一个看起来像天然形成的洞穴,可能在半秒前还根本不存在:没有美术逐块画岩石,也没有关卡设计师亲手摆放每一条通道。计算机只需要从随机数出发,再反复执行几条很简单的规则,就能生成一张像是“长出来”的地图。
这段视频想说明的核心并不是“随机地图背后有一个万能算法”,而是:程序化生成更像一个工具箱。不同算法擅长制造不同的空间感觉,而真正决定结果是否好玩的,是开发者有没有选择与设计目标相匹配的规则。
原视频由 Rogue's Den 发布,标题为 How Do Roguelikes Actually Generate Their Levels?,时长约 7 分 35 秒。视频从真实游戏案例出发,把随机地牢生成拆成几个不同层级的问题:如何生成洞穴、如何保证主路径、如何组合手工房间、如何切分空间,以及如何把程序化生成扩展到整个世界的历史与文明。
核心结论
程序化生成的价值不在于制造尽可能多的数学变化,而在于用合适的规则持续产生值得探索的差异。一个系统能生成一千张彼此不同的地图,并不意味着这一千张地图在玩家体验上真的不同。
一、程序化生成不是一种算法,而是一套工具
视频先从一个常见误解切入:随机世界并不是把地图上的每一个格子都“随便摇出来”。
真正可玩的程序化关卡,通常会把随机性限制在某种结构中。开发者先决定自己想要什么感觉,再选择相应的方法:
| 想要的关卡感觉 | 视频中介绍的方法 | 主要特点 |
|---|---|---|
| 自然、杂乱、像洞穴一样有机 | 元胞自动机 | 从随机噪声逐步演化出平滑洞穴 |
| 像人工设计过的房间与路线 | 手工房间模板 + 路径约束 | 先保证路线可走,再随机组合人工设计内容 |
| 整齐、结构明确的地牢平面 | 二叉空间分割 | 不断切分空间,再在分区内放置房间 |
| 弯曲、不可预测的自然通道 | 随机游走 | 让“挖掘者”随机移动并沿途开路 |
| 生成整个世界、文明与历史 | 多种复杂系统组合 | 随机的不只是地图,还包括社会与历史结构 |
这也意味着,“程序化生成”不是某个隐藏在所有随机地牢背后的统一公式,而是一种设计思想:让规则和随机性共同决定结果。
二、元胞自动机:让随机噪声自己长成洞穴
视频首先介绍的是游戏开发中非常经典的 Cellular Automata,元胞自动机。
它特别适合生成不规则、自然、有机的洞穴。
从完全随机的网格开始
第一步并没有什么神秘之处。
先建立一个由格子组成的地图,然后随机决定每一个格子是墙还是地面。视频给出的示例比例大约是:
- 45% 的格子是墙;
- 55% 的格子是可行走地面。
如果此时直接显示地图,看起来只会像毫无规律的电视雪花噪声:到处都是零碎的小块,既不像洞穴,也很难直接作为关卡使用。
关键在下一步。
每个格子只观察自己的邻居
算法会检查每一个格子周围有多少个邻居属于墙,然后依据一个非常简单的规则决定这个格子下一轮应该是什么状态。
视频画面把当前格子的周围 8 个邻居作为判断范围,并给出这样的规则:
| 当前格子 | 周围墙的数量 | 下一轮状态 |
|---|---|---|
| Wall | >= 4 | 保持 Wall |
| Wall | < 4 | 变成 Floor |
| Floor | >= 5 | 变成 Wall |
| Floor | < 5 | 保持 Floor |
这就是视频所说的经典 “4-5 rule”。画面里墙使用绿色、地面使用偏米黄色显示,因此可以很直观地看到随机噪声是怎样在一轮轮迭代中被平滑掉的。
这里最值得注意的是:算法根本不知道什么叫“洞穴”。
它没有关于岩石、地下空间、隧道或洞室的高级概念。它只是让每个格子不断观察邻居数量,然后按门槛改变状态。
重复几轮,结构开始涌现
如果只运行一次规则,原始噪声不会发生太明显的变化。
但是连续执行四五轮之后,零散的小点会逐渐被消除,大片区域开始连接起来:
- 墙体边缘变得平滑;
- 狭窄空间开始形成通道;
- 大片地面连接成洞室;
- 地图从纯随机噪声变成类似天然洞穴的形态。
也就是说,最终的洞穴不是被直接“画”出来的,而是从一个局部规则反复执行后涌现出来的。
这正是元胞自动机最有意思的地方:一个非常简单的局部判断,可以在整体上产生看起来相当复杂的结构。
改一点参数,地图性格就会改变
这些阈值不是不可改变的。
视频特别指出,如果把原本针对墙和地面的两个门槛改成更加统一的规则,例如都围绕阈值 4 来判断,那么生成结果就可能从一个大型连续洞穴,变成许多较小、彼此分离的空间。
这时候再额外用走廊把这些区域连接起来,就可以得到另一种可玩的洞穴系统。
因此,程序化生成并不是“找到一个公式后永远照着跑”,而是:
- 选择基本规则;
- 调整参数;
- 观察它产生的空间特征;
- 再增加连通性等设计约束;
- 让结果逐渐接近游戏真正需要的体验。
视频以 Brogue 为例,说明这类规则可以用于生成洞穴以及地下湖泊等结构。
三、Spelunky:先保证关卡能走,再进行随机组合
洞穴算法适合制造自然和混乱,但不是每一种游戏都希望地图看起来像天然形成。
如果目标是:
- 房间边界清晰;
- 平台跳跃合理;
- 玩家总能从入口前往出口;
- 每个局部区域都像经过人为设计;
那么单纯从随机噪声中“长”出地图就不一定合适。
视频接下来用 Spelunky 说明另一种完全不同的思路。
先建立房间网格
生成开始时,游戏会先创建一个 4×4 的房间网格。
入口放在上方,出口位于下方某处。
此时最重要的工作不是装饰房间,也不是决定怪物和宝物,而是先解决一个更基础的问题:
玩家到底怎样从入口走到出口?
先生成一条必然可行的主路径
系统会先在这些房间之间建立一条保证连通的路线。视频把这一阶段明确标成 Golden Path Generation,画面中会先确定顶部入口和底部出口,再用一条高亮主路径把它们连接起来。
路线会逐个房间向:
- 左;
- 右;
- 下;
移动,最终把入口和出口连接起来。这个顺序非常关键:在房间内部细节还没有生成之前,系统已经先解决了“这一层能不能完成”的问题。
这样一来,在生成具体房间内容之前,游戏已经知道这一层至少存在一条完整可通行路线。
这和完全随机填地图有本质区别。
随机性没有被允许破坏最核心的游戏条件——关卡必须能完成。
再从人工设计模板中选择房间
主路径确定之后,系统才开始往每一个位置填充真正的房间。
但这些房间也不是算法从零生成的。
游戏会从一大批人工制作的房间模板中选择合适的版本,并根据当前房间需要连接的方向来匹配。
例如,一个房间可能需要:
- 左右都能通;
- 只能向下;
- 同时连接左、右、下;
- 或者承担某种其他结构角色。
模板内部还可以加入一些较小规模的随机变化。
于是,最终关卡同时拥有两种性质:
宏观组合是随机的,微观设计却仍然来自人。
视频用四步图示把这一流程表现得非常清楚:
- 划分 4×4 房间网格并放置入口、出口;
- 生成 Golden Path,先保证主要通路;
- 根据每个房间需要连接的方向,从人工模板库中选择合适模板;
- 再填入旁支房间、障碍、梯子、宝箱以及少量随机变化。
这就是为什么这类关卡通常不会像未经控制的随机噪声。
Spelunky 方法的关键
视频把这种方法概括成一个非常实用的设计原则:先保证路径,再随机装饰。
随机性负责提供重复游玩的变化;人工模板负责确保每个局部空间仍然有明确的设计意图。
四、Enter the Gungeon:随机的是房间组合,不是所有细节
视频随后提到 Enter the Gungeon,指出它采用了相似的基本理念。
游戏中的房间由人工设计,同时允许在房间内部加入一定程度的随机变化。
这些房间还会被归入不同类型,例如:
- 战斗房间;
- 陷阱房间;
- 秘密房间;
- Boss 房间。
程序生成器所做的事情,并不是“发明一个全新的房间”,而是决定:
- 这一局要选择哪些房间;
- 不同类型的房间如何组合;
- 它们最终位于当前楼层的什么位置。
因此,这里的程序化生成更接近一种组合系统。
系统产生的是新的排列、路线和节奏,而具体空间仍然保留大量人工设计。
这揭示了程序化关卡设计中的一个重要思路:
随机性不一定要深入到最底层。
有时把经过验证的人工内容重新组合,反而比完全从零随机生成更容易得到稳定、可读、可玩的结果。
五、二叉空间分割:不断切矩形,得到整齐地牢
第三种主要方法叫作 Binary Space Partitioning,BSP,二叉空间分割。
名字听起来比较复杂,但视频给出的直观解释非常简单。
第一步:从一个大矩形开始
把整个地牢楼层看成一个大矩形。
然后随机选择:
- 横向切一刀;
- 或纵向切一刀。
原来的一个矩形于是变成两个更小的矩形。
第二步:继续递归切分
接下来,对刚刚得到的小矩形继续执行相同操作。
每一个区域还可以再次:
- 横切;
- 或竖切。
不断重复,直到这些分区的大小已经接近一个房间所需要的范围。
最终,大空间会变成一组彼此不重叠的小矩形区域。
第三步:在分区中放置房间
停止切分之后,就可以在每一个最终分区里放置一个房间。
随后再用走廊把相邻房间连接起来。
整个过程可以概括为:
大空间 → 反复切分 → 小分区 → 放置房间 → 连接走廊。
BSP 为什么很适合地牢
视频指出,这种方法天然带来两个很有价值的结果。
第一,房间很容易避免互相重叠。
因为不同房间本来就被安排在不同分区之内。
第二,地图整体会呈现比较规整、容易连接的结构。
开发者不需要先随机撒下一堆房间,再辛苦处理房间碰撞和混乱的连接关系。
从设计感觉来说,BSP 生成的地图通常比元胞自动机洞穴更加规整。
因此,同样是“随机地牢”,底层算法不同,最终给玩家的空间感受也会非常不同。
六、随机游走:让一个挖掘者边走边开路
除了前面三种方法,视频还快速介绍了 Drunkard's Walk,通常可以理解为“醉汉随机游走”。
它的基本思想甚至更加直接。视频画面里,一个黄色光点在黑色网格中不断随机移动;它走过的区域会被逐步“挖开”,于是观众能够直接看到一条有机通道如何从移动轨迹中被雕刻出来。
- 在网格中放置一个“挖掘者”;
- 每一步随机选择移动方向;
- 挖掘者走到哪里,就把哪里的墙挖成地面;
- 重复很多次。
因为每一步方向都带有随机性,所以路线会不断转弯、折返和交叉。
最后就能产生弯曲、不规则的通道。
这种方法再次说明,很多看起来复杂的程序化地形,本质上并不一定需要复杂规则。
真正重要的是:简单规则反复执行之后,会形成怎样的整体结构。
七、当程序化生成扩大到整个世界
前面的方法主要讨论“怎样生成一层地图”,但视频随后把视角拉到了更大的尺度。
程序化生成并不只能决定墙在哪里、房间怎样连接。
它也可以决定:
- 地质结构;
- 文明发展;
- 历史事件;
- 人物传记;
- 阵营关系;
- 长时间尺度上的世界变化。
Dwarf Fortress:世界在玩家进入之前已经拥有历史
视频把 Dwarf Fortress 描述为程序化生成的极端案例之一。
它不仅生成地图,还会模拟地质、文明以及漫长时间中的历史。视频画面展示了 Historical Figures、Legends 一类的历史信息界面,用来强调:玩家真正进入游戏之前,世界就已经拥有一段被系统生成出来的过去。
这里程序化系统所生成的不再只是一个供角色行走的空间,而是一个看起来已经经历过大量事件的世界背景。
换句话说,随机生成的对象从“地图几何形状”变成了“世界状态”。
Caves of Qud:不仅生成地图,也生成历史关系
视频还提到 Caves of Qud。
除了使用包括 Wave Function Collapse 在内的复杂方法生成地图之外,它还会程序化产生世界历史。
视频举出的内容包括:
- 五位古代苏丹;
- 他们之间的冲突;
- 各自的生平;
- 不同派系长期形成的恩怨。
每一次重新开始游戏,这些内容都可以重新建立。视频还展示了 Journal 一类界面,把这些历史内容呈现成玩家可以阅读和追踪的世界信息。
这意味着程序化生成的真正边界并不是“随机地图”。
任何可以被规则描述、组合和演化的系统,都可能进入程序化生成的范围。
八、最大的陷阱:程序化燕麦粥
讲完各种算法之后,视频把重点转向一个比算法本身更重要的问题。
生成得更多,并不等于生成得更好。
视频引用游戏设计师 Kate Compton 提出的一个概念:
Procedural Oatmeal,程序化燕麦粥。
这个比喻的意思是:
你完全可以用数学方法生成一千碗彼此都不完全相同的燕麦粥。
每一碗在数据上都可以证明是“独一无二”的:
- 某些颗粒位置不同;
- 某些纹理不同;
- 某些数值参数不同。
但是对真正吃它的人来说,它们可能还是同一种燕麦粥。
这就是很多程序化系统面临的问题。
数学差异不等于体验差异
假设一个游戏声称自己能生成:
- 数百万张地图;
- 无限种房间组合;
- 永远不会重复的世界。
这些数字本身并不能证明游戏拥有真正丰富的体验。
如果玩家每一局做的事情几乎相同,看到的空间结构也只是小幅变形,那么这些地图虽然在数据上不同,体验上却可能没有明显区别。
所以程序化设计不能只问:
“我能生成多少种结果?”
还应该问:
“这些结果对玩家来说,是否真的产生不同的决策、节奏、风险和探索体验?”
程序化生成的常见误区
把更多随机参数、更多算法和更多组合层叠在一起,并不会自动产生更好的游戏。
系统复杂度只是手段。真正需要评估的是:这些变化是否能被玩家感知,是否会改变玩法,以及是否值得探索。
九、不同算法其实是在控制不同类型的随机性
把整段视频放在一起,可以看到一个非常清晰的规律。
这些方法并不是在争论“哪个算法最好”,而是在回答不同问题。
元胞自动机控制的是局部结构
它通过邻域规则,让局部格子的变化逐渐形成宏观洞穴。
适合追求:
- 自然感;
- 有机轮廓;
- 难以直接看出人工网格的空间。
房间模板控制的是设计质量
Spelunky 和 Enter the Gungeon 的思路,是把随机性限制在已经经过人工验证的内容之间。
适合追求:
- 稳定的可玩性;
- 明确的房间设计;
- 可控的难度和节奏;
- 每局不同但又不像纯噪声的关卡。
BSP 控制的是空间分区
它先确保空间结构清晰,再在结构中加入房间和连接。
适合追求:
- 不重叠的房间;
- 清晰的平面布局;
- 易于连接的地牢结构。
随机游走控制的是路线形状
它不先规划完整房间,而是让路径本身随机生长。
适合产生:
- 弯曲路线;
- 不规则通道;
- 带有自然感的探索路径。
大型世界生成控制的是因果与历史
像 Dwarf Fortress 和 Caves of Qud 这样的系统,把程序化生成从几何空间扩展到了:
- 人物;
- 历史;
- 派系;
- 文明;
- 长期演化。
到了这个层次,生成系统需要处理的已经不仅是“哪里有一堵墙”,还包括“为什么这个世界会变成现在这样”。
十、从算法出发到体验出发
视频最后给出的观点,可以概括成一个非常实用的程序化生成原则:
不要从算法出发,而要从体验出发。
如果开发者想要的是一座看起来像天然形成的洞穴,元胞自动机可能很合适。
如果想让关卡像人工精心设计,同时保持重复游玩的变化,那么手工房间模板与随机组合更合适。
如果需要规整的地牢结构,可以考虑空间分割。
如果想让道路自然蜿蜒,可以使用随机游走。
而如果目标是构建一个拥有社会、文明和历史的世界,那就需要把多个生成系统叠加到更高层次。
但无论使用多少方法,都必须回到同一个问题:
最终产生的变化,对玩家来说是否真的有意义?
这也是“程序化燕麦粥”这个比喻真正提醒开发者的地方。
程序化生成最令人着迷的部分,不是计算机能够在一瞬间制造出多少东西,而是开发者能够用非常少的规则,持续制造出玩家愿意进入、理解和探索的世界。
归根结底,优秀的程序化世界并不是随机性的胜利,而是设计约束与随机性之间的平衡。
十一、为什么“随机”本身不是设计
把视频里几种方法放到一起看,会发现真正重要的并不是随机数出现了多少次,而是随机性被放在系统的哪一层。
元胞自动机把随机性放在最底层的格子状态上,然后用局部规则不断把噪声塑形成洞穴。
Spelunky 则把随机性移到更高层:主路径必须成立,房间本身由人设计,算法主要决定“选哪个房间、放在哪里、怎样连接”。
BSP 又换了一个层级:随机的是空间切分方向和分区结果,但“房间不能重叠”几乎被分区结构天然保证。
Drunkard's Walk 则让随机直接控制路径的下一步移动,从而让路线在局部层面不断偏折。
这说明程序化关卡设计的一个核心问题其实是:
你准备把不确定性放在哪里?
如果随机性深入到最底层,它能制造很强的自然感,但也更容易产生不可控结果;如果随机性只负责重新排列人工模块,那么可控性会更高,但生成空间也会更多受到模板库限制。
所以程序化设计经常是在两个目标之间寻找平衡:
- 让每局足够不同;
- 又让每局仍然像一款被认真设计过的游戏。
十二、Procedural Oatmeal:为什么“一千种结果”可能只有一种体验
视频最后引入的 Procedural Oatmeal,程序化燕麦粥,其实是在提醒开发者不要被组合数量迷惑。
画面用一只碗来做比喻:大量彩色颗粒不断被倒进去。理论上,只要随机种子、颗粒位置、颜色和比例发生变化,就可以制造出成百上千碗数据上互不相同的燕麦粥。
但是从真正吃它的人角度看,这些东西可能仍然没有本质区别。
这就是程序化内容中非常常见的一种错觉:
“唯一”是数据属性,不一定是体验属性。
两张地图可以在坐标上完全不同,却仍然让玩家:
- 做同样的决策;
- 采用同样的路线判断;
- 面对相同的战斗节奏;
- 以相同方式寻找出口;
- 在几乎相同的风险结构里行动。
如果这些关键体验没有改变,那么地图虽然不重复,玩家仍然可能觉得自己“又玩了一遍同样的东西”。
视频最后那个“把算法倒进碗里”的画面意味着什么
在 Procedural Oatmeal 的收尾画面里,多个程序化生成术语像配料一样被倒进碗中,其中包括:
- Perlin Noise;
- L-systems;
- Voronoi Diagram;
- Wave Function Collapse;
- Poisson Disk Sampling;
- 以及其他生成方法。
这个画面不是在否定这些算法。
它是在否定一种思维方式:
只要把更多生成技术叠在一起,游戏就一定会更丰富。
算法越多,只能说明系统内部机制越多;它并不能自动证明玩家获得的选择、惊喜、风险和探索感也随之增加。
程序化生成最容易出现的误判
开发者能够计算“有多少种组合”,但玩家不会直接体验组合数学。玩家体验的是路线、风险、节奏、资源、敌人和决策是否真的发生变化。
十三、从视频案例提炼出的六条设计原则
1. 先决定想要什么空间感觉,再选择算法
想要洞穴,就选择容易产生有机轮廓的规则。
想要整齐地牢,就选择结构化分区。
想要像人工设计的平台关卡,就让人工模板承担局部质量,让算法承担组合。
算法不是目的,结果的空间感觉才是目的。
2. 先保证不能失败的条件
Spelunky 的 Golden Path 是最清楚的例子。
它不是先随机生成完整关卡,再检查玩家能不能到出口;而是先创建一条保证存在的主路径,再围绕主路径加入变化。
这代表一种很稳健的程序化设计方式:
先锁定必须成立的条件,再在剩余空间里随机。
3. 程序化生成不等于“机器代替设计师”
Spelunky 和 Enter the Gungeon 都证明,人工设计与程序生成并不冲突。
人可以负责:
- 房间质量;
- 战斗节奏;
- 平台距离;
- 局部构图;
- 有意义的障碍与奖励。
算法则可以负责:
- 选择;
- 排列;
- 连接;
- 重组;
- 每局重新分配。
于是,程序化生成的作用不是消灭人工内容,而是让有限的人工内容获得更大的组合空间。
4. 简单规则可以通过重复产生复杂结构
元胞自动机与 Drunkard's Walk 都在说明同一个现象。
单看每一步,它们都非常简单:
- 数邻居;
- 判断阈值;
- 随机走一步;
- 挖开一个格子。
但这些操作一旦重复几十次、几百次,前一步结果又持续影响下一步,最终就会形成远比单条规则复杂的整体形态。
这种由简单局部规则产生复杂全局结构的现象,是程序化生成最迷人的部分之一。
5. 生成流程可以包含后处理,而不是“一次完成”
视频在元胞自动机参数变化中提到:如果产生了多个分离洞室,可以再使用走廊把它们连接。
这意味着一个完整生成器往往不是单个算法,而是一条流水线:
- 随机初始化;
- 结构生成;
- 平滑或演化;
- 检查连通性;
- 修正不合格区域;
- 建立连接;
- 添加细节。
因此,“某游戏使用什么生成算法”有时本身就是一个过度简化的问题。
真实系统往往是多阶段组合。
6. 优化的是体验空间,不是结果数量
一个生成器最值得关心的指标,不应该只是“理论上能生成多少张地图”。
更重要的问题是:
- 不同结果会不会迫使玩家改变路线?
- 风险结构会不会不同?
- 资源位置会不会改变策略?
- 房间组合会不会改变节奏?
- 探索时会不会出现新的判断?
- 玩家是否真的愿意再开一局?
如果答案都是否定的,那么数百万种地图也可能只是数百万碗燕麦粥。
十四、原视频时间轴与内容索引
原视频公开章节与画面内容可以整理如下:
| 时间 | 内容 |
|---|---|
00:00 | 开场:随机数、Seed 与真实地形生成 |
00:44 | Cellular Automata,元胞自动机 |
01:01 左右 | 45% Wall / 55% Floor 的随机初始网格 |
01:24 左右 | 多轮迭代,从噪声平滑为洞穴 |
01:51 左右 | 4-5 Rule 与阈值变化 |
02:28 左右 | Brogue 洞穴与地下区域示例 |
02:41 | 转向“像人工设计”的关卡 |
03:04 左右 | Spelunky 4×4 网格与 Golden Path |
03:33 左右 | 手工模板与局部随机变化 |
03:52 左右 | Enter the Gungeon 房间组合 |
04:17 | Binary Space Partitioning,BSP |
05:07 | Drunkard's Walk 与更多案例 |
05:32 左右 | Dwarf Fortress 的世界与历史生成 |
05:46 左右 | Caves of Qud、Wave Function Collapse 与程序历史 |
06:05 | 进入 Procedural Oatmeal 主题 |
06:29 左右 | 燕麦粥动画比喻 |
06:52 左右 | 多种算法名称作为“配料”落入碗中 |
07:04 | 总结与片尾 |
十五、结论:优秀的程序化世界不是“随机得更多”
视频从一个半秒内出现的洞穴开始,最后却把问题落在一个非常朴素的设计判断上:
这个世界值得探索吗?
元胞自动机、Golden Path、房间模板、BSP、Drunkard's Walk、Wave Function Collapse,以及更宏大的世界历史模拟,都只是不同层级的工具。
它们真正有价值的前提,是开发者清楚知道:
- 哪些东西可以随机;
- 哪些东西必须受到约束;
- 哪些局部应该由人亲手设计;
- 哪些变化会影响玩家决策;
- 哪些变化只是数据不同,却没有体验意义。
因此,优秀的程序化世界并不是随机性的胜利。
它更像是三件事之间的平衡:
随机性提供变化,规则塑造结构,设计目标决定哪些变化值得被保留。
当这三者配合得足够好时,玩家看到的不再是一堆随机数字,而是一个似乎拥有自身逻辑、每次进入又略有不同的世界。
