能性空间并创造出更加可预测的能力。

  所以尽管象棋具有不可预测性,但却不能说它具有随机性。为了运行,所有游戏都必须具有某种类型的不可预测性,但随机性却不是帮助它们做到这点的唯一方法。相机的不可预测性的来源与随机性的来源是不同的,因为玩家可能逐步减少并理解这种不可预测性。

  随机性的类型

  随机性可以被划分成两种类别:输入随机性和输出随机性。

  输出随机性—-当我们想到游戏中的随机性时,它们便是输出随机性。输出随机性夹在玩家决策和结果之间。例如“Risk”(注:古代流传下来的征服世界的游戏)或《Memoir ’44》中的掷筛子战斗,以及《X-Com》或《FTL》中的随机数字生成战斗。我将把不具有这类型随机性的系统称为“确定性”。

  输入随机性—-这种类型的随机性会在玩家做决定前给予他们暗示。典型的输入随机性是《文明》或《Rogue》中的地图生成,或《Puerto Rico》或《Agricola》等职工安置游戏中的面朝上的砖块或纸牌。(人们经常使用“程序生成”这一词去指代数字游戏中的这类型随机性。)本文将不讨论这类型随机性,但是你们有必要了解它们的区别。

  有趣的是,尽管这两种类型是截然不同的,但从技术上来看它们却是处于一个连续统一体中。在此我们需要注意的是,不负责任地使用输入随机性将会引起与输出随机性所遭遇的同样问题。

  策略游戏学习引擎

  策略游戏是一种让我们能够理解的引擎。就像我们玩一款游戏,不管获胜或失败,我们都是相连接的。当我们清楚系统如何运行时我们便会说“喔,我知道了!”为了发展,我们发现这一过程非常有价值且具有娱乐性。这是策略游戏的“必要乐趣”。

  让我们进一步分解这一过程。

  告知玩家—-玩家着眼于游戏状态,尝试着明确该如何行动。游戏通过他的“技能”基础提供给他信息—-这是关于系统以及它是如何运行的整体观察内容。

  决定行动—-在剩下的游戏过程中,系统将对这一输入内容做出回应。在决定后将发生一系列事件,包括最终的胜利/失败;所有的实践都将作为游戏对于玩家的反馈,突出它们之间的一些休闲的关系。反馈同样也遵循着一个策略。

  记录技能—-玩家将观察并记录这种因果关系并将其记录到自己的数据库中。之后玩家便可以使用技能而行动。(需要注意的是,这时候便会出现策略游戏的必要乐趣,但这当然也是依赖于其余功能。)

  当一名玩家在玩游戏时,他将创造这种“技能文件夹”并变成一名强大的玩家。一款肤浅游戏中可能不具有多少这样的时刻,而一款具有深度的游戏将能够持续传达这样的时刻。这便是为何我们会基于策略上的“深度”去衡量一款游戏的质量。

  那么我们该如何达到这种深度呢?首先,也是所有游戏设计师都意识到的意外的复杂性。为了创造复杂性,我们让游戏能够在玩家的游戏过程中生成复杂的意外情境。主教,骑士和赌棍与三个士兵和一名女王相对坑并不具有内在的复杂性;这里存在少量的可能数据。然而如果在棋盘上同时出发这两边势力,那么便可能出现许多不同的情境。

  复杂性效率

  而关于达到这种深度的第二种方法却还未被大多数设计师所察觉。这种方法包括识别复杂性的有效性:状态和过去状态的历史之间的相关性。

  策略游戏在比赛过程中只拥有有限的状态。据我所知,象棋游戏中的平均数值是在40左右。而实时游戏并未真正分离“回合”,也仍然存在一些有限的有意义的状态,不管你如何进行划分。

  如果你的游戏是由一系列相互联系的事件所组成,那么你便能够最大化可能出现的独特情境。我认为这一理念违背了许多认为随机事件的出现将提高独特情境的数量的人的想法。然而这却是事实。

  拥有一个系统将能够推动你的意外复杂性达到最高效率。因为每种意外情境都考虑到了之前和之后出现的所有事件的最大差别量。

  deterministic

  这里的粉色的蛋代表当前的游戏状态。在决定性游戏中,玩家将顺着比赛的时间线通过不同时间获得它们。而在随机性游戏中,时间线是相互独立的,即当前的游戏状态并不会受到影响。

  在决定性游戏中,当前的游戏状态与整体时间线的每一部分是相互联系着。正因为这样,它被整合到了更复杂且更独特的结构中。这是以环境的形式表现出来,并提供了有关游戏状态的解释。

  当然了,具有更高随机性的游戏拥有一些决定性元素能够提供给游戏状态一些环境。例如在像《召唤师之战》(注:包括掷筛子战斗的回合制战斗游戏)等游戏中,你的召唤师的生命值以及单位的位置都是相互联系的,并且能够为游戏状态提供一些环境。

  然而,游戏中的大量环境信息将不再具有意义。我攻击了你的单位,我滚动了筛子。我有可能会错过机会,而下一个回合你便会杀死我的单位。这一事件(即你杀死我的单位)并不是真正与我之前采取的任何行动随机联系在一起。这里所发生的情况是,我采取一个行动,然后随机发生了一些事,然后你便采取行动。这种关系是相互独立的,我们不能再使用我的行动作为当前游戏状态的环境差别。现在你的游戏已经不再是“A,因此出现B,因此出现C”。而变成“A,然后出现B,然后出现C”。

  最重要的反馈是目标状态。一旦一场比赛结束,胜负条件将通过事件的发生过程传送一个命令,并为促成这一结果的每个事件揭示一个积极或消极的命令。这一行动还不错,因为它能够引出这一结果,并且这一结果能够引出其它结果,并因此成就了我的胜利。

  这并不是说当玩家获胜时,他的所有行动都是正确的行动。然而这却提供了一个定位点能够传达每个其它行动。当然了,玩家的每一个行动都是为了更加接近获胜状态。一旦比赛结束,我们便能够看到这些行动是否有效及其原因。(正因为如此,玩家能够从观看回放并分析而获得许多同样的乐趣。)

  总的来说,在玩了一款决定性游戏后,玩家可能会看到基于时间轴的一副连贯的战略图。而玩家可能会认为非决定性游戏是由一些不完整的图片所组成。基于这种方式,决定性游戏能够最大化其复杂性效率,而非决定性游戏却不能。就像非决定性游戏在添加复杂性的同时,决定性游戏则在加倍繁殖这些复杂性。

  想象的深度

  输出随机性并不能提升游戏的深度。在掷筛子中我们探索不到任何内容。我们只知道任何一面出现的几率是1/6。除此之外别无所知。

  实际上这也模糊了结果。你可能玩得很好,但却仍然输掉了游戏。游戏让你做了徒劳无益的事,想想你是在哪个环节搞砸了,在什么时候你的游戏其实并不具有任何问题;这里的关键在于掷筛子。

  因为徒劳无益,游戏似乎变得更加复杂了。游戏提供了不可靠的反馈,只有在玩了无数次游戏后你才清楚自己该忽视哪些反馈。从根本上来看,随机游戏因为将错误的信号整合到引擎中而延迟了学习过程(这也是游戏的必要乐趣)。这是创造深度表象的超级廉价的方法,这也是游戏设计师会被吸引的原因。

  人类是追求模式化的动物。我们会观察云端中的数据,我们会观察静态的图像,我们会观察存在巧合的阴谋。这都是因为人类的进化不断推动着我们基于这种方式进行思考。同样的原因也导致人们认为自己在一些灌木丛中看到的影子是狮子等野兽。随着时间的发展,那些认为自己看到狮子的人变成了那些在真正看到狮子时会逃跑的人。而我们也继承了这些人的基因。

  基于这一原因或其它原因,现在的我们会注重我们所看到的任何模式,并且只要存在游戏,游戏设计师便会一直利用这些模式。

  就像赌博机一直都是利用心理技巧去引诱人们进行尝试。为了让任何人想要玩与老虎机或轮盘赌一样无趣的游戏,于是便出现了某种程度的自

Author

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注