温馨提示，本文共10325字，预计阅读时间26分钟~
一、复杂系统简介
首先，复杂系统是什么？
复杂系统有很多定义，比较简洁的定义是：由大量相对简单的自组织个体构成，个体之间通过简单的规则交互，却能涌现出复杂宏观行为和现象的系统。
蚁群，大脑，经济系统，免疫系统，生态系统，互联网，元胞自动机，人类社会等等，都是复杂系统。
这里的复杂系统定义有两个关键词，自组织（self-organizing）和涌现（emergent）。
“自组织”是指系统内部或外部没有一个指挥者，告诉个体该怎么做，而是个体自身通过规则控制自身。
“涌现”，就是指系统组成部分间简单的互相交互，却在宏观层面产生了新的特性或行为，这些新特征或行为称为“涌现”。这是非线性系统的特征，即1+1>2，另一种说法就是整体大于部分之和。
复杂系统研究是一个跨学科的科学研究，涵盖了许许多多分支，下图是复杂系统科学的分布图，来源网站https://www.art-sciencefactory.com/complexity-map_feb09.html：
对复杂系统研究的重视比较晚，目前也处于探索之中，没有公认的定义，统一理论或一般性原理。对不同复杂系统的共性探索一直是重中之重，不同领域的科学家提出了自己的理论，但还未完全达成共识。（这也导致一些民科瞄准了这个领域，也让一些科学家质疑复杂系统研究的前景）。
而对于我来说，在很早就和复杂系统结下了不解之缘。最初可能要追溯到中二时期对各种花里胡哨“大问题”的思考，复杂系统的一些现象深深让我着迷，引发了我许多的思考。
1生命是如何从无生命体中产生的？
2简单的神经元之间的交互如何涌现出智慧？
3自由意志是否存在？
4宇宙在宏观上是否是决定论的？
等等等等。
后来上大学学计算机，对智能的产生尤为好奇，于是就选的人工智能方向，大学毕设又做的是遗传算法和游戏结合。后来工作了，也自己做过一个增量式元胞自动机玩。如今，作为技术出身的游戏设计师，我在上一个游戏中实现了GOAP和行为树结合的AI，令整个NPC的行为组成一个复杂系统，最近的游戏《流浪方舟》则是利用了物理系统作为复杂系统，为我们产生有利的涌现。
总而言之，复杂系统为我在游戏开发领域，不论是技术还是设计，提供了很多不同的思考角度，是一个非常有用的工具。
因此，本篇文章的主题，就是结合我的一些实践和思考，给大家简单分享一些关于复杂系统和游戏相关的二三事。
二、混沌的发端，动力学与预测
人们讨厌宿命论，却总想着预测未来。
——我说的
首先我们简单介绍一下动力学。
动力学始于亚里士多德朴素但错误的运动理论，后来伽利略，哥白尼，开普勒以实验观察推翻亚里士多德流行了1500年的理论，再到牛顿横空出世，发明了微积分，正式创建了经典力学。提出了著名的牛顿三定律：
1．在任何情况下，一切物体在不受外力作用时，总保持静止或匀速直线运动状态。
2．物体的加速度与物体的质量成反比。
3．两个物体之间的作用力和反作用力，在同一条直线上，大小相等，方向相反。
在牛顿进一步提出万有引力定律后，在当时，牛顿力学完美地解释了一切物体的运动，其适用于任何大小的物体，不论是落下的苹果，还是燃烧的太阳。理论上，人们若是知道一个物体的初始位置和速度，就可以计算出后续的运动，自然就有聪明的小朋友想到：若是知道宇宙中某一刻所有粒子的当前状态，那是否就可以预知后面任何时刻的宇宙状态。
上述精确预测的假说就是著名的“拉普拉斯妖”，数学家拉普拉斯在1814年说：
“我们可以把宇宙现在的状态视为其过去的果以及未来的因。如果一个智者能知道某一刻所有自然运动的力和所有自然构成的物件的位置，假如他也能够对这些数据进行分析，那宇宙里最大的物体到最小的粒子的运动都会包含在一条简单公式中。对于这智者来说没有事物会是含糊的，而未来只会像过去般出现在他面前。”
如今，我们有强大的计算机，无需一个多智近妖的智者，也许未来有了足够强大的计算机就能做这个工作。如果真是如此，岂不是宇宙中的一切都已经注定，像一个上完发条的钟表，遵循三定律一直循规蹈矩地走下去，这是一个多么绝望的“决定论宇宙”啊。
还好1927年，海森堡（Werner Heisenberg）提出了量子力学中的“测不准原理”，证明不可能在准确测量粒子位置的同时，又准确测量其动量。如此，在微观世界的准确预测梦破碎，也慰藉了我们这些不愿相信宿命的人。
热力学
在此不展开介绍热力学了，直接说说热力学两大定律：
第一定律：能量守恒。宇宙中的总能量守恒。能量可以从一种形式转化成另一种形式，但是能量既不能被创生也不能被消灭。
第二定律：熵总是不断增加直至最大。系统总的熵会不断增加，直至可能的最大值；除非通过外部做功，否则它自身永远也不会减少。
统计力学与预测
海森堡测不准原理只针对微观情况，而玻尔兹曼（Ludwig Boltzmann）创建的统计力学告诉我们，即使无法计算微观尺度的每个分子的运动，也可以用统计学的方式预测大量分子整体上的平均位置和速度，当粒子数量足够多时，他的方法“几乎总是对的”。统计力学是链接热力学和经典力学的桥梁，气压，热力学第二定律都能很好的用统计力学来解释。那么即使微观尺度上无法预测，宏观尺度上，是否可以通过统计学方式来预测系统的整体变化呢？
答案是不行， 下面就是大名鼎鼎的混沌系统出场的时候了。
三、混沌系统
有时初始条件的微小差异，将造成最终现象的极大改变。前者的小误差，会造成后者极大的错误。预测将成为不可能的事，我们面对的是偶发现象
——庞加莱，《科学与方法》，1908年
1959年，42岁的数学和气象学家爱德华·罗伦兹（Edward Lorenz，1917—2008）在尝试用一个原始的计算机来预测天气，结果发现输入参数时微小的差异会造成两次结果完全不一样，即使两次预测计算机每一步的计算方法都一样。
后来，罗伦兹在一场学术会议上发表了论文来探讨这种对初始条件十分敏感的天气系统，论文题目叫——《巴西的一只蝴蝶舞动翅膀，可以引发得州的龙卷风吗？（Does the Flap of a Butterfly’s Wings in Brazil Set off a Tornado in Texas?）》，这就是著名的“蝴蝶效应”（The Butterfly Effect）。
天气系统就是一个典型的混沌系统，这里可能有点反直觉，为什么有些系统对初始条件就这么敏感？答案在于混沌的“非线性”和“自我引用”特性。
下面介绍一个经典的可以体现混沌本质的数学抽象——逻辑斯蒂映射（logistic map），它非常简单，其特性又非常令人震撼和着迷，我第一次读到时有种醍醐灌顶的感觉哈哈。这里主要引用梅拉妮·米歇尔的著作《复杂》的逻辑斯蒂映射一章，非常推荐大家读读这本复杂系统的科普读物。
这是逻辑斯蒂映射的方程：
Xt是当前值，Xt+1是下一步的值。R是一个参数，我们可以自己调，先不管。我们要做的很简单，定一个R，然后以一个介于0-1之间的X0开始，代入这个公式，得到X1，然后把X1代入公式，以此类推不停得到新的值即可。这就是一个非常简单的“非线性”的方程。
让我们试试R=2时会怎么样，我们会发现有意思的事情，就是不管X0输入的是什么值，最终Xt都会停留在0.5这个值，这个0.5正是所谓的不动点（fixed point）：到达这一点所花的时间依赖于出发点，但是一旦到达就会保持不动。当R=2.5时，你同样会发现系统到达一个不动点，不过这次不动点是0.6。
而当R=3.1时有趣的事情开始开始发生：
不管X0输入的是什么值，最终Xt都会在两个值（0.5580141和0.7645665）之间振荡。如果将前者代入方程，就会得到后者，反过来也是一样，因此振荡会一直持续下去。这种最终的变化位置（无论是不动点还是振荡）被称为“吸引子”，因为任何初始位置最终都会“被吸引到其中”。
往上一直到R等于大约3.4，逻辑斯蒂映射都会有类似的变化：在迭代一些步骤后，系统会在两个不同的值之间周期振荡（最终的振荡点由R决定）。因为是在两个值之间振荡，系统的周期为2。
但是如果R介于3.4和3.5之间，情况又突然变了。不管x0取何值，系统最终都会形成在四个值之间的周期振荡，而不是两个。例如，如果R=3.49，x0=0.2，x的值很快就开始在四个不同的值之间周期振荡（它们分别大约是0.872，0.389，0.829和0.494）。也就是说，在3.4和3.5之间的某个R值，最终的振荡周期突然从2增到4。最终的结果就像下图那样。
接着，更有趣的事情来了，在3.54和3.55之间的某个R值，周期再次突然倍增，一下跃升到8。在3.564和3.565之间的某个值周期跃升到16。在3.5687和3.5688之间周期又跃升到32。周期一次又一次倍增，前后R的间隔也越来越小，很快，在R大约等于3.569946时，周期已趋向于无穷。当R等于大约3.569946时，x的值不再进入振荡，它们会变成混沌。下面解释一下。将x0，x1，x2……的值组成的序列称为x的轨道。在产生混沌的R值，让两条轨道从非常接近的x0值出发，结果不会收敛到同一个不动点或周期振荡，相反它们会逐渐发散开。在R=3.569946时，发散还很慢，但如果将R设为4.0，我们就会发现轨道极为敏感地依赖于x0。我们先将x0设为0.2，对逻辑斯蒂映射进行迭代，得到一条轨道。然后细微地变动一下x0，让x0=0.2000000001，再对逻辑斯蒂映射进行迭代，得到第二条轨道。图2.14中的实心圆圈连成的实线就是第一条轨道，空心圆圈连成的虚线则是第二条轨道。
这两条轨道开始的时候很接近，但是到后面，两条轨道开始分开，并且毫不相关。这就是“对初始条件的敏感依赖性”的由来。
这就是混沌最简单的表现方式之一，只要一个公式，就能告诉我们，如此简单的逻辑斯蒂映射，并且完全是确定性的：每个xt值都有且仅有一个映射值xt+1。然而得到的混沌轨道看上去却非常随机。此外，对于产生混沌的R值，如果初始条件x0有任何的不确定性，对一定时间之后的轨道就无法再预测了。
所以，如果对于一个实际的混沌系统，即使它简单到只有一个粒子，它的初始状态中若有个参数是无理数（绝大多数数字其实是无理数，有理数只是少数），例如大家最熟悉的π，那我们就要建造一台可以输入无限位数小数的机器，否则无论我们精确到小数点后多少位，那一位后面的误差就会导致一定时间后，整个混沌系统都无法预测。这就是“失之毫厘，谬以千里”。
至此，不论从宏观上还是微观上，预测未来都不可能。
四、混沌系统和游戏
这里，提一个我们游戏《流浪方舟》中遇到的混沌效应。我们游戏是双方玩家各控制五个球体英雄，互相碰撞进行战斗，并且有PVP的玩法，其碰撞和反弹都是模拟真实的物理。而在不同的手机上，我们遇到了两个玩家不同步的问题。原因就是不同机器上的浮点数运算有微小的差异（真的非常微小），而我们游戏的机制，其实就已经组成了一个典型的N体系统（没错，N等于三就是大名鼎鼎的三体系统）。于是，某个回合微小的差异，会在几回合后使得双方的棋盘完全不一样，直接变成各打各的了。后来，我们只能是放弃Unity自带的物理系统，自己重新实现了一个定点数精确物理系统，非常惨烈。
所以，游戏利用了复杂系统，就要承受复杂系统可能带来的问题。
当然反过来说，我们也利用了复杂系统的涌现现象。对于游戏来说，涌现本身不是目的，而是涌现能为游戏带来什么，首先，涌现能为游戏带来意料之外的体验，该部分的体验是玩家不可控的。若开发者能在这部分进行部分控制，则可以进行更多发挥。当然意料之外的体验也是新体验，涌现本身创造了新的体验。同时，涌现的妙处在于并不是所有过程都是不可预测的，往往有一小部分是可以预测的，这会带来一定适应性，可以适应不同水平或者意愿的玩家。但是复杂系统的的突变也会带来一个相变的临界点，这个临界点又可以保证不同玩家对涌现的掌控不会相差太多。举例我们游戏的物理碰撞系统，复杂度来自多体运动，玩家无法预测N次碰撞后的情况，但是大多数玩家是可以预测1次碰撞后的结果，这就是初始可预测部分，这部分会进入玩家的策略考量中，而对于一些更具策略的玩家，首次碰撞反弹后的第二次碰撞，也能预测部分，这就是适应性，但是当反弹三次或以上，基本没有玩家可以预料局面，这就可以类比为混沌相变的临界点，用以把控不同玩家的策略差距，甚至理论上，即使有个类似深蓝的超级计算机来算，也无法完全把控N变大后的情况。
而实际混沌系统还可以用来生成伪随机数。
混沌系统只是复杂系统的一个分支，但确实是一个理解复杂系统的敲门砖，大概了解了复杂系统是什么之后，我们来看看游戏与其更深的关系。
首先很多游戏本身就是一个复杂系统，或者某个模块是一个复杂系统。然后，游戏有一个度量——“复杂度”，这是和“可玩性”，“上手难度”等等经常并列出现的一个游戏设计度量名词。他们互相关联，而且都难以定义，难以量化。虽然复杂度并不等于可玩性，但是在我们这次讨论中，复杂度的讨论相比于可玩性的讨论，更加具有可操作性，或许能为我们剖析自己游戏时，提供一些额外的视角。
五、度量“复杂”
首先我们来看看科学家们是怎么是度量复杂系统的“复杂”程度的。
最简单的度量就是规模大小，但是很显然是不对的，毕竟单细胞变形虫的碱基对数量是人类的225倍。
另一种直接的复杂性度量就是香农熵，香农熵定义为信息源相对于信息接收者的平均信息量或“惊奇度”。也就是说若信息高度有序，例如“A A A A A A A……A”，则熵为零。完全随机的序列则有最大可能熵。这种度量明显也是不够的，完全随机的序列对信息接受者来说也没有意义。所以最复杂的对象既不是最有序的，也不是最随机的，而是介于两者之间。
第三种度量方式是由柯尔莫哥洛夫（Andrey Kolmogorov）、查汀（Gregory Chaitin）和索罗蒙洛夫（Ray Solomonoff）分别独立提出，他们将事物的复杂性定义为能够产生对事物完整描述的最短计算机程序的长度。这被称为事物的算法信息量。对于学计算机的小伙伴应该很好理解，也就是表达一个东西需要多少代码。
例如一个游戏A最少可以用10行代码写出来，另一个游戏B却要用100行代码，那按算法信息量，游戏B就比游戏A复杂。这个乍看合理，其实也有局限，100行代码一定比10行复杂吗，代码本身的复杂度是简单的线性吗。本质上这是把系统的复杂度抽象转移到了代码上面，并没有完全解决问题，只是把系统的复杂度问题变成了代码的复杂度问题。
第四种度量方式是物理学家克鲁奇菲尔德和卡尔·杨（Karl Young）定义的一个称为统计复杂性（statistical complexity）的量，度量用来预测系统将来的统计行为所需的系统过去行为的最小信息量。统计复杂性与香农熵相关，定义中系统被视为“消息源”，其行为以某种方式量化为离散的“消息”。对统计行为的预测需要观测系统产生的信息，然后根据信息构造系统的模型，从而让模型的行为在统计上与系统本身的行为一致。
例如，序列ACACACACAC的信息源模型可以很简单：“重复A C”；因此其统计复杂性很低。然而，与熵或算法信息量不同，对于产生序列ACGTGGTAGC的信息源也可以有很简单的模型：“随机选择A、C、G或T。”这是因为统计复杂性模型允许包含随机选择。统计复杂性的度量值是预测系统行为的最简单模型的信息量。因此，对于高度有序和随机的系统，统计复杂性的值都很低，介于两者之间的系统则具有高复杂性。
第四种度量方式不止符合直观，还有值得我们思考的是，它并不完全度量系统本身，还通过对系统演变的预测来度量系统本身的复杂度。
还有很多度量复杂性的方法，不一一赘述。各种度量都有一定可行性，但都存在的局限性，还远不能有效刻画实际系统的复杂性。度量的多样性也表明复杂性思想具有许多维度，也许无法通过单一的度量尺度来刻画。
而对于大多数系统例如游戏，并不是一成不变的，而是不断更新迭代，对未来可能性预测来反推当前的复杂度是一个有趣的方向。
六、复杂系统和游戏有效信息度
首先很多游戏本身就是一个复杂系统，或者某个模块是一个复杂系统。而我觉得复杂系统和游戏非常相关的一个思考就是如何定义“复杂”程度，游戏设计中有一个非常常见但是很难下定论的讨论，就是游戏的复杂度和深度以及可玩性之间的关系。
如何定义一个游戏是否好玩，有多好玩？这简直是游戏设计一切问题的根源。然而又是最难回答的。“好玩”这个词就很笼统，包含太多东西，又是有很多主观因素在里面。
对于这个问题，大家讨论已久，有用留存来衡量的，有用好评率来衡量的，甚至也可以用最终收益来衡量。而这些方法都很有用，甚至很客观。但它们都是后验的，以结果来评判的，它们都不是从游戏设计本身出发，而是经过玩家“处理”后得出的“现象”。例如次留，实际体现的是玩家在下一天是否愿意重新上线，跟题材，可玩性，节奏设计，活动吸引等等都有关系，无法单一的作为可玩性的指标。
在此我们暂时不多讨论其他不具有普适性的定义，在学习复杂系统的过程中，对于这个问题我产生了一个想法，同样以“信息”作为关键来度量游戏，我称之为“游戏有效信息度”，游戏状态有个本质的抽象就是玩家接受信息，与游戏互动，影响游戏，游戏反馈信息的这样一个循环。这里有两个关键要素，信息和交互，交互本身当然和可玩性息息相关，但是我们这次先聚焦于信息这个要素，以期从一个不同的视角来量化评判一个游戏的维度。
而“游戏有效信息度”就是指整个游戏系统所提供的内容，通过一定规则展现后，对于玩家预期来说，具有意义的信息量。这个信息量越大，我们可以认为游戏内容越丰富，游玩价值和可玩性往往更高（不一定）。
举例，现在我们做了一个线性关卡的游戏A，每一关击败一个不同的敌人，即可去下一关，直到通关，关卡于关卡之间并没有直接的联系。
假设我们制作了一系列的关卡内容，例如10关，我们预期这些关卡玩家会游玩一次，通关后不再想玩，我们先假定，这个游戏的有效信息度为10。
以此为前提，有几个有趣的问题：
问题1
这时候，加入一个设定，通关后所有关卡会打乱，假设我们预期玩家会因为这个设定再通关一次，耗费了玩家双倍的时间。
那这个游戏的有效信息度会变成20吗？
如果不是，那是更偏向10还是偏向20？
问题1探讨
不是20，重点就是有效信息度不等于游玩时长，而是玩家对内容的感知，能接受到的有意义的信息量，而关卡若只是打乱随机，对于玩家游玩来说，关卡信息并没有变化，换句话来说没有新的信息给到玩家，也就没有新的体验。所以问题1的游戏有效信息度应该是接近并略大于10的一个值。注意，我们在此并不关心有效信息度的绝对精准值（也无法做到完全精准），我们只需要尽量定量，并且通过对比分析等方式逼近实际值即可。这个问题也呼应了复杂系统复杂度的度量，纯随机和纯秩序，复杂度都很低。
问题2
在问题1 的讨论我们已经知道，游玩时长和次数是结果，并不等于有效信息度。在这个基础上，所有关卡打乱后，让玩家可以一直重复游玩，那游玩价值又有什么变化？
问题2探讨
本质上消耗的是顺序不同带来的体验价值
和前面的信息呼应，纯随机和纯秩序都是信息量较低的状态，也就是游玩价值不会很高
同时，讨论线性和非线性系统也有额外的意义，若关卡间的关联小，则先A后B还是先B后A并没有本质区别，而若关卡间是非线性地互相影响，则顺序本身就被赋予了意义，或者说被赋予了额外信息和复杂度，则可能产生更多的有效信息度。
问题3
在原方案基础上，多做了1关，并且设定为通关一次后，再次通关才可以玩到这个额外的关卡。
假设每个玩家都因为这个设定，重新通关一次，那此时这个游戏的有效信息度大约是多少？
和直接放出11关给玩家的区别是什么？
问题3探讨
和问题1的探讨类似，也许这个游戏的游玩时长的度量接近翻倍，但有效信息度只是接近11左右，这意味着，玩家在近翻倍的体验时间中，体验的质量其实是有所下降。其实和直接放出11关给玩家没有本质的区别。那么为什么还有很多游戏会使用这个技巧来延长游玩时间呢？其实是来源于除了上述游戏机制本身之外带来的可重玩性，类似问题2讨论的非线性关卡，这些额外的因素，使得游戏的有效信息度在其他维度得到了提升，所以不属于问题3的讨论范畴。这个例子想要说明的是，有效信息度的分析一定要客观剥离其他因素，否则将失去参考价值。
问题4
还是这个线性关卡的游戏，什么都没变，但是给与一个额外目标，通关时间，然后允许玩家重玩，游戏有效信息度又如何？
问题4探讨
这个问题，理论上有效信息度相对于原方案并没有太大变化，但是我们直观会认为，相比原方案，该方案更具可玩性。这个问题想要说明的是，技巧挑战等内在驱动力，会为相近有效信息度的游戏，带来较为不同的可玩程度。这也是证明游戏有效信息度并不完全等于可玩性的例子。
经过上面几个问题，大家应该可以理解游戏有效信息度的意义，它虽然不等于可玩性，但是是对一定时间内，玩家体验的丰富有效程度的一个度量。它尤其能帮助我们思考时摒弃无效游玩时长的陷阱，并在一定程度上帮助我们对比衡量游戏设计优劣。
七、有效信息度与游戏设计
有效信息度如何切实帮助设计？我们应该如何看待，操作游戏中的信息？
玩家游玩游戏的过程可以视作一个接受信息，处理信息，获得信息反馈的过程。设计师提供一系列的信息给与玩家处理，玩家在处理这些信息的时候，通过自身的操作和策略等，收获不同的反馈。对于一个玩法，持续有节奏地给与玩家适量的，有意义的新信息让玩家舒服地处理，则从信息角度来说是一个好的玩法。
游戏的信息不是全部一次性释放给玩家的，一个游戏的信息有很多种维度，例如规则信息，游戏世界环境的信息，关卡以及挑战的信息，反馈及收获的信息等等。玩家的目标挑战反馈循环中，每个环节都在不停释放新的信息。而新的信息的意义是什么？是产生新的变化。
但是，如前文所说，一份新的信息，产生的变化往往不是一份新的游玩体验，而我们的目标，就是让一份信息，产生十份变化，最终转化成两份可玩性。
有限的内容下，如何规划这些信息将是关键。直接说几种方法：
1、规则辅助对手产生新信息
拿棋类游戏-象棋举例，象棋所有规则信息，是不多的。而战场环境信息（当前棋盘情况）是千变万化的，我们很容易得知道，象棋不是靠规则信息的逐步释放来产生变化，同时象棋又不带任何随机性，所以是个很好的例子，帮我们聚焦到这一方式——规则辅助人产生信息。
人人间动态的博弈，带来持续可玩性，不是什么神秘的事情，但在信息角度，其实是有要求的，人产生有意义的内容，需要规则进行引导，什么叫引导？例如象棋里对所有棋子移动方式的限制，就是一种引导，这些限制使得玩家能够部分预料下一步对方会如何行动，从而结合场面，最终给与当前回合玩家，一个正在不停变化但又有决策参考意义的信息，这个信息将会结合对方玩家的行棋风格，水平等因素，产生多局之间的变化。
一个好的机制或者说规则，告诉玩家能做什么是基本，更重要的是约束玩家不能做什么，将无限的选择空间压缩到合理范围且不策略收敛，并且让对手每个选择反馈出新的信息，例如，单步中没有明显的最优解，那是防守还是激进换子，其实暗藏对手风格信息，这个信息，是基于规则但超越规则的额外信息收益。
2、辅助玩家自身产生新信息
我们可以把游戏抽象成目标挑战反馈三者循环，整体游戏由无数个大小循环嵌套组成。从信息角度我们可以有新的视角看待这个循环，每个部分都能通过设计辅助玩家产生新的有效信息。
对于目标，往往是最明确简单的信息，对于单个循环一般不会刻意藏匿目标的信息，因为对于设计来说，单个循环目标越明确越清晰越好。但整体上，目标可以有多个，可以逐步释放，可以引导玩家自身赋予目标，有非常大的操作空间，目标往往是一切的起点，会成倍放大其他信息的效果。
最好的方式，就是刺激玩家自己赋予自己目标，例如沙盒游戏，通过包装世界观等信息，让玩家想要爬上那个跟任务无关的山顶，想要拯救某个无关紧要的村民。设计师提供的信息作为外因驱动作为引导，玩家自发产生的目标作为强大的内因驱动。
对于挑战，分为挑战本身和玩家克服挑战的过程，例如策略和操作。对于这部分信息的自发产生，来自挑战本身需要提供足够高的适应性，使得玩家自身情况的不同，能在挑战和克服挑战的过程中体现出来。同时要足够敏感，玩家细微的变化，最好都要所体现。
举个例子，完成挑战的方式有多种倾向，玩家根据自身喜好，能力，选择其中一个方式进行挑战，此时，玩家所有的操作和策略，将会产生基于自身的独一无二的信息。
对于反馈，这里重点不在给与玩家的反馈，而在于完成挑战后给与系统的反馈，重点在于前后不同挑战间的关联变化，也就是说，需要配合上述挑战部分，玩家做出的细微区别，反馈需要让系统对接下来的挑战产生足够影响，就会产生指数增加的变化。如此配合，也是涌现的一种设计方式。（具体下篇细说）
3、促进多人之间产生互动
和第一点本质一样，稍有区别，留作思考题吧哈哈，分析麻将和双人棋类间的区别即可。
4、逐步释放和重组信息
玩家自发发现信息，而不是设计师塞给玩家，发现的过程本身是一种有意义的获得行为，会丰满整个游戏。这是一种较好的逐步释放信息方法。
巧妙地重组信息，来重用信息。
这点比较好理解，就不赘述了。
八、总结
本篇分享简单介绍了一下复杂系统以及和游戏的一些关联，由复杂系统启发，提出了一个游戏度量方面的不成熟想法，抛砖引玉，欢迎大家交流斧正。
篇幅有限，分上下篇，下篇会聊聊怎么设计一个游戏中的复杂系统，需要注意什么。敬请期待~
参考书目：
《深奥的简洁》——约翰·格里宾
《复杂》——梅拉妮·米歇尔
