Player-Driven Emergence in LLM-Driven Game Narrative

📄 arXiv: 2404.17027v3 📥 PDF

作者: Xiangyu Peng, Jessica Quaye, Sudha Rao, Weijia Xu, Portia Botchway, Chris Brockett, Nebojsa Jojic, Gabriel DesGarennes, Ken Lobb, Michael Xu, Jorge Leandro, Claire Jin, Bill Dolan

分类: cs.CL, cs.AI

发布日期: 2024-04-25 (更新: 2024-06-03)

备注: Accepted at IEEE Conference on Games 2024

期刊: IEEE Conference on Games 2024

💡 一句话要点

通过LLM驱动的游戏叙事实现玩家主导的涌现行为

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 游戏叙事 涌现行为 文本冒险游戏 玩家互动 动态生成 探索与实验

📋 核心要点

  1. 现有的游戏叙事往往是线性的，缺乏玩家的主动参与和探索空间。
  2. 论文提出通过LLM生成非玩家角色，允许玩家自由互动，从而激发新的叙事节点。
  3. 实验结果显示，玩家与LLM的互动能够产生有趣的涌现节点，提升游戏的趣味性和参与感。

📝 摘要（中文）

本研究探讨了与大型语言模型（LLMs）互动如何促使涌现行为，使玩家能够参与游戏叙事的演变。我们以一款文本冒险游戏为测试平台，玩家在固定叙事前提下尝试解谜，并可以自由与由GPT-4生成的非玩家角色互动。通过招募28名玩家进行游戏，我们利用GPT-4自动将游戏日志转换为节点图，表示玩家的游戏叙事。研究发现，玩家通过与LLM的非确定性行为互动，能够发现原叙事中不存在但潜在有趣的新涌现节点。创造最多涌现节点的玩家通常更喜欢探索和实验的游戏。

🔬 方法详解

问题定义：本研究旨在解决传统游戏叙事的线性和固定性问题，现有方法往往限制了玩家的探索和创造性。

核心思路：通过引入大型语言模型（LLM），特别是GPT-4，允许玩家与动态生成的非玩家角色互动，从而激发新的叙事元素和涌现行为。

技术框架：整体流程包括玩家在固定叙事框架下进行游戏，LLM实时生成非玩家角色的对话和行为，游戏日志被记录并转换为叙事节点图。主要模块包括玩家输入、LLM生成、日志记录和节点图构建。

关键创新：本研究的创新在于利用LLM的非确定性行为，允许玩家在游戏中创造出原本未设定的叙事节点，与传统的线性叙事方法形成鲜明对比。

关键设计：在设计中，使用了GPT-4的对话生成能力，确保非玩家角色的互动丰富且多样，同时通过节点图的构建，清晰展示玩家的探索路径和涌现节点。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，玩家与LLM的互动能够生成大量新涌现节点，参与度显著提高。创造最多涌现节点的玩家在游戏中表现出更高的探索和实验倾向，显示出LLM在游戏叙事中的有效性和潜力。

🎯 应用场景

该研究的潜在应用领域包括游戏设计、教育和互动叙事等。通过引入LLM，游戏开发者可以创造更具沉浸感和互动性的游戏体验，鼓励玩家的创造力和探索精神。未来，这种方法可能会影响更广泛的叙事形式，如虚拟现实和增强现实中的故事讲述。

📄 摘要（原文）

We explore how interaction with large language models (LLMs) can give rise to emergent behaviors, empowering players to participate in the evolution of game narratives. Our testbed is a text-adventure game in which players attempt to solve a mystery under a fixed narrative premise, but can freely interact with non-player characters generated by GPT-4, a large language model. We recruit 28 gamers to play the game and use GPT-4 to automatically convert the game logs into a node-graph representing the narrative in the player's gameplay. We find that through their interactions with the non-deterministic behavior of the LLM, players are able to discover interesting new emergent nodes that were not a part of the original narrative but have potential for being fun and engaging. Players that created the most emergent nodes tended to be those that often enjoy games that facilitate discovery, exploration and experimentation.