这次就不搬运以前遗留下来的内容了.
一来费时费力; 二来很多理念随着时间推进都有所变化, 过去想出来的观点, 现在的自己不一定还认同, 也不一定有留存下来的价值.

区别游戏与非游戏的本质是决策. 定义一个具体游戏的则是它的决策空间/决策树.
这实际上提出了判断游戏 "本质相同" 的方法: 称两个游戏本质相同, 当且仅当它们的决策空间/决策树同构. 当然, 这一标准也可以用于衡量两个游戏局部, 或者两个收缩后的游戏, 而不仅仅适用于完整的游戏的决策空间.
例: 麻将中四确胡的场面, 收缩掉一些局部的决策后同构于A决定B或C胜利的三人游戏. (参考: iyingdi.com/tz/post/5061996)
(当然, 在实际存在的游戏中, 即使是在收缩后, 完全同构的游戏少之又少. 因此我们常常转为考虑更弱一些的关系: 决策空间相似的游戏. 这种 "相似性" 暂时还没有数学上的定义, 确切地量化两个游戏的相似性需要在决策空间空间上定义 "距离" , 我尚不了解目前数学界对这个问题做到了什么结果. )

可玩性
`
可玩性是一个物理学 (行为学) 概念, 关于可玩性的基本问题是 "什么样的游戏设计会让人觉得能玩" , 而这显然是一个物理学问题, 关于其的结论也属于定律的范畴. 接下来我们所讨论的观点, 本质上都由观察现实中的现象归纳所得. 请读者注意这一点.
根据观察许多不同种类的游戏, 以及大量不同类型的玩家游玩它们的过程与产生的反馈, 我们注意到一个游戏是否有可玩性, 与这个游戏是否有策略深度高度相关. 策略深度这一概念还没有形式化的定义, 但可以被粗略地定义为 "决策的非平凡性" . 通俗的说, 定义了一个决策树并确立了一个游戏目标, "如何达到这个目标" 便成为一个数学问题. 这个数学问题的求解越非平凡 (越需要洞见) , 则称策略深度越高; 根据上述定律, 此时游戏的可玩性也更高.
当然, 求解问题的非平凡性不能仅用一个实数衡量. 不同类型的游戏导出的问题会有不同的thinkpiece, 彼此之间未必能定义一个线性序. 因此, 我们往往只讨论一个游戏 "有无策略深度" , 或讨论两个游戏 "策略各自有怎样的特征" , 但极少讨论两个游戏 (尤其是类型相异甚远的两个游戏) "哪个的策略深度更高" , 除非我们考虑一个决策空间到另一个决策空间的满同态 (退化) .
与游戏性这一概念类似, 策略深度也可以应用于收缩后的游戏或游戏局部, 而不仅适用于完整的决策空间. 例如: 一些养成游戏的局部操作可能是近乎trivial的, 甚至是重复到令人生厌的, 但宏观的养成路线规划与策略仍然有较高的策略深度.
(由于这两个参数的关联性, 在以后的讨论中, 我们时常混用 "可玩性" 与 "策略深度" 这两个词. 但仍请读者注意: 根据最原始的定义: 可玩性是一个物理学概念, 而策略深度是一个数学概念. 我们并不能从定义出发计算一个决策空间是否有 "可玩性" . )

可重复性
`
关于可重复性的讨论始于对游戏商品的生命周期的讨论. 在研究 "同样是具有可玩性的游戏, 什么游戏能让人持续性地玩下去而不退坑" 这个问题时, 我们逐渐引入了 "可重复性" .
读者会很自然地想到, 与可玩性类似, 我们应将可重复性当做一个物理学概念使用, 其定义则由上文的问题直接导出: 称一个游戏有可重复性, 当且仅当一个游戏能让人持续玩下去. 这也的确是更符合范式的做法, 然而实际上 (游戏性派的) 游戏设计理论习惯于将可重复性当做一个数学概念, 直接命为决策空间的某种数学特征. 后面我们会看到, 之所以直接借用这个词, 是因为数学上的可重复性几乎显然就是一个游戏可持续游玩的一个必要条件.
我们回到开头的问题: 什么游戏能让人持续性地玩下去? 借用更日常语言一点的说法: 一个游戏的制作者应该做什么, 才能让尽可能多的玩家持续地玩下去游戏 (从而持续付费以保证制作者获利) ?
首先我们要注意到, 有必要回答这个问题的, 仅仅是持续性付费的游戏, 因为只有这类游戏需要玩家持续性地登录游戏游玩. 作为对比, 买断制游戏仅需玩家一次性花钱把游戏买下来, 因此即使把生命周期做成有限的 (例如以剧情为核心的游戏, 以及解谜游戏) 也可以获利.
(游戏性派理论的某些分支在讨论这个问题时的用语习惯与上一段并不完全相同. 这些分支倾向于将有 玩家持续付费 需求的游戏统称为可重复游戏, 并将可重复游戏的体验分为重复性体验与非重复性体验. 前者的例子如以刷资源为主要玩法的养成游戏, 以及以插画为主要卖点的收集性游戏; 后者的例子则有炉石传说, 皇室战争这样的对战游戏. 在作者所用的理论中, 我们较少讨论一个游戏的商品定位是否会带来持续付费的需求, 而是直接讨论决策空间本身是否带来可重复性. 这不可避免地会带来一个矛盾: 像原神, 明日方舟这样的玩法没有可重复性的游戏, 为何实际上能吸引玩家持续游玩并付费? 我们将其归于游戏性以外的因素 (例如美术, 世界观架构, 玩家社群培养) , 游戏性理论对这一现象成因的研究工作较少. )
然后我们开始考虑问题本身. 保证玩家玩不腻一款游戏, 最直观的方法无疑是更新内容. 但完全依赖更新内容会带来若干问题:
1. 设计新的可游玩内容本就消耗人力物力. 且频率过高的更新会过快地消耗设计空间, 导致游戏的末期提前到来;
2. 同样的一份可游玩内容, 制作者制作它 (包括游戏性设计, 美术素材, 程序实现) 所消耗的时间, 往往远高于玩家彻底体验其所有内容所用的时间. 半个月一次的更新添加的内容, 玩家可能一个晚上就能体验完, 剩余的时间差里玩家依然没有游戏体验;
3. 如果新的游戏内容强需求每一位玩家了解 (例如炉石这样的卡牌游戏, 新拓展包的加入通常会影响天梯的强势卡组, 从而迫使每一位玩家必须充分了解新卡) , 过快的更新会增大玩家尤其是新玩家的学习成本, 提高游戏门槛从而劝退客户.
由此我们需要一种设计方法, 使得即使不更新内容, 玩家在每次游玩时也会获得不同的体验. 通常来说, 使一个游戏获得可重复性的方法可以分为如下三种:
1. 随机性
当我们说 "游戏内容被玩家体验完" , 我们所说的实际上是: 玩家洞析了决策过程的每一个节点的所有决策, 以及它们会引向的下一个状态, 直至决策的结束, 以至于玩家可以用同一种策略应对每一次游戏, 可玩性自然也就不复存在. 以原神的副本为例: 如果玩家用一种打法打过了一个新解锁的副本, 他在下一次刷副本时有什么理由不用同样的打法呢 (由于玩家打副本的目的往往并非是获得游戏体验而是得到奖励, 这个问题会更加迫切) ? 但如果我们在游戏中加入随机性, 就可以保证玩家在一局游戏中的决策无法照搬到下一局游戏中, 从而使得玩家每一局游戏, 每一次决策都需要考虑当前的较优策略.
更具体一点地说, 加入随机性的方法也有很多种. 例如, 卡牌游戏往往有套牌与摸弃的概念, 而抽牌顺序具有随机性, 即使是同一套牌, 不同牌序也会使得玩家每次都需要思考具体的较优打法; pvp游戏如果需要预构筑, 玩家便会被匹配到使用不同打法的对手, 从而思考不同的应对方式; rogue游戏中的随机事件使玩家需要随机应变, 爽局的打法显然不能直接移植到励志局中; 除此之外, 许多具体的小的随机事件的加入都可以在局部带来随机性 (例如炉石中的随机目标与发现) . 当然, 在同一款具体的游戏里, 不同的加入随机性的方法可以组合使用, 产生独特的效应. 例如, 炉石结合了抽牌与对战, 而杀戮尖塔结合了抽牌与rogue.
(以后我们会见到一种独特的带来可重复性的方式: 时间连续. 我们将其归入随机性中, 并会向读者解释这样划分的理由. )
是否所有的随机性都可以带来新的游戏内容? 我们考虑以下游戏: 玩家从3个集合{1,2}, {3,4,5}, {6}中选择一个, 然后投掷一个骰子. 如果投掷的结果属于玩家所选择的集合, 则玩家胜, 否则败. 这个游戏中显然有随机事件, 但它的最优策略却始终是选择第二个集合. 这是因为随机性出现于决策之后: 玩家每次决策面对的情境都完全一样, 最优策略怎么可能会有变化? 经过这个例子, 我们已经可以初步感受到一句关于随机性设计的箴言所言: "先随机再决策" 是好的, 而 "先决策再随机" 是坏的. 关于前一句, 其实在前文中我们已经认识到: 之所以随机性能使游戏可重复游玩, 本质上是因为它能创造不同的决策情境, 做不到这一点的随机当然没有可能带来新体验; 关于后一句的知识我们尚未接触, 简要来说, 这是因为随机可能使不同的 (有优劣之分的) 决策带来相同的结果, 从而产生负反馈, 挫伤玩家的游戏体验. 以后我们会讨论这个话题.
最后我们抛出一个数学佯谬以给读者思考: 在游戏石头剪刀布中, 玩家所作的全体决策不过是甲选择一个手势, 乙选择一个手势, 然后游戏以这两个手势为输入根据一个简单的switch-case程序决定胜负平. 整个过程里显然没有任何随机因素存在, 但这却是一个随机游戏 (数学上易证石头剪子布等价于一个概率各1/3的胜负平分布列) ! 我们该如何解释这一现象呢?
靠随机性带来可重复性的游戏举例: pvp游戏 (moba) , 卡牌游戏 (游戏王) , rogue游戏 (以撒) .
2. 融入大量规则的同时规避学习成本.
我们先明确这里的 "规则" 是什么: 常义的规则指的是一局游戏中玩家所能/所不能获得的信息, 以及所能/所不能做的操作 (决策) , 还有所有决策/获取信息彼此之间的时间关系. 更通用地说, 规则决定了一次游戏的流程. 但在游戏性理论中, 我们用规则指称一切会影响决策空间及决策结果的要素. 以炉石为例: 不仅一次对战的流程是游戏规则, 每一张卡牌的效果也是游戏规则的一部分; 哪怕一次平衡性调整只修改了一张卡牌的一个数值, 我们也称 "游戏规则发生了改变" . 基于这种理念与直观认识, 我们可以粗略地将广义规则分为两种: 通用规则 (宏观规则) 与个体规则. 其中设计个体规则 (例如diy一张万智卡牌, 一个尖塔遗物) 的过程称为个体设计.
然后我们不难理解一个基本的观点: 内容量越大的规则, 越容易生成可玩性高的游戏, 但学习成本也越高. 前一条结论的得出十分显然: 规则的条数越多, 意味着设计师可以越多地控制游戏的决策空间. 一个最极端的例子: 当设计师完整地画出了一个游戏的决策树, 根据定义他便设计了一个完整的游戏. 只要精心规划这个决策树的细节特征, 我们便可以让它表现出我们想要的任何性质. 但这样的游戏规则显然是玩家无法接受的. 这便引出了学习成本的概念. 限于主题因素我们不在此讨论学习成本的定义, 有关讨论会在后文进行. 这里我们粗略地给出一个定义, 一个游戏规则的学习成本, 是玩家熟悉规则所涉及的全部概念所需要的游玩时间.
明确了基本概念的含义, 这次我们从考虑一个具体的游戏开始: 拼字游戏. 容易验证拼字游戏中没有随机因素, 但显然拼字游戏是有可重复性的游戏 (否则它无法在英语文化环境中流传到现在) , 这意味着我们需要发现了新的可以带来可重复性的要素.
敏锐的读者或许已经注意到, 尽管拼字游戏的规则文本并不长, 但其中涉及的概念 "英文单词" 实际上御寒的内容量是巨大的. 根据上文中我们对 "规则" 的定义, 英语中每一个有限长的字母序列是否是一个单词, 实际上都会影响到拼字游戏的规则. 但玩家学习这些单词的过程已经在日常生活中完成, 而不需要在接触游戏后从头学习. 不难想象, 如果我杜撰出一套语言, 并基于此设计一个与拼字游戏类似的游戏, 游戏的学习过程对玩家来说将完全不可接受.
以上是一个 "将大量的个体设计加入游戏并规避学习成本" 的例子, 实际上也存在 "将大量的通用规则加入游戏并规避学习成本" 的例子.
考虑作为游戏的足球竞技. 抛开为漏洞而打的补丁不谈, 足球的规则实际上只有一条: 把球踢进球门. 如此简单的规则显然无法推导出足球运动中复杂深奥的动作与战术战略. 足球之所以有复杂多变的玩法, 是因为人类身体所遵循的生理学法则实际上也是足球规则的一部分 (例如, 韧带的存在决定了膝盖无法向前弯曲) . 但人们在日常的运动中已经习惯了这些生理学, 而无需在接触游戏后额外学习.
靠融入大量规则带来可重复性的游戏举例: 拼字游戏, 飞花令, 大多数球类运动.
3. 策略深度 (混沌性)
这一类游戏的可重复性很容易理解, 值得分析的内容不多. 对于一个pvp游戏, 如果其策略空间数量级足够大以至于整个玩家社群进行长年的游戏行为也无法将其遍历以得出最优策略, 那么自然每次新的游玩都有新的可考虑的问题, 从而有新的可玩性.
混沌性带来可重复性的典型例子是传统的无随机因素的棋类游戏. 以围棋为代表的一众棋类游戏的规则文本量大都极小, 与其庞大的决策空间完全不成比例. 使得这些棋类游戏在千年的人类文明中长盛不衰的, 便是潜藏于其中的混沌性.
靠混沌性带来可重复性的游戏举例: 围棋, 国际象棋等.

学习曲线&学习成本
`
游戏性理论中第三个重要的概念是学习曲线, 或者说 "学习" 本身. 在讨论前两个概念时, 我们实际上潜在地作了如下假定: 玩家在游玩游戏时已经了解了游戏规则的全部内容 (关于 "规则" 的定义实际上是应该在此时引入的, 不过我们在上文中已经提前涉及了它, 这里不重复对概念的定义) . 但这显然不符合实际情况: 玩家从最初的入坑到完全了解游戏规则, 其间必定要经历一个或长或短的规则学习过程.
在不同游戏中, 学习规则的过程的模式也会有较大的区别: 对于围棋这样的传统棋类游戏, 规则内容量极小, 其学习几乎是瞬间完成的, 此后的学习大都属于策略学习; 对于炉石这样有大量个体设计 (单卡) 的游戏, 对战流程与运营模式的学习会快速完成, 而单卡的学习往往伴随着游玩进行, 直到新人熟悉所有天梯中重要的卡; 有些游戏由若干游戏性上无关的模块拼接而成, 那么玩家也就需要学习若干套无关的规则; 最特殊的一类游戏是解谜游戏, 在解谜游戏里, 学习规则的过程就是游玩的过程本身.
(这里需要请读者明确一点: 判断玩家是否已经学会了某个游戏的规则, 其标准不是看他是否已经读完/听完了一遍完整的游戏规则, 而是看他是否已经习惯于游戏流程并能够按自己的意愿调用每一条规则. 小众桌游圈子的老玩家大概都会有这样的经历: 在拉新人入坑某款桌游时, 即使开局前已经完整地描述了一遍游戏流程, 局中也会时常出现新人遗忘或误解游戏规则的情况, 以致于不得不重新翻阅规则书以解决争议. 在这个情境里, 读完了规则书的新人并不算得上学会了游戏, 而像老手那样熟练运用规则才算是完成了规则学习过程. )
当然, 学习了规则, 依然不能说明玩家了解了游戏的全部. 沿用前文 "决策树可以完全定义一个游戏" 的思想, 规则只是给出了一个递推式的对树的定义, 但对于这个树的具体细节玩家可能仍然知之甚少 (树中的信息仍然不是trivial的) . 于是我们引入了 "策略学习" 这个概念. 目前 "策略学习" 没有形式化的定义, 我们只能顾名思义地借用这两个词在自然语言中的意思来讨论关于它的命题, 或者像上文那样把它理解为 "学习决策树的局部细节" .
比起 "怎么定义学习过程" , 游戏性理论更在意的问题是怎样的学习过程会给玩家带来怎样的体验, 而研究这个问题本身就需要提出一套描述学习过程的各种特征的语言. 为了粗略地刻画学习过程的数值特征, 我们如下定义学习曲线: 横轴为玩家游玩所消耗的时间成本 (不一定是物理意义上的时间, 比如对战游戏的时间成本也可以用玩的局数衡量) , 纵轴为玩家的水平, 由此画出的曲线即是学习曲线.
从定义出发可以立即推出: 学习曲线平缓, 意味着玩家更容易在游玩中提升水平, 即学习更加简单, and vice versa. 当然学习曲线未必是 (而且往往不是) 一条直线, 同一个游戏的学习曲线在不同阶段/不同部分可能有不同的斜率. 以围棋为例: 围棋的学习曲线起点处是极度陡峭的, 因为以普通人的脑力几乎不可能仅从规则出发推导出较优策略 (这也是为什么围棋的普及通常以小学生上围棋兴趣班的形式进行) ; 但当棋手学会了局部的对杀后, 学习曲线变得较为平缓, 因为此时棋手可以通过大量练习增长实力; 在大局观阶段, 学习曲线又会变得陡峭一些.
尽管我们有了学习曲线这个工具, 但它的用途实际上是比较小 (适用范围比较窄) 的. 仅用学习曲线刻画学习过程的特征会使我们丢掉许多信息. 导致这种结果的一些因素如下:
1. 学习曲线模型假定玩家总是以提升实力, 获得游戏胜利为目标. 但在现代游戏 (常义游戏) 中, 规则定义的 "获胜" 往往并不是玩家游玩的全部显式目标, 有些游戏甚至只给出决策空间而不会交代什么是 "目的" (比如沙盒游戏) , 此时玩家游玩的显式目标是因人而异的, 同一款游戏也可能兼容追求不同内容的若干类玩家. 对于其中的每一类玩家, "如何达成自己的目标" 仍是一个需要学习的过程, 但学习曲线模型难以衡量这些学习过程的特征, 因为 "玩家水平" 不再是良好的概念;
2. 无论是玩家水平/实力, 还是学习过程, 都未必是线性的. 在实际的学习过程中, 一款游戏的全部决策空间可能被拆分成几个部分, 而玩家会先后对其分别学习. 在学习没有完成时, 已经发生的学习过程未必会对玩家水平产生可观的影响, 但这段学习的确是有意义的;
简单地说, 学习曲线默认学习的结果即纵轴的物理意义, 是在一个全序关系上取值的 (无论你将其描述为 "玩家水平" 或是别的什么量) , 但在现实的模型中, 全序关系很可能是一个过强的关系.
最后回到我们开头提出的问题: 怎样预估学习过程给玩家带来的体验. 关于这个问题已经有一些结果, 但结果尚不能很好地写成通用的形式. 暂且借用一下自然语言: 通常来说, 学习过程中玩家不产生糟糕的游戏体验, 一个必要条件是玩家在学习阶段的游玩有 "获得感" . 换言之, 在学习阶段中, 玩家在决策后得到的反馈 (比如第一局游戏的胜负) 能够让玩家得出有意义的结论, 从而调整接下来游玩时采用的策略.

ok, 到这里三个最基本的概念都介绍完了. 以后的讨论应该也会便捷很多.
之所以说是 "最基本" 的概念, 是因为这三个概念几乎适用于所有类型的游戏: 可玩性考察策略的求解是否非trivial; 可重复性考察这个过程的重复是否仍然非trivial; 学习过程则了抛弃 "玩家了解全部规则" 这个理想化假设, 考虑更加实际的萌新学习问题.
接下来一段时间内的内容应该还是介绍理论体系中几个比较明晰, 且适用范围也很广的概念. 比如: 离散/连续性, 局部稳定性, 可逆性, 个体设计的游戏体验与阅读体验, 等等.
等常用的概念都介绍完了, 这个帖子的理论部分差不多也就结束了. 此后的内容大都是针对某个特定游戏类型乃至某款游戏的讨论 (没错, 仅仅是 "讨论" 而非 "讲解" , 因为深入实际后能够明确得出的结论会越来越少, 许多观点都仅仅是以假说的形式存在) .
由于接下来逐步要从理论转入实际, 因此研究对象也会逐步开始考虑现实中的游戏与它们的玩家反馈 (而不仅仅是游戏模型的数学特征) . 为了解释玩家对一款游戏的评价的形成原因, 我们不可避免地要考虑游戏性以外的因素. 比如, 某些特定类型的玩家喜欢剧情或美术好的游戏, 因此他们对一款游戏的好评就不能直接地翻译为 "这款游戏的可玩性高" . 当然, 游戏性理论依然是本帖唯一的主题, 我们考虑非游戏性的因素, 仍然是为了保证合理地分析现象与得出结论.

顺便趁此机会讲明几个关于本帖的比较重要的问题, 以免读者产生误解:
1. 游戏性理论的学科性质
游戏设计是一门功能导向而非结构导向的学科. 在学科的最早起, 游戏设计理论的提出完全是为了回答 "什么样的游戏好玩" 这个问题. 彼时游戏设计的研究范式与通常的社科学科并无不同: 根据自身的切实体验将游戏按体验分类, 然后观察体验相似的若干游戏, 试图寻找它们的规则的相似之处, 照此逐步得出规律. 在研究的过程中, 出于提高效率与准确性的目的, 种种概念才被提出. 其中, 在研究 "什么样的因素会使游戏带来好的游戏体验" 时, 游戏设计理论提出了游戏性, 剧情/世界观, 美术, 音乐, 肢体交互, 玩家社群, 付费模式等各种因素, 而游戏性理论作为专门研究游戏性的一门子学科分化出来. 此即本帖的主题.
2. 游戏性之外的内容并非不重要
这篇帖子之所以只研究游戏性对游戏体验的作用, 并不是在说美术, 剧情等要素对游戏设计不重要. 且不论关于 "重要性" 的论断本就有价值判断的成分在里面, 从定义出发, 只要一名特定的玩家能通过某个要素获得优质的体验, 这个因素就可以被认为是游戏设计的优点. 选定这个主题是因为作者只懂游戏性理论, 而后者又是因为我的体验对游戏性以外的要素大多不敏感. 两款决策空间相似而画面不同的游戏, 有的玩家可能喜欢此而对彼无感, 但我往往无法感受到它们的区别; 手游中换皮肤, 看剧情的行为也无法使我感受到意义. 正如先天的盲人无法欣赏美术, 如果非游戏性因素无法对某人的体验造成区别, 他自然也就无从谈论 "什么样的非游戏性因素能使体验更好" .
3. 游戏性理论研究的问题
论断可分为定义, 定理, 定律, 准则四类, 它们在游戏性理论中的表现分别如下:
定义: 在游戏性意义下如何定义游戏, 如何定义游戏的等价/同构; 如何给不同的游戏分类; 怎样的分类方法是有利于研究的分类;
定理 (数学) : 给定一套游戏规则, 它会生成怎样的决策空间; 最优策略是什么; 如果无法找到最优策略, 接近它的计算方法有哪些, 效果如何; 对游戏规则作某种改动 (比如添加一张新卡) , 策略空间会怎样变化;
定律 (物理学, 主要包括认知科学, 心理学, 行为学等) : 玩家学习规则的思维过程是怎样的, 学习策略的思维过程是怎样的; 每类玩家的游戏体验来源是什么, 怎样的游戏过程可以提供某种特定的游戏体验;
准则 (非命题) : 什么样的体验是应该追求的体验, 什么样的游戏规则是好游戏;
其中, 第二类与第三类问题 (尤其是第三类) 是这门学科的研究重点. 关于第四类问题, 由于我一向认为没有目的就无法评判关于行为正确的论断, 而目的本身又不可能自证其成, 因此我认为这类问题没有意义----又或者, 你接受唯我论的思考方式, 永远只研究 "我应该追求什么样的游戏体验" , 并以此为唯一的标准. 但这样的课题决定了它无法交流, 即使交流本质上也是在讨论第三类问题.
4. 游戏性理论知识的零散性
正如前文所言, 游戏性理论是功能导向的学科, 这使得它的知识结构注定没有规整的结构. 不同知识同被归入这门学科之内, 并非是因为它们在科学上的亲缘关系近, 而是因为它们都或多或少能回答 "该怎么做出好游戏" 等一干问题. 也正因如此, 在讨论游戏性理论时, 我们需要不时调用来自不同的自然科学或是社会科学的知识, 并以原学科之内或之外的方式运用它. 读者需要尽快适应这种范式.
5. 游戏设计的非平凡 (non-trivial)
如前文所言, 本帖所做的一切讨论, 根本目的都是回答 "什么样的游戏是好游戏" "该怎么做出这样的游戏" 等问题 (只不过只研究游戏性方面) . 但尽管我们有了如此繁多的案例分析与通用理论, 我们依然无法对这些问题给出一个通用的答案, 或是提出一个trivial的构造好游戏的程序.
"什么样的游戏体验是有趣的" 这个问题之所以是非平凡的, 本质上是因为 "什么是让人觉得有趣的" 是非平凡的. 如果我们无法从纯生理学的角度发掘人的思维与情绪的底层机制, 自然也就无从谈起如何预判一个人是否会觉得一件东西/一段行为过程有趣. 当然, 从逻辑上讲, 对后者的洞察仅仅是对前者的洞察的一个充分条件; 但在实际上, 对两者的研究却有着务必紧密的联系. 这或许也解释了为什么无论是在广义的游戏设计, 还是在狭义的游戏性理论中, 新的知识总是层出不穷, 但其适用范围往往都有局限. 渴望寻求某种 "游戏设计大一统理论" 的读者, 也应该意识到自己所面对的这种形势.