在前两章中，书中重点解释了游戏可玩性是如何从游戏机制中产生的，同时说明了突现型游戏的机制具有一种特定结构，在这种结构下，用一些较为简单的规则就可以产生出多种多样的可玩性。一般来说，这也意味着突现型游戏有很高的重玩价值。而在本章中，则会更详细地探讨突现、游戏机制的结构和游戏可玩性这三者的关系。

可玩性（gameplay）这个词被定义为游戏给予玩家的各种挑战，以及玩家在游戏中所能执行的行动。多数行为/功能能够帮助玩家克服挑战并且由游戏机制所控制，但也有一些行为（例如更换赛车的颜色或与其他玩家聊天）与挑战无关。

当然，如果要把游戏设计成每个挑战只能通过一种独一无二的活动来解决是完全可能的，比如各类文字游戏。举个笔者自己的例子，在今年的CGJ上做出来的恶搞解谜小游戏就是一种关卡与关卡之间机制、交互完全独立的设计：

不过大部分游戏应当都有一个或多个核心的机制与玩法来构建gameplay本身， 比如俄罗斯方块、三消游戏等，虽然可以通过程序实现不同色块的生成和掉落规则以保持游戏本身的有趣性与平衡性，但是这种基于玩家动作产生的随机结果依旧是不可预测的， 这种结合的方式每次都不同，并且玩家对他们所面对的挑战具有一定的控制力。这个游戏可产生的挑战变化是无穷无尽的，但玩家只需用很少的几种操作就足以应付它们。

这句话是Steven Poole 在《Trigger Happy》（2000）一书中提出的观点：游戏的一致性比写实性更重要。Poole认为，玩游戏是一种玩家让自己沉浸在游戏机制构筑的模拟世界中的活动。玩家并不希望游戏机制分毫不差地模拟现实。例如，一个完全写实的、要求玩家必须花费长达数年时间练习，才能掌握足够技巧从而上场比赛的F1赛车游戏，对于大多数玩家来说根本不会有趣。 学习成本远高于获得快感的成本，这类更像是模拟器的游戏比如Xplane、truck simulator等游戏应当划分在Serious Game的领域中，即一种出于学习目的的，有实际应用意义的游戏类型。

此类游戏的第一目的是“拟真”、“学习”而非游戏性本身。

回到突现性游戏本身，之前说到突现型游戏有很高的重玩价值，是因为玩家每次玩游戏时遇到的挑战和可能作出的对应行为都不相同。游戏的每一段时期都是玩家与游戏的交互与影响而产生独一无二的结果。然而，仅仅通过观察规则很难预测出某个游戏是否会生发出有趣的可玩性。我们在上一章中讨论井字棋和屏风式四子棋时已经说明过，创造突现型因素并非靠规则的堆砌。规则的复杂度和游戏所表现出来的复杂度不是线性关系而是一种爆炸式的指数关系（当然也取决于规则本身之间的相互影响程度），并且规则越多并不意味着游戏越有趣。事实上，如果将规则的数量减少，有时更容易创造出一个能产生真正有趣和突现型的可玩性的系统。

许多游戏的复杂系统（表现为极多个简单机制的糅合构成的复杂系统，如《文明》系列）的行为与表现是会受到“混沌”和“秩序”的影响的，放在今天更为通俗的说法就是随机性与玩家可控性的权衡，比如在诸多有季节更替和天气的游戏中，既有可以表现为“混沌”的天气系统，也有表现为“秩序”的季节变化。（在《GTA5》中，每年游戏在圣诞节时候就会把天气变为雪天，而其他时候大部分天气都是随机的，当然现在雪天也已经加入了随机天气全家桶中。）

而在秩序和混沌这两极之间，还有两个阶段：周期性系统和突现性系统。

此处我们仍旧以天气变化为例：

周期性系统在运行过程中会以一个连续且易于预测的次序经历若干个区分明确的阶段。在较大的规模上，天气系统和季节交替现象就是以这种方式运行。你在地球上的位置决定了你每年会经历哪几个季节。在一些地区，季节轮转的节奏非常精确，每个季节在一年中到来的日期几乎是固定的。尽管气温会产生季节性变化，季节开始的日期每年也有所差异，但天气系统大体上是平衡的，并以固定的循环一遍又一遍地轮回。

与周期性系统相比，突现性系统的有序程度较低而混沌程度较高。突现性系统的行为模式通常比较稳定，但也可能会毫无征兆地突然从一个模式转变到另一个模式。天气系统就是一个好例子。虽然某一特定地域的季节循环是遵循着一个大体规律的，但要预测某一年的天气情况仍然很困难。由于气压、海水温度和大气温度之间有着复杂的相互作用，要准确预测下一次出现霜冻的日期或整个冬天的降雪量几乎是不可能的。

大部分的渐进型游戏都以有序性系统为主，设计师可以通过玩家在游戏的各种行为去预测下一步发生了什么，玩家的各种行为也产生了一个周期性系统，但具有更多的细微变化性。在大多数MMORPG中，离散性的时间单元机制影响着玩家所采取的策略。在《文明》中，各个明确区分开来的发展阶段（扩张、合并、战争、殖民、太空竞赛）则是游戏中的突现行为的清晰体现。

那么此处便涉及到了一个很重要的问题，游戏中的突现现象是否可以人为设计？

本章的后续内容都基于这一问题展开，复杂系统中的突现现象只有当系统实际开始运转后才会显现出来，这解释了为何游戏设计如此依赖原型构建和游戏测试。 下面一些例子是书中提出的在游戏之外的复杂科学，这些理论虽然看上去与游戏没有直接关系，但是还是有不少应用价值。

复杂科学的研究对象通常涉及规模庞大的复杂系统，天气系统就是一个经典例子。在这些系统中，一个小小的变化就可能随时间推移而造成巨大的影响，也就是所谓的蝴蝶效应。

复杂系统的案例-细胞自动机

在数学、计算机科学和游戏理论的交界处，有一个特殊的学术领域，它研究的对象是细胞自动机。细胞自动机是一系列简单规则的集合，这些规则控制着一行格子或一个网格中的每个格子单元所呈现出的状态。每个格子只有两种状态：黑色或白色。规则决定了格子颜色改变的条件，以及当前格子颜色如何对周围的格子产生影响。如要根据规则改变格子颜色的话，在二维网格中通常只需检测当前格和周围八个邻接格的颜色。在一维网格（单行格子）中，通常只需检测当前格和两个邻接格的颜色。

细胞自动机的背后实际上是一套动态行为系统，这类系统有三个关键特性：

所以让我们回到游戏本身，构建动态行为系统的门槛其实出乎意料的低。只要有足够多的组成部分以及足够高的活跃性和关联性，那么相对简单的规则也能产生出复杂的行为。大多数游戏都是通过与之类似的方式构建出来的。游戏由许多不同的元素组成，这些元素由相当简单的机制控制着，各元素之间通常存在着很多互动作用。

比如塔防类型的游戏，单个的防守机关都是由局部规则所定义的， 和细胞自动机一样，这些元素既具有活跃性（敌人会进行移动，塔会对敌人作出反应），也具有相互关联性（有的塔会攻击敌人，有的塔能提升周围其他塔的威力，或者对敌人造成debuff等）。

系统元素的活跃度和相互关联度是很好的指示器，可用于将突现型游戏和渐进型游戏区分开来。在典型的渐进型游戏中，所有元素（例如谜题和角色等）都只与玩家控制的角色相交互，而且它们仅在玩家可见时才表现出活跃性——此前大部分游戏中的NPC，只会对玩家或玩家产生的行为做出反应而不受其他任何元素的影响，但是当今也不乏许多设计优秀的游戏，将游戏对象的感知行为扩张到更多的元素，比如荒野大镖客中会躲雨的NPC，老头环中不同阵营会相互打架的敌人等等。

反馈循环即当前的系统状态与结果去影响系统下一步规则或发展趋势产生动态变化的行为。以生态系统中生物与天敌的关系为例，当猎物很多时，捕食者很容易得到食物，它们的数量因而上升。然而，随着捕食者越来越多，猎物会不断减少。当捕食者数量增长到一定程度后，情况便发生了逆转：捕食者因得不到足够食物而数量下降，给了猎物生存繁衍的机会，使猎物数量重新上升。此类维持系统平衡的反馈循环叫做负反馈循环。这种循环在生活中有着广泛应用，恒温器就是一个典型例子。恒温器会检测空气温度，当温度过低时，激活加热装置使室温上升，当检测到室温高于一定值后，又会反过来关闭加热装置。

再回到游戏中，负反馈循环也在游戏进行平衡设计中有着非常多的应用，比如最近版本的英雄联盟中推出的“战略点”机制以及很早就存在的赏金机制，劣势方的玩家拿下战略点或对方优势角色的击杀之后会获得额外的金币奖励，而这一奖励对于优势方是没有的。

与负反馈相反，正反馈循环也同样广泛存在于游戏之中， 负反馈循环的自身反馈效应能维持平衡，而正反馈循环的自身反馈效应却会使效果加强。

依旧以MOBA类游戏为例，击杀敌人本身也为团队取得了战术、经济上的诸多优势，变得更容易取胜，比如很多FPS游戏中的连续杀敌奖励等。

另一种细胞自动机：《生命游戏》

回到理论本身，最著名的细胞自动机大概是由John Conway 发明的《生命游戏》 。

与前面的自动机类似，《生命游戏》是基于一个无限大的2D网格，每个格子有“活跃”和“死亡”两种状态（也就是黑和白），在大多数例子中，死亡的细胞格被标记为白色，存活的细胞格被标记为黑色。系统在每次迭代时执行以下规则：

《生命游戏》在开始运行后，通常会以初始存活的细胞格为源头引发大量细胞格的爆发式活动，产生混沌性相当高的结果。《生命游戏》通常在若干次循环后进入大体稳定的状态，但有时候仍会余下若干群细胞格在两个状态之间不断振荡。

而《生命游戏》的精髓在于，通过这些规则与初始状态的设定，可以取得许多具有特定功能或行为的组合式单元，比如：

此类例子说明，在复杂系统中，最有趣的行为不是在系统的个体组成部分这个规模级别上产生的，而是在由许多个体部分所组成的群体这个规模级别上产生的。

而在游戏中，许多AI的行为设计也是通过此类组合行为显得非常“智能”，书中给出的例子是在吃豆人游戏中，不同的AI会收到不同的追捕指令类型，从而始终造成一种对玩家围追堵截的“战术”表象。

科学家们将复杂系统中的突现划分为不同等级，某些现象的突现性等级比其他现象要高。将复杂系统中的反馈循环和规模级别这两个概念结合起来，可以帮助我们描述并解释突现特性的不同等级。科学家Jochen Fromm 在论文《Types and Forms of Emergence》中以反馈和规模级别为标准，对突现进行了如下分类：

最简单的突现被称为微小突现或有意突现，它们要么不存在反馈，要么反馈只发生在同一规模级别中的各个元素之间。大多数人造机器设备都属于这类系统，这些机器所展现出来的功能是设计者通过设计，有意使机器各部件产生出的突现特性。展现出这种有意突现的机器，其行为是确定性的、可预测的，但也缺少了灵活性和适应性。调速器和恒温器就是这种可预测反馈的例子。

第二种类别是弱突现，这种突现类型可以在系统的不同层级之间实现自顶向下的反馈。比如在各种生物集群中。生物个体不仅会对周围其他个体的行为作出反应（中介体到中介体的反馈），同时也会感知到集群这个整体（群体到中介体的反馈）。

第三种是多重突现，这种系统中具有多种反馈，这些反馈跨越了不同的规模级别。为了解释这种突现类型，作者阐述了此类突现是如何在那些具有小范围正反馈和大范围负反馈的系统中得到体现的：

最后一种则是强突现， 强突现的产生应归因于各规模级别间的较大差异，以及系统中的中间规模级别的存在。强突现是多层级的突现，其中最高层级所产生的突现行为可与最低层级上的中介体分离开来。 比如基因系统发生突现而产生生命，或者语言和书写发生突现而产生文化。

以上这些突现类型说明不同层级的突现行为在游戏中是同样存在且常常是并存关系。更重要的是，游戏机制的结构特性（例如规模层级的存在以及反馈循环）对于复杂和有趣的行为特性的生发起着至关重要的作用。

游戏属于复杂系统，能够产生出不可预测的结果，但同时也必须为玩家带来设计良好、自然合理的用户体验。

我们把以上所学的活跃并相互关联的系统组成部分、反馈循环、系统的不同规模级别等概念看 作一个系统，这就是游戏的结构特性。

后续所有章节都会围绕着游戏机制与结构特性进行展开，也就有了更多更为具体的理论与配套的游戏案例，这些结构特性既是本章的主题，也是理解Machinations构造原理的前提知识。（Machinations是一个实用性的理论框架，它可以直观地处理游戏中的突现特性。一个表现出突现特性的高质量游戏的构建过程是难以掌控、捉摸不定的，而Machinations能使设计师更好地掌控这个过程。）

在接下来的几章中，书中会把视角拉近到游戏的内部经济机制上。将阐述如何用Machinations将游戏机制可视化，以及如何利用这些可视化成果来认识机制的结构特性等问题。