从大语言模型驱动的集换式卡牌生成到程序化关联：以宝可梦为例

自集换式卡牌游戏诞生以来，这一类型已发展成为一个价值数十亿美元的产业，吸引了全球数百万的实体和数字玩家。流行的集换式卡牌游戏依赖于定期更新、平衡性调整和轮换限制来维持玩家参与度。然而，随着游戏环境的稳定，可预测的策略占据主导地位，可行的卡牌选择减少，常常导致重复且受损的玩家体验。本文探讨了使用大语言模型和图像扩散模型进行集换式卡牌的程序化内容生成，通过实现个性化的无限卡牌设计来应对这些挑战。现代生成式人工智能不仅能够实现大规模内容创作，甚至可以引入程序化关联性，培养玩家与其卡牌之间的独特联系。我们提出了一个结合以玩家为中心的共创、微调嵌入、本地大语言模型和扩散模型的流程，以生成动态、个性化的卡牌，同时可能扩展创意范围。我们在一项有 49 名参与者生成 196 个宝可梦卡牌样本的用户研究中评估了该流程。参与者对视觉效果和机制的美观度及代表性进行了评分，并提供了定性反馈。结果显示满意度很高，并表明大多数参与者通过提示调整成功地实现了自己的想法。这些发现为未来的内容生成系统以及通过程序化关联性替代传统游戏环境演变奠定了基础。