玩家与AI的互动：神经网络游戏揭示的关于AI作为玩家的特性

文献标题

Player-AI Interaction: What Neural Network Games Reveal

文献信息

• 主题领域: 人机交互（Human-Computer Interaction，HCI）与游戏
• 关键词: 人工智能与人机交互、神经网络、用户体验、游戏设计、玩家-AI 交互

研究背景与问题

• 发现问题及挑战:

  • 随着人工智能（AI）技术的发展，AI 已经渗透到各类日常领域，但现有研究主要集中于生产力相关的领域（如电子商务、导航、自动补全）。
  • 游戏作为 AI 和用户体验（UX）交互的重要领域却很少被系统地研究。
  • 在具体实现 AI 功能时，尤其是神经网络（NN）的低可解释性和结果的不确定性，为游戏设计提出了独特挑战。

• 研究的重要性:

  • 游戏天然地聚焦于终端用户体验，成为研究人-AI 交互的理想领域。
  • AI 驱动的游戏展示了如何通过娱乐方式探索和解决人-AI 交互中的问题。

• 研究动机与相关工作:

  • 游戏历史上（如国际象棋到《星际争霸》等）已成为推动 AI 发展的基准领域。
  • 目前的大多数研究专注于生产力应用中的人-AI 交互，而忽略了 AI 在游戏中的表现和其潜力。
  • 本研究希望通过对神经网络为核心的游戏系统性分析，弥补这一研究空白。

解决方案

• 提出方法与解决方案:

  • 引入“玩家-AI 交互（Player-AI Interaction）”这一概念，系统化地研究玩家如何与游戏中的 AI（特别是神经网络）进行互动。
  • 通过对 38 款神经网络相关游戏进行质性分析，研究 AI 在游戏中的交互隐喻、UI 表现和人性化特征。

• 创新之处:

  • 首次对人工神经网络游戏的玩家-AI 交互进行系统性研究。
  • 结合现有人-AI 交互设计指引，调整并评估这些指引在游戏情境中的适用性。
  • 从基于娱乐的视角扩展当前以生产力和效率为主导的人-AI 交互研究。

• 实施步骤:

  1. 数据收集：系统筛选 38 款含有神经网络内容的游戏。
  2. 第一阶段分析：观察玩家-AI 互动的模式（例如，AI 作为学徒、竞争者）。
  3. 第二阶段分析：将现有的人-AI 指南优化后应用于游戏，与其他 AI 产品对比分析。
  4. 设计洞察：总结如何通过“AI 作为游戏”进一步优化人-AI 交互体验。

研究成果

• 具体成果:

  1. 提出了玩家-AI 交互的四种主要隐喻：

     • AI 作为学徒（Apprentice）
     • AI 作为竞争对手（Competitor）
     • AI 作为设计者（Designer）
     • AI 作为团队成员（Teammate）

  2. 研究了 AI 在游戏用户界面的三种可见性水平：

     • AI 特定可见性（NN-Specific）：明确突出神经网络的存在。
     • AI 有限可见性（NN-Limited）：仅通过一些次要元素展示其存在。
     • AI 隐藏性（NN-Agnostic）：玩家对神经网络的存在毫无感知。

  3. 发现在线学习的 AI 游戏更能提供动态、实时的交互，而离线学习的 AI 则倾向于任务预设明确的场景。

• 优势:

  • 神经网络游戏在展示和利用 AI 的潜力方面表现出色，尤其是在鼓励玩家实验和探索 AI 系统界限方面。
  • 游戏比其他 AI 应用在用户反馈和全球控制（如调整 AI 行为）的直接交互上更出色。

• 实验或评估结果:

  • 多数游戏无法完全解释 AI 的技术限制，但在交互设计中，许多限制变成了游戏机制的一部分。
  • 相比于商业应用，游戏场景中 AI 的失败被设计为提升体验的一部分，而非消极结果。

• 局限性与未来方向:

  • 局限性：
    • 数据集不是完全全面，可能遗漏了一些关键的神经网络游戏。
    • 技术上的“黑盒”限制了对神经网络内部实现的更多解读。
    • 无法完全解释游戏中的所有失败情况。
  • 未来方向：
    • 鼓励建立更具体的玩家-AI 交互设计指南。
    • 探讨失败设计在游戏用户体验中的更多潜力。
    • 将 AI 的游戏化特性与传统生产力场景结合，扩展 AI 应用领域。