第20章Dark Souls：変換室
ボス戦をシステム2からシステム1への変換室として捉えること、死亡をゲームデザインにおける最も純粋な誤差信号として捉えること、そして「公平な難易度」というのは、学習可能な予測誤差へのコミットメントである理由について。
20.1 なぜDark Soulsがこのモデルにおいて重要なのか
もし Halo がネストされたループと組み合わせた遭遇設計を通じて学習勾配を維持する方法を示しているならば、Dark Souls はそれよりも根本的なことを見せている：つまり、難易度そのものがエンゲージメントを決める変数ではない。エンゲージメントを決めるのは、難易度を変換する速度、すなわちプレイヤーが予測誤差をモデルの改善に変換できる速度である、学習可能性である。
Dark Souls は現代のデザインにおいて最も難しいが人気のあるゲームである。プレイヤーを頻繁に倒し、最小限のヒントを提供し、難易度調整のオプションを一切提供しない。従来の難易度指標によれば、これは挫折と離脱を引き起こすべきである。しかし、実際にはこのゲームは、現代ゲームの中でも最も深いもので、持続的なエンゲージメントを生み出している。統一モデルはその理由を説明している：Dark Souls におけるすべての難易度の源は、改善されたプレイを通じて解決可能な予測誤差を生成する。このゲームは「難しくて楽しい」という意味で難しくない。難しさは、学びを促すために設計されている。
20.2 ボス戦は変換室としての役割
Dark Souls の各ボスは、専用の 自動化変換室 として機能する。ボスの攻撃パターンは複雑で、完全な自動化を防ぐが、一定のパターンをもっており、複数の試行を通じてパターン認識が発展する。死亡は遭遇をリセットし、繰り返された暴露を強制することで、皮質から皮質下領域への転移を促進する。
最初のボス戦の遭遇は純粋に System 2 である。プレイヤーの dlPFC は観察された攻撃を言語的に記憶（"オーバーヘッドスラムは2秒の予備動作があり、薙ぎ払いはスラムの後に続く；チャージは45度まで追跡する"）する。ACC はタイミングの誤差を監視する。作業記憶は満たされる。すべての回避は意識的かつ慎重に検討される必要がある。
10回の試行を経過した後、認知負荷は減少する。いくつかの攻撃は自動化された。オーバーヘッドスラムへの回避は、以前は意識的だったが、現在は反射的に実行されるようになった。その結果、注意は運動の実行から解放され、より高次のパターンに移る：どの攻撃が次の攻撃に続くか、ボスが異なる健康状態でどのような行動を取るか、そして反撃の安全なタイミングがどこにあるかに焦点が当たる。
20回の試行の後、モーター層はほぼ自動化される。プレイヤーは攻撃の予兆に反応し、意識的な処理を必要としない。大脳基底核が、かつて前頭前皮質の担っていた処理を引き受ける。残る予測誤差は戦略的である：治療のタイミング、体力管理、最適なダメージタイミングの把握である。ボスは、システム2の知識をシステム1のスキルへと変換するための変換室として機能した。
特定のボスは、この一般的なパターンの中に異なる勾配プロファイルを示している。
アシルス・デーモンは、最初に遭遇するボスで、チュートリアルを不可能な挑戦として装っている。プレイヤーの最初の遭遇はスクリプトで失敗するように設計されており、壊れた剣を携えて巨大なデーモンに直面する。この場合の予測誤差は極端で二値的である：この敵は非常に強すぎる、逃げなければならない。実際の教訓は環境的である。左側のドアが脱出ルートを提供しており、ゲームはプレイヤーに「逃げることは有効な戦略である」と教えることになっている。プレイヤーが適切な装備を備えて再び出現すると、アシルス
デーモンの攻撃パターンはゲーム内で最も単純である。長予備動作を伴う遅い上空突撃攻撃。変換室はミニマムで動作している：プレイヤーは予備動作アニメーションを読み、回避をタイミングを調整し、5分かかる1回の遭遇でダメージタイミングを把握する。
ベル・ガロウルズは、ソウルスライクの学習勾配を定義する組み合わせ的複雑性を導入する。最初のガロウルズは1対1の戦いであり、健康値が50%になると2つ目のガロウルズが出現する。予測誤差が急上昇する：プレイヤーの戦闘モデル（ガロウルズの攻撃を回避し、回復中のタイミングで報復）は、2つの脅威が同時に存在するという新たな脅威に破られ、同時追跡が求められる。学習勾配は現在、2つの並行的なストリームを持つ：モーター層（2つの敵の攻撃を回避）と戦略的層（どのガロウルズに焦点を当てるか、注意をどのように分けるか、そしてアリーナの幾何学を用いて彼らを分離するか）。最初のガロウルズでモーター層を自動化したプレイヤーは、今度は2つの脅威を管理するための戦略的課題に対して、System 2を再び使用しなければならない。
Ornstein と Smough は、このフレンチの定義的な遭遇を極限まで押し広げている。まったく異なる移動パターンを持つ2つのボス（Ornsteinは速く突進し、Smoughはゆっくりと広範囲に薙ぎ払いする）が同時に戦い、1つを倒すとその力が相手に吸収され、新たな攻撃が与えられる。この遭遇は4つの異なるフェーズで予測誤差を生成する：2ボス同時戦闘フェーズ、Orn-steinの強化単独戦、Smoughの強化単独戦、そして最初にどちらのボスを倒すべきかという戦略的決定（これは、最終的にプレイヤーが直面する強化単独戦の種類を決定する）。各フェーズは独自の誤差プロファイルを持ち、数十回の試行を経て学習勾配が維持される。プレイヤーは、完全な遭遇をマスターするまで、4つの部分的に独立したモデルを構築しなければならない。
Seath the Scaleless は、コンバージョン・チャンバーが故障した際の状況を示している。Seathの最初の遭遇は、勝てない戦闘としてスクリプトされている。プレイヤーは死亡し、刑務所にリスポーンする。これは実際の行動に結びつかない教訓を与える。2回目の遭遇では、プレイヤーがSeathの不死を可能にする結晶を破壊しなければダメージを与えることができない。この結晶メカニズムは、解決者の不確実性（Costikyanのタイプ2）であり、行動的不確実性（タイプ1）ではない。解がわかれば、その不確実性は永久に解決される。Seathの実際の戦闘パターンはゲーム内で最も単純である。大きなサイズで遅い尾の薙ぎ払いと豊かな回避時間を持つ。学習勾配は急峻だが短い：結晶のパズルは1つの大きな予測誤差を生成し、その誤差は1つの洞察で解決され、戦闘部分は小さな、迅速に解決される運動誤差のみを生み出す。Seathは、コンバージョン・チャンバーが材料を消費してしまうことから、非常に弱いボスとされている。
20.3 死は最も純粋な誤差信号
デスは Dark Souls においては報復ではなく、ゲームデザインにおける最も純粋なエラー信号である。
A Dark Souls の死亡は、正確に3つの情報を伝える：あなたが死んだ攻撃（最終ヒットアニメーション）、その誤りが起こったタイミング（ドッジまたはブロックが失敗した瞬間）、そして代替案（回避に成功するための正確なタイミングまたはポジション）。すべての死亡は、具体的で実行可能な教訓をもたらす。プレイヤーが遭遇を理解するモデルは、死亡ごとに改善され、その改善は認識可能で、次の試みではわずかに進歩し、回避した攻撃がわずかに増えるとともに、与えるダメージもわずかに増えるのである。
これが、Dark Souls のプレイヤーがゲームを「公正」と呼ぶ理由である。その難しさは非常に厳しいものの、プレイヤーが死んだ理由を理解できることで、その死は正当化されるのである。宮崎英高（Hidetaka Miyazaki）はこの原則を明確にした：「単に難易度を上げるだけではなく、それを公正に上げる必要がある。プレイヤーが死んだとき、その理由を理解でき、その死が正当であると感じれば、それは意味がある。」予測誤差の観点から言えば、これはすべての難易度が学習可能なパターンの複雑性から生じるべきであり、無駄な偶然性によるものではない、というコミットメントを示している。
ジェスパー・ユール（Jesper Juul）の The Art of Failure（MIT Press, 2013）は、その理論的枠組みを提供している。ゲームは「失敗のパラドックス」という現象を活用しており、人間は成功したいという基本的な欲求を持っていても、ほぼ確実に失敗する活動に参加するのである。その解決策は、「失敗から逃れる感覚（しばしばスキルの向上を通じて）が、ゲームの主要な楽しみの一つである」という点にある。Dark Souls はこのメカニズムを明確にしている。すべての死亡は失敗であり、その失敗からプレイを改善することで逃れることが、ゲームの本質である。ユールは、ゲームで失敗したとき「あなた自身（キャラクターではなく）が、ある種の不十分さを持っている」と述べており、その不十分さをスキル向上によって克服しようとする動機が、ゲームのモチベーションエンジンであると指摘している。
ソウルズメカニズムはエラー信号を強化する。プレイヤーが死亡した際、彼らは累積されたソウル（レベルアップやアイテム購入のための通貨）をすべて失う。一度だけ、死亡した場所に戻ることでそのソウルを回復できる。もし再び死亡して回復できなければ、そのソウルは永久に失われる。これにより、メタレベルの予測誤差が生じる。プレイヤーは、慎重にプレイしてソウルを守るか、または積極的に進むことでリスクを取るかという判断を迫られる。永久に失われる可能性があることにより、各死亡がより顕著になり、エラー信号への注意が高まる。しかし、その損失はメカニカルに破壊的ではない。プレイヤーは常により多くのソウルを得ることができる。このシステムは、罰則のない感情的な重みを生み出し、学習勾配を鋭くする一方で、その勾配を腐食させない。
Vella (2015, Game Studies) はこれを「ルディック・サブライム」として理論化した。それは、マスターが不可解なシステムの謎に直面する瞬間、すなわち「ルディック・サブライム」と呼ばれる美の瞬間である。プレイヤーはボスのパターンを学んでいること、そしてその場面でそれを実行できるかどうかという問いに直面する。知識と実行の間のこの緊張が、認知モデルが完成した後も学習勾配を維持する。なぜなら、運動的自動化は認知的理解よりもはるかに長い期間を要するからである。名のない王のすべての攻撃を口頭で説明できるプレイヤーであっても、その攻撃に対応する運動レベルでの自動化が完成していないため、何度も彼に敗れる可能性がある。
20.4 空間的学習勾配
Dark Souls は、相互に結びついた世界構造を通じて二次的な学習勾配を生成する。このゲームの世界は、一つの連続した構造であり、エリアが自分自身にループし、ショートカットが離れた場所をつなぎ、空間的記憶が地図の必要性を代用する。
Undead Burgは、ゲームの効果的なオープニングエリアであり、その場所の空間的勾配を最も明確に示している。プレイヤーはボンファイア（チェックポイント）から出発し、狭い通りを進みながら、低レベルの敵に遭遇する線形のルートを進む。初めて通過する際は、道が複雑で見えず、どこに向かっているか、次の角に何があるか、あるいは空間がどのようにつながっているかは不明である。進行するにつれて、プレイヤーはショートカットの存在を発見する。遠く離れた側面に閉ざされたドアがあり、それが開くことで、出発地点のボンファイアへ直接つながるようになる。この空間的予測誤差（このエリアがどこに繋がっているのか）は、一瞬で満足される瞬間を迎えて、その後のすべての通過ではこのショートカットを使用するようになる。
このパターンは、ゲーム全体でより大きなスケールで繰り返される。Undead ParishからFirelink Shrineへのエレベーターは、プレイヤーが遠くに感じていた2つのエリアが実際に垂直に隣接していることを明らかにする。Blighttownにある隠されたボンファイアは、厳しい下りを manageable な探求へと変える。Darkroot GardenからValley of Drakesへのドアは、3つの異なる領域を結ぶクロスワールドショートカットを提供する。各発見は空間的予測誤差を生み出し、そのエラーが解決されると、プレイヤーの精神的マップが永久に改善される。空間的学習勾配は、戦闘勾配とは異なる時間スケールを持つ。戦闘では数分で解決されるのに対し、空間的学習勾配は数時間かけて解決される。しかし、その過程は総合的なエンゲージメントに貢献し、モデルの改善を提供する第二の同時的源となる。
相互に結びついた世界設計は、学習勾配フレームワーク内において物語的機能も果たす。ゲームが物語とプレイを分離するの（戦闘中にカットシーンが挿入される）のに対し、Dark Souls はその物語を空間構造に埋め込む。プレイヤーは、物の配置が互いにどのように関連しているかを発見することで、世界の歴史を学ぶ。例えば、墓地からカタコムへ、カタコムから巨人の墓へと進むことで、地底のより深い、より暗い領域への降下を描く。環境による物語は、何が起こったのか（ここでは何が起こったのか？ なぜこの廃墟がその王国とつながっているのか？）といった予測誤差を生成し、空間的および戦闘的勾配に上層に重ねられるが、それらを中断しない。
20.5 エスト瓶とリソース管理がもたらす学習層
エスト瓶システムは、戦闘と空間学習の上にさらに第三の勾配、圧力下のリソース管理 を加える。
プレイヤーは、回復用のチャージ（エスト瓶）を限られた数だけ持ち、その回復はボンファイアでのみ再充填される。エスト瓶の使用は長時間のアニメーションを必要とし、その間プレイヤーは防御不能の状態になる。この構造により、継続的なリソース管理の予測誤差が生じる：今すぐ回復すべきか（アニメーション中にペナルティを受けるリスク）それとも待つべきか（次の攻撃で死亡するリスク）？ 最適なタイミングは、敵の攻撃パターン、次のボンファイアまでの距離、および残りのエスト瓶の数に依存する。
このシステムは、回復を「健康があるか？ その場合、問題ない」という二項的判断から、連続的な戦略的計算へと変化させ、低健康状態のあらゆる瞬間に予測誤差を生成する。回復を誤ってタイミングを間違えて使用し、アニメーション中にペナルティを受けたプレイヤーは、安全なタイミングを待つようになる。一方、エスト瓶を極端に温存し、残り3つをもって死亡したプレイヤーは、より積極的に使用するようになる。エスト瓶の管理が絡んだ死の度に、リソース配分に関する予測誤差が生成され、戦闘実行や空間ナビゲーションに関する予測誤差とは異なるものとなる。
ボンファイアの配置はこの効果を強化する。ボンファイアは、チェックポイント間の距離をゲームプレイ上の約5〜15分間の間隔に設定されている。これにより、プレイヤーは複数の遭遇を経てフランクの供給を管理しなければならず、空間的勾配と同様の時間スケールで動作するマクロレベルのリソース勾配が形成される。ボンファイアから遠く離れてフランクが尽きてしまうのは、特定の失敗であり、その失敗は特定の教訓を提供する。つまり、プレイヤーが序盤でフランクの使用を過剰にした、または避けられるダメージを多く受けた、または最適でないルートを選んだことによるものである。
20.6 ビルドの多様性とプレイヤー主導の難易度
Dark Souls には難易度設定はないが、より微妙な要素を提供している。ビルドの多様性によって、プレイヤーが自ら選ぶ学習勾配を提供している。
重い防具とグレートシールドを投資したプレイヤーは、ほとんどの攻撃をブロックでき、タイミングを気にせずブロックできるため、モーターレベルの予測誤差密度を減少させ、一方で戦略的誤差密度（ブロック時のスタミナ管理、反撃のタイミングの見つけ方）を増加させる。高速武器と軽量防具を投資したプレイヤーは、回避がフレームごとに完璧に必要になるため、モーターレベルの誤差が最大となるが、戦略的判断はシンプルになる（攻撃して移動）。魔法に焦点を当てたビルドは、多くのボスを距離を保ちながら攻撃できるため、予測誤差プロファイルは「この攻撃を回避できるか？」から「距離を保ちながらリソース管理できるか？」へと根本的に変化する。
各ビルドは、同じコンテンツを通じて異なる学習勾配を生み出す。ゲームは難易度を調整しない。プレイヤーは自ら難易度へのアプローチを変更し、自分のスキルと好みに合った勾配の傾きに自発的に適合する。これは、明示的な難易度設定のない、プレイヤー主導の難易度調整であり、Halo のメニューを通じて実現される4つの段階の設計原則と同様に、Dark Souls はキャラクターのビルドを通じて実現している。
20.7 勾配が失敗する場面：Blighttown と Bed of Chaos
Dark Souls のすべてのエリアが学習勾配を成功裏に維持しているわけではない。その失敗は診断的である。
Blighttown は元のゲームで最も批判を受けており、その主な理由は難易度そのものではなく フィードバックの明確さである。このエリアは暗く、視覚的に混雑しており、元のコンソール版では顕著なフレームレートの低下を引き起こす。敵はスクリーン外から攻撃してくる。毒を撒くブレードスナイパーは、プレイヤーが視認できない位置から攻撃する。狭い歩道の上を歩くと、わずかな位置の誤りでも致命的な落下が起こり、即座に死亡する。予測誤差は存在しているが、その品質は劣化している。プレイヤーはダーツで攻撃されたことは分かるが、そのダーツがどこから飛んできたかを特定できない。プレイヤーは落ちたことを知っているが、歩道の長さが予想より短かったか、あるいはカメラの視点が誤解を招いたかを判断できない。フィードバックが不明瞭な場合、予測誤差は解決できず、学習の勾配は挫折に至る。
Bed of Chaos は、シリーズ内で最も一般的に批判を受けるボスで、その理由は異なる。その難易度は プラットフォーミングベースではなく、戦闘ベースである。プレイヤーは崩れ落ちる床のセグメントを避けながら、正確なジャンプを繰り返して弱点に到達しなければならない。この予測誤差は攻撃のタイミングに関するものではなく、空間的な位置に関するものである。空間認識システムは、正確なプラットフォーミングに適応していない。戦闘用に設計されたコントロールは、プラットフォーミングが要求する反応性を持っていない。この予測誤差は存在しているが、ゲーム内の通常のスキル向上経路を通じて解決できない。40時間かけて戦闘タイミングを完璧にマスターしたプレイヤーは、その学習がBed of Chaosに全く移らないことに気づく。このエリアはまったく異なるスキルセットを要求しており、ゲームがそれらを訓練していないためである。学習の勾配は崩れず、プレイヤーが対処できるスキルを持っていない領域にリセットされる。
これらの失敗はモデルを確認する。Dark Souls は難易度が高くても、その難易度が ゲームが育成するスキルを通じて学習可能であるため、成功しているのである。難易度がプレイヤーが視認できない（Blighttownの視覚的ノイズ）または、すでに構築したスキルで対処できない（Bed of Chaosのプラットフォーミング）場合、学習の勾配は崩れ、デザインの全体的な質に関わらず、その結果として学習が停止する。
20.8 最終的な洞察
Dark Soulsは統合モデルにとって最も強力なテストケースである。なぜなら、その難易度は極端な形で原理を示しているからである。難易度は「楽しさの敵」ではない。学習不能さがそれである。ゲームはプレイヤーを数百回殺し、数百時間にわたりエンゲージメントを維持できる。その条件は、すべての死亡がプレイヤーがより良いプレイを通じて解決できる予測誤差を生成することである。学習勾配は、難易度を減少させることではなく、すべての困難の源がモデルの改善に変換され、プレイヤーが認識できる速度で変換されることによって維持される。
設計者への教訓は、問われること自体が「このゲームはどのくらい難しいか？」ではなく、「この難易度はどのくらい学習可能か、そしてプレイヤーが誤りを改善に変換できる速度はどのくらいか？」である。
第21章Tetris：無限に続く単純な勾配
最もシンプルな無限学習勾配について、速度スケーリングが自動的な難易度調整として機能すること、そして40年間にわたり続くエンゲージメントが、7つの形状と1つのルールの相互作用から生じることを説明する。
21.1 設計の純粋性
Tetrisは統合モデルにとって最も純粋なテストケースである。なぜなら、すべての変数を除き、核心となる予測誤差ループだけを残しているからである。敵、物語、探索、あるいは即座の配置決定を超える戦略的要素は一切存在しない。このゲームは単一のシステムである。7つの異なるテトロミノ形状が、10幅×20高さのグリッドの上部から落ちてくる。プレイヤーは、そのピースがロックされる前に回転および移動を行うことができる。完成した行はクリアされる。スタックが上に達した時点でゲームは終了する。
この最小限のルールセットから、40年間、数千万人のプレイヤー、そして複数のプラットフォームでの展開にわたる高いエンゲージメントを維持する学習勾配が生まれる。この統一モデルは、なぜTetrisの設計が学習勾配のすべてのレベルで予測誤差を生成し、そのスピードスケーリング機構によって勾配がゼロに収束しないことのメカニズムを説明できるかを示している。
21.2 决定空間
Tetris のルールのシンプルさは、その決定空間の深さを隠している。各ブロックの配置は、現在のスタックのトポロジー、現在のブロック、および（現代版では）次のブロックのプレビューをもとに、組み合わせ評価を伴う。このブロックをどこに配置すべきか。
初心者にとっては、この決定は反応的で局所的である。プレイヤーは各ブロックを、明らかに空いている隙間に配置することで、未来への影響を考慮しない。予測誤差は空間的である。「このブロックがそこに合うと思っていたが、合わなかった」とか「予想していなかった行をクリアした」というような誤りである。これらの誤りは、ルールがシンプルでフィードバックが即座であるため、すぐに解決される。ブロックが合うか合わないかは明確で、結果は瞬時に見える。
中級者になると、決定は予測的になる。プレイヤーはスタックのトポロジーを脳内でモデル化し、プレビューのキューを使って2〜3ブロック先の配置を計画する。予測誤差は空間的（「これに合うか？」）から戦略的（「次のブロックの流れを考慮して、この配置が最適か？」）へと変化する。Tスピン（T型ブロックを通常ロックする前に隙間に回転させる技術）は、運動的・戦略的予測誤差を導入する。プレイヤーは、高スコアのラインクリアを達成するために、狭いタイミング内で正確な入力シーケンスを実行しなければならない。
上級者になると、決定空間は長期的なスタック管理に拡大される。競技的な Tetris プレイヤーは、スコアを最大化するため、特定のスタック形状（平らな頂点、Tetris ラインクリア用のポケットなど）を維持する。このレベルでは、ブロックの順序がランダムであるため、プレイヤーはどんな順序が来るかを考慮しながら、高スコアのクリアを可能にするようなスタックを構築する。これは、ランダム性の下で戦略的計画を行う分析的複雑性（Costikyan のタイプ5）であり、ゲームがサポートできる最高レベルでの動作を表す。
21.3 速度スケーリングは自動勾配管理として機能する
Tetrisの最も洗練された設計の一つは、難易度調整がコアループに組み込まれていることである。プレイヤーが行をクリアするにつれ、ゲームのレベルが上がり、落下速度が加速する。これにより、プレイヤーのスキル向上を自動的に追跡するインパルス的なDDAシステムが形成される。より優れたプレイが行われれば、レベルが上がり、より高い要求が課される。
このメカニズムはシンプルであるが、学習勾配への影響は深い。低速ではプレイヤーは配置の評価に十分な時間を持つため、主な予測誤差は戦略的（このブロックをどこに置くべきか）である。速度が上がると、評価可能な時間は減少し、誤差の性質は戦略的から運動的（このブロックを正確な位置に回転・移動させられるか、ロックする前に）へとシフトする。プレイヤーが上達するにつれて、ゲームはスムーズにSystem 2のパズル（配置選択の意図的な評価）からSystem 1の課題（時間圧迫の下での自動的な配置実行）へと移行する。速度曲線は、プレイヤーの皮質から皮質下の処理への移行が常にゲームの要求をわずかに追い付くように保証し、学習勾配が常に正のまま維持される。
クラシックNES版Tetrisにおけるキルスクリーン（レベル29で落下速度が標準のDAS自動繰り返し速度を上回り、標準的な操作技術ではボードの端にピースを移動させることが物理的に不可能になる）は、30年間にわたり競技的なプレイにおいて絶対的な上限を定義した。2024年、13歳のプレイヤー・ウィルイス・ギブソンが、標準的な操作法を超える「ローリング」と呼ばれる技術を使って、レベル157に達し、ゲームをクラッシュさせた。このローリング技術は、DASの制限を回避するために、コントローラーの底部を指で振動させることで、標準的な指操作よりも速い入力を生成するものである。このローリング技術自体は、学習勾配現象の例である：競技コミュニティが、ゲームの設計者たちが予想しなかったまったく新しい運動スキーマを発見・開発・マスターする必要があった。予測誤差のランドスケープは、ゲームの意図された設計を超え、物理インターフェースにまで拡大し、プレイヤーとゲームの相互作用におけるあらゆる側面（含むハードウェア）から学習勾配が発生できる可能性を示した。
21.4 神経的証拠
Haierら（1992）のPET研究は、統一モデルが予測する大大脳皮質から皮質下への移行を最も鮮明に示す直接的な証拠である。被験者はTetrisを毎日4〜8週間実践した。パフォーマンスは7倍に向上した。しかし、パフォーマンスの向上に伴い、大脳皮質のグルコース代謝率 低下した。この結果、脳はタスクを処理する際に著しく効率化され、その結果、より優れたパフォーマンスを発揮した。これは自動化の神経的サインである：処理は、代謝的に高コストな大脳皮質回路（システム2）から、代謝的に安価な皮質下回路（システム1）に移行した。これにより、大脳皮質のリソースは他のタスクに開放された。
速度スケーリング機構は、この効率性の向上を常に再挑戦する仕組みである。プレイヤーの大脳皮質処理が現在の速度に対応できるようになった瞬間に、速度が自動的に増加し、大脳皮質リソースを再び要求する。このゲームは、ランナーのペースに合わせて速度を調整するランニングマシンに相当し、現在の能力と現在の要求の間の距離が完全に閉じることを防いでいる。
Bavelier および Green の研究プログラムは、20年間にわたりこの結果を拡張してきた。彼らの総合的な提言（Bavelier & Green, 2025, Current Directions in Psychological Science）は、ゲームベースの認知向上の主なメカニズムが特定のスキルの転移ではなく、"学習するための学習"であると提案している。この見解では、ゲーム（例：Tetris）は単に空間的推論を訓練するだけではなく、脳内の予測誤差の解決機構そのものを受け入れる訓練を行うことになる。Bediou ら（2018, Psychological Bulletin）のメタ分析は、この点を数値的に確認した：横断的効果 g = 0.55、介入効果 g = 0.34、105件の横断的および28件の介入研究を対象にした。
21.5 競争的Tetrisと自動化の限界
Berry（2024, Sage Journals）は、自動化のシンプルな説を補足する重要な発見を提示した。競争的Tetrisにおいて、パフォーマンスは、プレイヤーが精神的に関与し、集中した注意を使って前を見通すことで向上し、惰性で流している状態でプレイするよりも優れた結果をもたらした。最高レベルのTetrisのマスターは、自動化されたSystem 1の感覚運動スキルの上に、維持されるSystem 2の戦略的関与（積み上げ戦略、次のブロックの計画）を必要とする。
この結果は、本書の主張を支持する。つまり、フローは純粋なSystem 1の支配ではなく、第三の認知モードである。最適な状態は、思考なしの自動実行ではなく、運動スキルの自動実行に加え、認知リソースが高次の戦略に適用される状態である。System 1とSystem 2の境界はフローのチャンネルであり、Tetrisのスピード曲線は、運動要求を自動化の限界まで押し上げながら、戦略的要件を常にSystem 2に留めるように、その境界を維持することでプレイヤーをその境界に保つ。
競争的なTetrisのシーンは、社会的競争がゲームのメカニズムだけでは維持できない学習勾配を拡張していることを示している。対戦プレイはプレイヤーの予測不可能性（Costikyanのタイプ3）を導入する。相手のゴミラインが予測不能なタイミングで出現し、プレイヤーはその場でスタック管理戦略を即座に調整せざるを得ない。プレイヤーが単独プレイを完全に自動化しても、対戦では新たな予測誤差が生じ、そのプレイヤーのモデルが対応しなければならない第二の不確実性が生じる。
21.6 なぜTetrisが長く続いているのか
Tetrisは、電子機器の歴史に沿って40年間にわたり、オリジナルのElectronika 60からスマートフォン、VRヘッドセット、ニンテンドースイッチまで、すべてのプラットフォームで高いエンゲージメントを維持している。この統一モデルは、その持続性を一つの原則で説明している。ゲームのスピードスケーリング機構により、どの人間プレイヤーにとっても学習勾配がゼロに達しない。常に速いレベルがある。常に効率的な配置がある。常により精密なマニュアル調整が可能である。7つのテトロミノと10×20のグリッドは、理論的には最もシンプルな設計の中に無限の学習勾配を含んでいる。
第22章Dota 2：尽きることのない勾配
人間の対戦における無限の学習勾配、社会的予測誤差の役割、そしてメタゲームが週やヶ月のスケールで進化する大規模な学習勾配。
22.1 なぜマルチプレイヤーがエンゲージメントを無限に維持するのか
Dota 2は、10年以上にわたり、専門的な競技シーンと数百万のプレイヤーを維持している。個々のプレイヤーは1万時間以上をプレイしている。ゲームは物語的なアップデートを受けず、全体の複雑性に比べて比較的少ないメカニカルな変更を受けている。それでもエンゲージメントは継続している。
この統一モデルは、一つの原則で説明している。人間の対戦相手が無限の予測誤差のランドスケープを生成する。プレイヤーがゲームのメカニカルなシステムを完全にモデル化しても、試合中の9人の人間の行動がもたらす不確実性は完全に解決できない。競技マルチプレイヤーにおいて、学習勾配は人間の行動の複雑さにのみ制限される。
22.2 層を重ねた予測誤差のランドスケープ
Dota 2 は、少なくとも5つの同時に動作する層において予測誤差を生成する。各層は異なる時間スケールで動作し、異なる神経回路を介して動作している。
機械的実行（秒単位）。 ゴールを得るために最後に敵ユニットを倒す（last-hit）には、敵ユニットのHPがプレイヤーのダメージ値を下回る瞬間を正確にクリックしなければならない。この予測誤差は、運動と感覚の間の整合性に起因する。プレイヤーは、敵クリークの死亡閾値と一致するタイミングでクリックを行う必要があり、これには、同盟クリークのダメージ、攻撃アニメーションの予備動作（回転時間）、および射撃の移動時間などを考慮しなければならない。未対抗のランでプロ選手は最後にクリークを倒す確率を80%以上に達しており、60%と80%の差は、数百時間の運動レベルの勾配精緻化に相当する。
ラン管理（分単位）。 クリークの均衡（creep equilibrium）；同盟と敵クリークが交わる前線の位置。安全、農場へのアクセス、およびガングの脆弱性を決定する。プレイヤーは、敵クリークに攻撃を加えるか加えないかを選択し、中立キャンプを操作して同盟クリークを誘導し、発生場所でクリーク波をブロックすることで均衡を調整する。この予測誤ーメインは、メカニカルなシステムを深く理解し、クリーク行動を予測・制御できる能力に起因する。これは純粋なモデル構築の演習である。基本的なルールは決定論的であり、完全なモデルを持つプレイヤーは、理論的に最適な均衡を無限に維持できる。
戦術的判断（数分から数十分）。 ランを切り替えたいタイミング、チーム戦に参加すべきタイミング、オブジェクトを進めるべきタイミング、Roshanを取るべきタイミング。各判断は、敵チームがどのように反応するかを予測する必要がある。この予測誤差は戦略的である。プレイヤーの敵チームの行動の可能性を想定したモデルが、実際の行動と比較され、それに応じて更新される。
Drafting (pre-game). ヒーロー選択フェーズは、ゲーム開始前に戦略的予測誤差を生み出す。各チームは、120以上のヒーローから順に選ぶとともに、選ばれないヒーローを排除する。これらの予測誤差は、チーム構成の連携、相手の戦略予測、および対策ヒーロー選択に関するものである。プロのドラフトでは、再帰的戦略的推論が行われる：「私はこのヒーローを選ぶ、なぜならあなたがそのヒーローを選ぶと予測しており、あなたはそのヒーローを選ぶと予測しているのである。」Coricelli および Nagel (2009, PNAS) は、このような再帰的戦略的推論、つまり彼らが「戦略的IQ」と呼んだもの、が、メンタライジング中の内側前頭前皮質（mPFC）の活動と相関することを示した。ドラフトは、ヒーロー選択を名乗るが、純粋なメンタライジングの演習である。
Meta-game evolution (weeks to months). 個々のマッチを超えて、ヒーロー選択、アイテム構築、チーム構成の戦略的ランドスケープは継続的に進化する。バランスパッチは、ヒーローのパラメータを変更し、新たな戦略的選択肢を追加または削除する。プロ界では新しい戦略が発見され、普及され、一般のマッチメイキングへと浸透していく。対策戦略が新しい支配的アプローチを倒すために出現し、その結果、ランドスケープが再び変化する。各変化は、以前のメタに適応していたモデルを持つプレイヤーに対して、予測誤差の波を生み出す。
22.3 社会的予測誤差とメンタライジング・ネットワーク
マルチプレイヤーゲームはシングルプレイヤー設計に存在しない、社会的予測誤差 を導入する。Gallagher, Jack, Roepstorff, and Frith (2002, NeuroImage, PET) は、人間の対戦相手と対戦する「じゃんけん」のプレイが、コンピュータ対戦とは異なり、前部傍帯状皮質を活性化することを示した。Kätsyri et al. (2013b, Cerebral Cortex) は、人間の対戦相手に勝つことにより、背側および腹側ストラタル領域の活性化が強くなることを示した。その中で、腹側ストラタル領域の活性化は、自らの喜びを評価する上で相関関係があった。
Zhu, Mathewson, および Hsu (2012, PNAS) は最も直接関連する研究である。競争的な「特許競争」ゲームにおいて、彼らは2つの神経的に分離された学習信号を同定した。その中には、報酬予測誤差（両側の被殻で追跡される；「私の行動が期待された結果よりも良いか悪かったか？」）と、相手の戦略に関する信念予測誤差（背内側前頭前皮質／側頭頭頂接合部（dmPFC／TPJ）で追跡される；「相手が私の予測通りに行動したか？」）がある。このような競争ゲーム（例：Dota 2）は、両方のタイプを連続的に生成し、その結果、2つの独立した次元を持つ学習勾配を形成する。
Dota 2 の試合における社会的な予測誤差には、ワードで得たマップ情報から敵の移動を予測すること、相手のアイテム選択から中盤の戦略を読むこと、集団戦で敵がどのヒーローを優先するか推測すること、試合を通じて相手ごとの攻撃性や傾向に適応することなどがある。これらの予測は、適応的で状況に依存し、完全には予測できない戦略を持つ 5 人の対戦相手の実際の行動に照らして検証される。
22.4 MMRシステムと勾配マッチング
Dota 2のマッチメイキングレーティング（MMR）システムは、Haloの難易度階層に類似した機能を果たす。同じスキルレベルに近い相手とマッチングすることで、社会的予測誤差の密度を最適範囲に保つ。
プレイヤーが明らかに弱い相手とマッチングした場合、その予測は過剰に正確になり、相手の行動を正確に予測でき、社会的学習勾配は平坦になる。逆に、明らかに強い相手とマッチングした場合、その予測は不正確になり、相手の行動が理解できないことになり、勾配はオーバーロードに陥る。MMRシステムは、プレイヤーの相手に対するモデルが有用であるが、頻繁に誤っている範囲で、学習を促進できるように、マッチクオリティをその範囲内で維持する。
Eloスタイルの評価システムは、ランキングそのものによってマクロレベルの学習勾配を生成する。MMR（マッチメイキングレーティング）が上昇しているプレイヤーは、その向上を数値的なプロキシを通じて認識している。各評価の上昇は、実力の釣り合った相手との対戦において客観的に測定可能なパフォーマンスの向上を意味する。MMRがプラットフォームに達したとき、プレイヤーは一時的な上限に達したことを理解し、新たなスキル（または新たな戦略的洞察）を獲得しなければ、再び上昇することはできない。この数値は、プレイヤーの全体モデルが改善される速度を示すフィードバック信号となる。
22.5 メタゲームとしてのマクロ学習勾配
メタゲームは、ゲームデザインにおける学習勾配の中で最も長い時間スケールを持つものである。プレイヤーが機械的および戦術的勾配をすでに消費し終えた後、そのメタゲームが予測誤差のランドスケープを再構築する。
機械的実行を自動化（マイクロ学習が消費された）、標準的な遭遇パターンを学習（ミデイム学習が大幅に解決）、そして高度な戦略的フレームワークを構築（マクロ学習が部分的に完了）したプレイヤーでも、常に進化するメタゲームによって新たな戦略的予測誤差が生じる。バランスパッチがヒーローのベースダメージを3ポイント増加させた場合、その影響はドラフト戦略、ランナーのマッチアップ、アイテム構築、チーム構成に波及する。以前のパッチに合わせて調整されたモデルを持つプレイヤーは、特定の状況においてその予測がわずかに誤っていることに気づき、再調整のプロセスによって新たなエンゲージメントが生まれる。
プロフェッショナルな Dota 2 の歴史は、最高レベルでこの現象を示している。2011-2012年の「4人保護1人」のキャリー中心のメタから、2013-2014年のファイト中心のメタへ、TI4での「デスボール」のプッシュ戦略へ、2015-2016年のリカバリーメカニズムを駆使したラテンゲームメタへ、そしてその他の無数の進化へと移行した。各移行は、すべてのプレイヤーがモデルを再構築しなければならない、新たな戦略的予測誤差の波を生み出した。メタレベルでの学習勾配は、ゲームの設計者による新コンテンツの導入ではなく、競技コミュニティが既存のシステム内で戦略を発見・開発・反撃するプロセスによって維持されている。
22.6 オンボーディングの課題
Dota 2 は第18章で説明されたオンボーディング失敗モードの最も明確な例を提供している。新規プレイヤーは、120以上のヒーロー（それぞれ4つの独自の能力を備えている）、200以上のアイテム（複雑な相互作用ルールを含む）、ランクメカニクス、ネーミル・キャンプ、ロシャンのタイミング、ランの出現、ワードの配置、および9人の他の人間の行動に直面する。この結果、すべての層において予測誤差密度が最大に達する。その結果として、プレイヤーはどの誤差に焦点を当てるべきかを識別できず、ゲームのあらゆる側面が最大の速度で誤差を生成しているため、過負荷状態に陥る。
ゲームはさまざまなオンボーディング解決策（チュートリアル、限られたヒーローポール、コーチングシステムなど）を試してきたが、根本的な問題を完全に解決していない。ゲームの複雑さは、プレイヤーにとって最初に非常に急激な傾きを生み出し、多くのプレイヤーにとって初期段階でほぼ垂直な学習勾配を生じさせる。これは、Dark Soulsのオンボーディングと逆の構造である。Dark Soulsのオンボーディングは急な傾きを持つが、戦闘に関する予測誤差が主に一つのタイプであり、一つずつ現れるため、学習可能である。一方で、Dota 2では、最初のマッチの最初の秒から、同時に5つの異なるタイプの予測誤差が出現する。
モデルは、Dota 2のオンボーディングを生き延びるプレイヤーを、その誤差解決速度が十分に高く、ノイズの中からパターンを抽出できるプレイヤー、または社会的文脈（経験豊富な友達とプレイすることでリアルタイムでサポートを受けられる）によって、効果的な誤差密度を管理可能なレベルに減らせるプレイヤーと予測している。この予測は、ゲームの有名な急峻ではあるが乗り越えられる学習曲線と一致しており、初期の過負荷を乗り越えたプレイヤーは、ゲームにおいて最も情熱的で長期的に継続するプレイヤーとなる。なぜなら、彼らがアクセスした勾配は、最も深く、最も持続的なものだからである。
22.7 最終的洞察 Dota 2は、競技型マルチプレイヤーにおいて、理論的には無限に深い学習勾配が存在することを示している。ゲームのメカニカルな複雑性が初期の勾配を深くし、その組み合わせ的戦略的深さが数千時間にわたって勾配を延ばす。そして、人間の対戦相手がその勾配がゼロに達することを絶対に防いでおり、人間の行動は、適応的で文脈に依存し、無限に変化するため、モデルが完全にその誤差を解決できるものではない。
デザイナーへの教訓：もし、永遠に続くエンゲージメントを望むなら、人間の対戦相手が予測誤差のランドスケープを共同で生成するような設計システムを構築すべきである。一方で、設計者が完全に作成したコンテンツは、学習勾配が限界を持つ。人間の行動はそうではない。
第23章Portal：洞察のアーキテクチャ
パズル設計が制御された「あっ！」「あっ！」の瞬間の連続として捉えられ、離散的と連続的な学習勾配の違い、そして1つのメカニクスがゲーム全体を支える理由について。
23.1 1つのメカニクス、無限の深さ
Portal は驚くべきことに、3時間のプレイ時間において、1つの核心メカニクスのみで継続的なエンゲージメントを実現している。プレイヤーは平面上に2つのリンクされたポータルを配置できる。一つに入り込むと、もう一つへと移動し、運動量、方向、速度が保持される。ゲームは最初の数室を除き、追加のメカニクスを導入しない。代わりに、同じメカニクスをより複雑な空間構成で適用することで、空間的推論パズルの空間を拡張している。
ほとんどのゲームは、新しい敵種、新しい能力、新しいシステムの導入を通じて学習勾配を維持している。Portal は、概念的深化を通じてその勾配を維持している。各室では、プレイヤーはポータルが重力、運動量、複数ルーム構造とどのように相互作用するかという空間モデルを拡張しなければならない。この場合の予測誤差は運動的（実行は単純で、ポータルをクリックして配置し、通過するだけ）ではなく、認知的（空間的推論が課題となる。出口に到達するために、ポータルをどこに配置すべきかを判断しなければならない）である。この勾配が維持される理由は、ポータルが重力、運動量、複数ルーム構造との相互作用の組み合わせ空間が、3時間のゲームが完全に探索できる範囲を大きく上回っているためである。
Shute, Ventura, and Ke (2015, Computers & Education; n=77) は、Portal 2とLumosityを比較したランダム化制御実験で、直接的な実証データを提供した。Portal 2のプレイヤーは、問題解決、空間的スキル、継続性において有意な優位性を示した。一方、Lumosityのプレイヤーは、どの測定項目においても改善を示さなかった。このゲームのパズル構造は、ゲーム特有のスキルにとどまらず、実際に認知能力を発展させていることが示された。これは、学習勾配が測定可能なスキルの移行をもたらすことを示している。
23.2 教学進化のプロセス
Portalのオンボーディングは、暗黙の指導のモデルの極みである。各チャンバーはちょうど一つの概念を導入し、プレイヤーがその概念をインタラクションを通じて発見し、その後それを適用して進むように導く。この教育プロセスは、1つの洞察ごとに1チャンバーを割り当てる厳密な進行をとっている。
チャンバー00〜01：ポータルが存在する。その中を視認できる。その中を歩ける。プレイヤーは壁にポータルが存在することを観察し、自分自身をその中で見ることができ、そのポータルを通過して向こう側へ歩く。説明は一切与えられていない。空間的な論理は自明である。
チャンバー02〜04：1つのポータルを作成できる。ゲームはプレイヤーにポータルガンを提供し、そのガンは1色を発射するが、もう一方の色は事前に設定されている。プレイヤーは、自分のポータルの位置を決める学習を進めるが、目的地は固定されている。予測誤差は配置に関するもので、どの壁の位置にポータルを設置すれば有用な接続ができるかという問題になる。
チャンバー05〜07：ポータルを通じて運動量は保存される。プレイヤーは高さから落ち、床のポータルに突入し、壁のポータルから飛び出して落ちた運動量をもってギャップを飛び越える必要がある。これは直感的な物理学に反する最初の概念である。下に落ちることで水平方向に移動する。この予測誤差は認知的で、プレイヤーが「ポータルを通って何が起こるか」というモデルを、運動量保存を含めて更新しなければならない。
チャンバー08〜11：2つのポータルを作成できる。完全なメカニクスが利用可能になる。プレイヤーは部屋全体を評価し、どの2つの表面を接続すべきかを特定し、それに応じてポータルを設置する必要がある。予測誤差の密度は増加する。なぜなら、解決空間は「1つのポータルをどこに設置するか」という段階から「どの2つの表面を結ぶべきか」という段階に拡大されたためである。
チャンバー12〜18：環境上の危険とタイミング。チューブ、エネルギー球、移動プラットフォームが導入され、ポータルパズルを解く際にその要素を回避しなければならない。このときの予測誤差は時間的次元を持つ。プレイヤーは、正しいポータル配置を決定するだけでなく、その実行をタイミングの制約のもとで実行しなければならない。
19号室と脱出シーケンス：環境は臨床試験室のチャンバーから、裏側の産業用空間へと変化する。ポータルメカニクスは変わらないが、その文脈は異なる：表面は不規則で、天井は高く、空間的推論問題は設計された幾何学ではなく、自然に現れる幾何学に埋め込まれている。予測誤差は「どのようなパズルか」というものから「どこにパズルがあるか」というものへとシフトする。プレイヤーは、混雑した環境内のどの表面がポータル対応可能なものかを特定し、明らかにパズルとして設計されていない空間で自らの解決策を構築しなければならない。
23.3 確率的学習勾配
Portalの学習勾配は、戦闘ゲームとは根本的に異なる形状を持つ。それは 離散的ではなく連続的である。
Halo または Dark Souls では、プレイヤーは徐々に改善していく。各試行は前回よりもわずかに優れている。回避のタイミングがより正確になり、的がわずかに正確になり、位置がわずかに改善される。学習勾配は滑らかな上昇の勾配である。
Portal では、改善は離散的である。プレイヤーは部屋を眺め、さまざまなポータルの配置を試すが、失敗し、さらに見つめ、そして突然解を理解する。『何もわからなかった』から『わかった』への転換は、段階的変化（スロープ）ではなく、突然の変化（ステップ関数）である。洞察以前は、部屋のモデルが不完全で、予測誤差は最大値に達している。洞察後の段階では、モデルが完全になり、予測誤差はゼロにまで低下する。その「あっ！」の瞬間は、すべての学習勾配が一つの認知的イベントに圧縮されたものである。
ヴァン・デ・クルイスのフレームワークは、この瞬間がなぜ強いポジティブな感情を引き起こすのかを説明する。インサイトが現れる前の停滞期において、予測誤差は大きくなり、明らかに解決できないものに見える。脳は誤差の減少速度が低いと予測し、現在の混乱が続くと期待される。インサイトが現れたとき、誤差は瞬時にゼロに収束する。誤差の減少速度は脳の期待値を大きく上回る。期待される解決速度（低い）と実際の解決速度（最大）のギャップが、ヴァン・デ・クルイスがユーモアや「アハ！」体験の処理の特徴として特定する強調されたポジティブな値を生み出す。
これがパズルゲームが行動ゲームとは現象学的に異なる理由である。戦闘における快感は、継続的な、段階的な改善から来ており、安定したポジティブな勾配が維持され、持続的な軽度から中程度のポジティブな感情を生み出す。一方、パズルにおける快感は、長期間の混乱の後に突然解決されたことから来ており、長期間のほぼゼロ勾配を打ち破る急激なピークが、短いが強いポジティブな感情を生み出す。両者は、同じメカニズム（値は誤差の減少速度に従う）が異なる時間スケールと異なるダイナミクスで動作していることによって説明される。
23.4 GLaDOS とナラティブ予測誤差層
Portalでは、AI対戦相手であるGLaDOSを通じて、パズルの学習勾配に物語的学習勾配を重ねている。物語は、プレイヤーがゲームの文脈について持つモデルを段階的に破壊することで機能している。
最初の段階では、GLaDOSは助けるが少し不自然なテスト監督として現れ、指示や励ましを提供する。プレイヤーのモデルは「私はテスト対象で承認されたテストを完了している」となる。徐々に、GLaDOSの会話は矛盾を含む情報を提示する：不従のテスト対象者に待つ「アンドロイドの地獄」への言及、顕著な監視、安全について異常に熱心な保証、そしてテスト完了に対するクッキーの報酬という有名な約束が含まれる。
各の不調和な会話は、プレイヤーの「支援的な指導者」というモデルに対するナラティブ予測誤差を生み出す。プレイヤーのモデルが「助ける指導者」という期待に反して、より悪意ある存在が存在することを示すことで、そのモデルが破壊される。個々のエラーは小さく、しかし累積的効果を持ち、最終的にGLaDOSがプレイヤーを殺す意図を持っているというモデルを破壊するまでに至る。脱出シーケンス（第19号室以降）は、2時間のプレイ中に蓄積されたナラティブ予測誤差が、新たなモデル「私は凶暴なAIの囚人であり、脱出しなければならない」として解決される瞬間である。
このナラティブ勾配は、パズル勾配と並行して動作しており、それらを妨げることはない。会話はパズル解決中に進行し、ナラティブ情報は言語理解、社会的推論、ナラティブモデリングといった異なる認知システムによって処理される。パズル解決には空間的推論が求められ、状況モデルの構築には社会的・ナラティブ的認知が関与する。この2つの勾配は相互に補完し合い、パズルの解決は次のナラティブの発見へと進み、ナラティブの緊張が、パズルを解き続ける動機となる。
23.5 パーティル2：勾配の拡張
パーティル2 は、3時間のゲームを8時間に拡張する設計課題に直面した。その解決策は3つに分けられる。
まず、3種類のゲル（反発ゲルによる跳ね返り、推進ゲルによる速度向上、変換ゲルによるポート対応表面の生成）が、ポートメカニクスを置き換えることなく、組み合わせの空間を拡張した。各ゲルはポートとの相互作用を特定の仕様で持ち、ポートとゲルの組み合わせの挙動について新たな予測誤差を生み出す。ゲルは既存のメカニクスの上に重ねられ、そのメカニクスを置き換えることなく、初回ゲームで構築された知識を維持しつつ、新たな不確実性の源を提供する。
次に、協力プレイでは社会的予測誤差が導入された。2人のプレイヤーは、4つの同時ポートの配置を調整することでパズルを解決しなければならない。この予測誤差は、空間的な側面（4つのポートをどこに配置すべきか？）と社会的な側面（パートナーが計画を理解しているか？正しい場所にポートを設置するか？どのタイミングで自分の部分を実行すべきか？）の両方を含んでいる。社会的協調層は、単独パズルとは異なる性質の予測誤差を生成し、その誤差が協力プレイ全体を通して継続される。
第三、シングルプレイの進行は、パズルの部屋と物語探索のセクションを交互に繰り返した。プレイヤーはアプテルス科学の廃墟を traversing しながら、ケイブ・ジョンソンの事前に録音されたメッセージを聴くといった探索セクションを経る。これらの探索セクションは、パズルの学習勾配を一時的にゼロにまで低下させ、プレイヤーの空間的推論を休息させながら、物語の進行がエンゲージメントを維持する。パズルに集中（システム2空間的推論、短時間的なLC-NEモード）と物語探索（好奇心に基づく発見、恒常的なLC-NEモード）の間の振動は、どちらのモードもプレイヤーを過剰に消費しない。
23.6 最終的洞察
ポート は、一つのメカニズムが、ゲーム全体の学習勾配を維持できることを示している。このゲームの設計は、学習の深さが、コンテンツの量よりも学習の持続性を決定するという原則を実証したものである。3時間にわたる一意の予測誤差、それぞれが真の空間的洞察を必要とする解決を要求するが、60時間にわたる繰り返しのコンテンツよりも強いエンゲージメントを生み出す。
デザイナーへの教訓は、深さは広さとは異なるということである。数百のユニークな空間構成を生成する1つのメカニズムは、それぞれ10つしか生成しない20のメカニズムよりもより魅力的である。学習勾配は、インタラクション空間の深さによって維持され、システム内の要素数とは無関係である。
第24章Halo：戦闘フローのアーキテクチャ
24.1 なぜHaloが重要か
この本で説明された原理を最も明確に示すゲームは、Haloである。その戦闘メカニクスは、非常にシンプルに見えている：2つの武器を携帯し、グレネードを投げて武器を切らず、近くに近づいたものを殴る、そして盾が再充電されるまで隠れて隠れる。DoomやHalf-Lifeの複雑な武器選択システム、Diabloの複雑なキャラクター構築、またはDota 2の100人以上のヒーローを含む roster と比較すると、Halo の戦闘シルクスはほとんどミニマリズムに見える。しかし、そのシンプルさは難易度の段階においても持続的なエンゲージメントを生み出し、マルチプレイヤー環境においては、Halo 3だけでも10億以上のマッチが記録されたこと、そしてゲーム史上最も文化的に重要なフランチャイズの一つを生み出した。
その理由は、本書の枠組みを通して分析すると、Halo の設計は学習勾配管理のほぼ最適な実装である。ゲームの戦闘シルクスは、プレイヤーが継続的にかつ多様な時間スケールで予測誤差を減少させられる、正確な密度と解像度で予測誤差を生成している。すべての主要な設計決定、2武器制限、盾の再充電システム、または Covenant の敵の階層構造などは、プレイヤーの学習速度を調整するためのメカニズムとして理解できる。学習速度を高く保ちつつも、過負荷を避け、かつ勾配が平坦化して「ただの繰り返し」にならないようにする。
本章は、最初の4作のHalo（Combat Evolved、2、3、およびReach）を、シングルプレイおよびマルチプレイを含めて、その勾配が維持されている場所、そしてその場所で破綻している場所を追跡し、その破綻が「フロー」を生み出す条件について教えてくれる。
24.2 ネストされたループ構造
Halo の戦闘は、3つのネストされた時間スケールで動作しており、その構造は Jaime Griesemer と Chris Butcher が GDC 2002 で行った「The Illusion of Intelligence」という講演で初めて提示された。Griesemer はそれを「3秒のループが30秒のループの内にあり、その3分のループは常に異なるため、毎回ユニークな体験を得られる」と呼んだ。
3秒のループ は、個々のマイクロアクションを含む。狙いを決める、グレネードを投げる、飛来するプラズマ砲火を回避する、近距離で肉弾戦を行う。これらの判断は自動レベルで処理される。経験のあるプレイヤーは、腕の届く範囲に近づいたグラントに対して肉弾戦を行うべきか否かを意識的に検討しない。この時間スケールにおける予測誤差は、運動-感覚的である。狙った場所と敵の位置の差、グレネードを投げた瞬間とエリートが回避した瞬間の差である。このような誤差を補正する学習は、HaierのPET研究で追跡されるもので、スティック操作からレティクルの移動への運動マッピングが自動化されるにつれて、大脳皮質の活動が減少する。
30秒のループ は1つの戦闘を指す。プレイヤーは戦場に進入し、敵の構成（3体のエリート、グラントの集団、2匹のジャカルが通路を守っている）を読み取り、アプローチを決定（左側に迂回し岩の配置でカバーを確保、エリートの指揮官に対してプラズマグレネードで開戦、残りの敵をアサルトライフルで処理）し、それを実行し、敵の反応に応じて適応し、戦闘を解決する。この時間スケールにおける予測誤差は戦術的である。プレイヤーの戦闘の進行を想定したモデルと実際に起こった展開との差である。コネクトの領土AI（敵が位置を守り、カバーを取ったり、迂回したり、撤退したりする）により、プレイヤーの予測が頻繁に誤り、かつ情報的価値を持つ戦術的状況が生じる。
3分のループ は、戦闘空間全体の進行を含む。最初の遭遇、PhantomまたはSpiritドロップシップによる補強波の到着、敵が倒れたり新たな脅威が出現したりする中で地形の支配が変化し、最終的にその展開が解決され、次の空間への道が開かれる。このスケールにおける予測誤差は戦略的である。プレイヤーは複数回の試行を通じて、または1回の通過中に注意深く観察することで、全体の戦闘の構造を学ぶ。
このアーキテクチャの重要な特徴は、3つのループが同時に活性化されていることであるsimultaneously active。 任意の瞬間、プレイヤーはモーター・感覚的な誤差（マイクロ）、戦術的な誤差（メソ）、および戦略的な誤差（マクロ）を同時に減少させている。 つまり、総合的な学習勾配は3つの独立した勾配の和となるため、すべてが同時にゼロに達する確率は非常に低い。 ネストされた構造が勾配を平坦化させないのを防ぎ、異なる時間スケールおよび認知的抽象レベルで動作する複数の冗長な学習勾配を提供している。
24.3 ゴールデン・トライアングル：制約が勾配安定化器としての役割
Haloの中核をなす戦闘フレームワーク（社内ではゴールデン・トライアングルと呼ばれていた）は、3つの行動から成り、それぞれに専用の入力が割り当てられており、すべてのタイミングで利用可能で、他の行動と中断されない。 武器（右トリガー）、グレネード（左トリガー）、および近接戦闘（顔ボタン）の3つの行動が、すべて常に利用可能である。 2001年にこれは革新的であった。 Doom および Quakeでは、グレンデッドは単なる武器として、完全な装備切り替えが必要であった。 Haloカーテンでは、武器を保持しつつグレンデッドを投げたり、敵に近づいた際に拳を振って戦うことが可能であり、3つの戦闘行動が常に利用可能で、切り替えコストはゼロである。
この設計効果は組み合わせ的である。 すべての遭遇は複数の有効なシーケンスでアプローチできる。 たとえば、グループを弱体化するためにフラググレネードを使用し、その後ライフルで終結する。 プラズマピストルを過充電してエリートのシールドを剥がし、マグナムに切り替えて頭を狙う。 ハンターに近づき、その露出した背面を拳で突く。 三角形は組み合わせ的予測誤差を生成する。 プレイヤーは単に各行動が孤立してどのように機能するかを学ぶだけでなく、それらが順にどのように相互作用するか、どの敵タイプに対してどの組み合わせが効率的か、そして遭遇中にどのタイミングで行動を切り替えるべきかを学ぶ。
2武器制限はこの効果を強化する。Doomではプレイヤーがすべての武器を同時に使用できるが、Haloは二択を強制し、常にその選択を再検討しなければならない。武器のサンドボックスは、プラズマと実弾の二元性に基づいて設計されている。プラズマ武器（コヴナント由来）はエネルギー防護盾を効率的に破壊できる；実弾武器（人類の由来）は健康値を効果的に損なう。実弾武器のみを携帯するプレイヤーは、防護盾を持つエリートに対して弾薬を無駄に使う。プラズマ武器のみを携帯するプレイヤーは、距離を離れた未防護対象を倒す際に苦戦する。この制約は、優位な戦略が決定空間を崩すのを防い、学習勾配を安定させる。
24.4 コートンとしての学習システム
Haloのコートン敵勢力は階層的なカリキュラムとして設計されている。各敵対種類は特定のパターンを教える；それらが組み合わさることで、プレイヤーは以前に学んだパターンを新たな構成で組み合わせる、複雑さが増す遭遇を体験できる。
グランツは初級の授業である。彼らは弱く、多く、感情的な反応が極端である。ヒットを受けたときは喜びを表現し、リーダーが死んだときは叫びながら逃げ、時々プラズマグレネードを事前に充電して自爆攻撃を行う。その行動は最大限に読みやすいであり、初めてプレイするプレイヤーでも数秒以内にパターンを抽出できる。彼らが生じる予測誤差は小さく、すぐに解決できるため、学習勾配の基準となる。
ジャックルは位置的なパズルを導入する。彼らの腕に装着されたエネルギー防護盾は正面からの攻撃をブロックし、プレイヤーは側面からの攻撃を学ばなければならない、またはその盾が覆っていない手と武器の隙間を狙う必要がある。この予測誤差は空間的である。プレイヤーの「敵に撃つ」というモデルは、防護盾によって破られ、更新されたモデル（「側面から撃つ、または隙間を狙う」）によって誤差が解決される。
Elites は核心的な戦闘課題である。彼らは再充電可能なエネルギーシールド（プレイヤー自身の生存モデルと対応）を持ち、グレネードを避け、隠れたり、有利な状況では積極的に追撃する。Eliteと戦うことで、Haloの戦闘リズムを定義する strip-and-finish のループを学ぶ。プラズマ砲火でシールドを減少させ、その後、正確な頭部ヒットまたは近接戦闘で終結する。この二段階の戦闘パターンは、Eliteの行動が変動するため、持続的な予測誤差を生み出す。彼らは異なる方向に回避し、異なる健康状態で引き抜く場合があり、まれにプレイヤーを驚かせるように側面からの突入を試す。
Hunters は配置とタイミングの学習を教える。彼らは背中に小さなオレンジ色の領域以外、どこも装甲が厚い。彼らの近接攻撃は致命的だが遅く、予測が容易である。予測誤差は二値的で劇的である。正面からの攻撃は完全に失敗（大きな負のフィードバック）、露出した弱点への円を描く攻撃に成功すると迅速に成功（大きな正のフィードバック）。
Covenantの学習システムの力は、個々の敵種に依存せず、その combinatorial composition にあり、その点が重要である。3体のグランツに遭遇するのは簡単である。3体のグランツに加えてEliteが出現するのは、グランツが注意を奪い、Eliteが側面から攻め込むため、明らかに困難である。ジャックルを加えると、プレイヤーは位置のパズルを解決しなければならない。各新しい組み合わせは、構成要素のパターンが既に知られているにもかかわらず、新たな予測誤差を生み出す。学習勾配は正である理由は、敵の組み合わせ空間が敵種の数よりもはるかに大きいからである。
BungieのAIプログラマであるDamián Islaは、開発会議で「原始的なゲーム」と呼んだ。AIはプレイヤーと戦う「隠れ探し」「タグゲーム」「hillの王」といったゲームをプレイする。"それは進化が私たちにこれらの原始的なゲームを教えた。それは、私たちの爬虫類脳でプレーされるゲームだ。" その予測誤差は古く、 Pleistocene時代から人間の脳が解決してきた運動パターンに根ざしている。
24.5 シールドと回復原理
Haloの再充電シールドシステムは、このシリーズにおける最も重要な設計決定であり、その学習勾配管理への貢献は過小評価されるべきではない。
プレ-Halo時代のシューティングゲームでは、プレイヤーは静的なヒールプールを持ち、敵からのダメージによって減少し、ヒールパックを発見することでのみ回復する構造であった。これにより、2つのフローを破壊する問題が生じる。まず、ヒールが低い状態にあるプレイヤーは不安ゾーンに陥る。その際、課題とスキルの比率が極端に歪み、誤操作の結果が命を落とすという状況になり、エラー信号は「12％のヒールで死んだ」というノイズ（情報）ではなく、「エリートの回避パターンを誤解したため死んだ」という情報（学習情報）に過ぎない。第二に、ヒールパックの探索は目標の偏移を引き起こす。プレイヤーの目的が、学習が行われる戦闘（学習勾配が存在する場面）から、環境内を探索して緑のボックスを探すこと（学習に貢献しない）へとシフトしてしまう。
Haloのシールドは両方の問題を同時に解決する。約5秒間ダメージを受けない場合、シールドが完全に回復を開始する。これにより、すべての遭遇はプレーヤーが最大防御能力に達しているか、それほど近く、各戦闘の開始前に課題とスキルの比率が設計された値に戻る。死亡は現在の遭遇に関する情報を提供するものであり、過去のダメージの残響を反映するものではない。誤差信号はクリアである。
このリズムは「戦闘 → ダメージを受ける → 覆いの場所へ移動 → シールドが回復するのを待つ → 新しい位置から再戦闘」に直接対応しており、フローチャンネルに正確にマッピングされる。課題はスキルを一時的に上回る（シールドが下がった状態での脆弱性が緊急性を生む）が、その後バランスを取り戻す（シールド回復により完全な能力が回復）ことで、予測誤差サイクルが維持され、不安に突入したり、退屈に陥ったりすることを防ぐ。
マルチプレイヤーでは、比較的長い死亡時間（対戦シューティングゲーム、例えばCounter-Strikeのような即時死亡が特徴的なゲームと比較して）により、戦闘は延長された相互作用となる。各遭遇は複数の決定にわたる豊かな、多次元の誤差信号を生成し、より深い、長期間にわたる学習勾配を支える。
24.6 フィードバックの明確性と誤差の読みやすさ
予測誤差が学習に有用であるためには、プレーヤーが何が間違っていたかを特定できる必要がある。これはフィードバックの読みやすさの原則であり、Haloはこれに異常に徹底している。
視覚的フィードバック は複数の層で動作する。シールドインジケータは、リアルタイムで残りの防御能力を表示する。敵に命中範囲内に向けた際、レティクルの色が変化する。敵のシールドが命中した際、閃光し、輝きを放つ。ヘッドショットによる死亡は、特徴的な視覚的な「ポップ」を生じる。これらすべては、視覚系を通じて自動的に認識される、事前注意レベルでの処理である。
音声フィードバック も同様に正確である。マーティン・オドーンルは、音声システムを設計し、理論上、目を閉じてプレイできるようにした。すべての戦闘に関連する状態変化に対して、対応する音声ヒントが存在する。シールドが減少した際には特異なアラーム音が鳴り、充電中には上昇する音が鳴る。各武器には特徴的な音が付与される。敵の声は状態を伝え、グランツは喜ぶ、慌てる、または警告を発する。エリートは攻撃的になると鳴き、下位の部隊に命令を下す際に吠える。
行動フィードバック は最も重要な層である。コネクト敵はアニメーションおよび声で内部状態を表現する。シールドが剥奪されたエリートはふらふらと揺れ、ふらつく。リーダーが殺されたグランツは武器を落とし、叫びながら逃げ出す。側面から攻撃されたジャカルは明らかに驚きを示す。これらの反応は、プレイヤーの戦略が効果的に機能していることを確認する、読み取れる証拠である。
これが、Flood（洪水）がHalo CEの7話で登場した理由であり、学習勾配を著しく劣化させてしまう。Floodの戦闘行動は読み取り可能な状態変化を示さない。彼らはふらつくことなく、隠れることもなく、コミュニケーションを取らず、プレイヤーの戦術的判断に対して情報的フィードバックを提供しない。予測誤差の空間は、豊かな多次元空間から単一の次元（彼らがプレイヤーに到達する前に殺せるか？）へと縮小する。その結果、学習勾配も平坦化される。
24.7 静かな地図を描く者：勾配構成の事例研究
Halo CEの4話、静かな地図の作者はシリーズ内で最も評価されるレベルである。学習勾配の枠組みを通して分析すると、その優れた点は、継続的に変化するプレイ空間において複数の勾配タイプを重ねることにある。
レベルは、ビーチへの攻撃から始まる。最初の戦闘は空間的に開放されている。プレイヤーは、ワートホグが砂地でどのように操作されるか、海兵隊搭乗員との連携、そして開けた戦場を読み取る方法を学ぶ。ビーチを突破した後、プレイヤーは島を反時計回りに周回し、段階的に強くなるコホートの敵勢に遭遇する。ゲームは主要施設の入り口をロックし、代替経路を通るよう強制する。この構造的決定は、探索の難易度を拡張し、戦闘の難易度の上にナビゲーションパズルを追加する。
このシーケンスが特別であるのは、戦闘の文脈が継続的に変化している点である。ビーチ攻撃は開けた地形での車両戦闘である。2番目の施設へのアプローチは、狭い道を歩く歩兵戦闘である。内部では最初のハンターが登場し、狭い空間での包囲戦術を要求する。戻りの段階では、ドロップシップで補強された敵の反撃が行われる。地図室への下りは、多層構造を持つフォアランナー的な閉鎖空間での垂直戦闘に移る。表面に戻る段階では、アクティブなカモフラージュを持つステルス・エリートが登場する。各セグメントは、支配的な予測誤差の種類を切り替えていく。すなわち、車両戦、歩兵戦、狭い空間でのボス戦、防衛戦、垂直方向の戦闘、そしてステルスである。そのため、基本となる戦闘メカニクスが変わらないにもかかわらず、この勾配が完全に平坦になることはない。
24.8 ライブラリ：勾配崩壊の事例
ライブラリは、Halo CEの8番目のミッションで、シリーズ内で最も批判されているレベルであり、ほぼ完璧な否定的ケーススタディとして機能している。『スイート・カートグラファー』が示すすべての原則が、このレベルで破られている。
このレベルは、狭く繰り返しの廊下を構成する四つの実質的に同じフロアから成り立つ。環境予測誤差はゼロである：すべての部屋が他の部屋とまったく同じように見える。敵の構成は、約30分間の期間中にすべてFloodに限られる。戦術的学習勾配は、敵の行動に変化がないため崩れてしまう。最適な戦略（後退、ショットガンを撃ち、繰り返す）は最初の1分以内に明らかになり、その後も進化しない。武器サンドボックスもそれに応じて狭まっている：ショットガンが圧倒的に優位であり、武器選択の予測誤差をゼロにまで低下させる。
ライブラリは、学習勾配が対戦の主な決定要因であることを示している。難易度とは無関係に、その点で独立している。このレベルは、ヒロイックまたはレジェンダリー難易度では非常に難しいが、その難しさは「学習可能な」ものではない。スキルの獲得に伴うポジティブな勾配を提供しない。その難しさは、持久力の難しさに似ている。スキルの獲得を試すのではなく、耐久力を試している。
24.9 プレイヤー対戦：終わらない学習勾配
Haloアイのマルチプレイは、人間同士の競争という領域に学習勾配を拡張している。その予測誤差のランドスケープは、原則として尽きない。
同等の開始（すべてのプレイヤーが同じ武器と同じ状態で出現）により、学習勾配はキャラクター選択によるものではなく、スキルの差によってのみ決まる。パワーウェポンの配置は、戦闘勾配の上に空間的な学習勾配を重ねる。武器が出現する場所、再出現するタイミング、そして回転をタイミングに合わせる方法を学ぶことにより、数時間にわたり続く戦略的予測誤差が生じる。マップ設計は、通過性と複雑性のバランスによって空間的な予測誤値を生成する。
Haloのマルチプレイにおけるスキルギャップは、4つのBungie時代の作品において分析された。Halo CEにおいて、M6Dパistolの3発頭部ヒットによる死亡時間は、頭部ヒットを確実に決められるプレイヤーと決められないプレイヤーの間で大きなギャップを生み出した。この勾配の頂点における予測誤差は非常に細かく、プロプレイヤーと普通のプレイヤーの差はターゲット取得において僅か数秒の範囲に収まっている。これは、行動レベルの学習勾配が最も広がっている状態である。
4作品のマルチプレイ学習勾配を追跡することで、一貫したパターンが明らかになる。この勾配は、設計上の決定が遭遇の組み合わせの豊かさを増すと深まり、遭遇の変動を知識チェックにまで絞る設計が行われると浅くなる。Halo 3は最もバランスの取れた設計を実現し、装備システムが組み合わせの深さを増し、武器サンドボックスは最も完全（26の武器、11の車両、11の装備アイテム）であり、Forge/Theatreエコシステムが創造的・分析的領域へと勾配を延ばした。このゲームはXbox Liveの最もプレイされたゲームランキングのトップに長期間ランクインし、10億以上のマッチを記録した。
24.10 フレンドリーな設計の教訓
Haloの4作品における設計歴史は、学習勾配フレームワークから導き出される実用的な原則を提供する。
シンプルさは深さを生む。 グローバル・トライアングルの3つの動詞の相互作用は、複雑な能力ツリーよりも戦術的な深さをもたらす。その理由は、これらの動詞の相互作用が発見可能で、学習可能であり、完全に尽きないからである。設計においては、単純な要素の相互作用を通じて組み合わせの豊かさを生み出すべきであり、表面的な複雑さ（要素の数の増加）を追求すべきではない。
制約は学習を促進する。 2武器制限は、装備の再評価を継続させ、優位な戦略が決定空間を崩すことなく、学習を促進する。
フィードバックは即時的で、段階的で、読みやすい必要がある。 コンセンサスの読みやすい行動は、すべての戦闘行動を情報的予測誤差に変換する。一方、フロッドの読みにくい襲撃は、フィードバックが読みやすい場合でも、その存在がなければ学習勾配は崩れてしまうことを示している。
回復メカニズムは勾配を安定させる。 シールドの再生は、遭遇間のチャレンジとスキルの比率をリセットし、明確な誤差信号を確保する。
ネストされたループ構造が、勾配の持続性を保つ鍵である。 モーター、戦術、そして戦略的時間スケールにおいて、予測誤差を同時に生成することで、すべての層が同時にゼロに達する確率を非常に低く保つ。
車両の移行は、ペースを決める装置である。 軍靴から車両戦闘への移行は、モーター層の勾配をリセットしつつ、戦術層の勾配は維持する。
音楽は無意識に興奮を調整する。 O'Donnellの動的音声システムは、生理的興奮を調整しながら、予測誤差の競合源にならないようにする。
プレイヤーが選択する難易度は、主体性を保つ。 Haloアイズの4段階システムにより、プレイヤーは学習勾配の急峻さを自ら選択でき、隠された操作なしに学習を進める。
24.11 最終的洞察
Haloアイズが素晴らしいのは、その刺激性があるからではない。刺激性は副次的な効果である。Haloアイズが素晴らしいのは、その戦闘サンドボックスが、複数の同時時間スケールにおいて、適切な密度、解像度、多様性で予測誤差を生成し、その誤差がプレイヤーが認識でき、情報的で、より良いプレイを通じて解決できるように、フィードバックシステムが設計されているからである。
シリーズの343 Industriesによる衰退は、同様のフレームワークで説明できる。プロメテウス敵はフィードバックの明瞭性を低下させ、スプリントは遭遇の時間的調整を乱し、装備の選択はマルチプレイヤーにおける予測誤差をスキルベースから知識ベースにシフトさせた。Halo Infinite のオープンワールドは、3分ループを維持していた連続遭遇の積み重ねを破った。
Haloアイズの戦闘は、プレイヤーに強さを感じさせることが目的ではなかった。それは、プレイヤーが常に成長している、正確な速度で、その状態を体験させることにあった。この教訓は、本書のすべての章で繰り返されるものである。「遊び」はゲームの性質ではない。ゲームの不確実性に対するプレイヤーの脳の減少速度がその性質である。 Haloアイズは、その理論が存在する前からこのことについて理解していた。
第25章ゼルダの伝説：好奇心、探索、そしてプレイヤー主導の学習
好奇心を主なエンゲージメントメカニズムとして、環境の明瞭性が明示的な指示を代用する理由、そして『ブリース・オブ・ザ・ワイルド』がプレイヤー主導型学習勾配として最も純粋な実装を実現した理由。
25.1 まったく異なる種類のゲーム
Where Halo は戦闘の流れについてであり、Dark Souls は変換室についてであり、The Legend of Zelda - 特に Breath of the Wild および Tears of the Kingdom - は 好奇心に基づく学習 についてである。緊密に制御された遭遇が少なく、明示的な指示が少なく、強制されるシーケンスも少ない。しかし、これらのゲームは現代ゲームデザインにおいて最も強力で持続的なエンゲージメントを生み出している。
これは、統合モデルが解決しなければならない問いを提起する。直接的にプレイヤーを導かないシステムにおいて、学習勾配をどのように維持するのかという問題である。その答えは、学習勾配は設計者が強制するものではなく、プレイヤーが共に構築するものであると明らかにされる。設計者の役割は、プレイヤーがどの方向に進んでも、何か学ぶ価値のあるものが待っているような世界を創出することである。
25.2 コアループ：好奇心、発見、理解
Zeldaは、従来のアクションゲームループ（遭遇 → 戦闘 → 報酬 → 次の遭遇）を別の構造に置き換える。
- プレイヤーは環境に異常な点を発見する
- 彼らが調査を行う
- ゲームのシステムと実験を行う
- ルールの発見またはパズルの解決に至る
- その理解は世界の他の場面でも適用される
このループはゲームが強制しているものではない。それはプレイヤーの好奇心によって生成される。脳の中脳限性の好奇心回路（Gruber, Gelman, & Ranganath, 2014, Neuron）は情報のギャップを内在的報酬に変換する。プレイヤーは異常なランドマークに注目したり、未知のオブジェクトと相互作用する理由は、発見の予想そのものが報酬をもたらすためである。Gruberらは、高レベルの好奇心状態が、対象情報だけでなく、その好奇心期間中に遭遇した全く偶然の情報についても記憶を強化することを示した。Breath of the Wild のプレイヤーが好奇心の状態にあるとき、つまり、次の稜線の向こうには何があるのか、新しいシーカーの仕掛けは何をするのか、2つの物理オブジェクトはどう相互作用するのかと問うているとき、その脳はあらゆる種類の学習に対して神経化学的に有利な状態に置かれている。
25.3 始まりの台地：自由によるオンボーディング
大いなる平野、Breath of the Wildのオープニングエリアは、チュートリアルを使わず、オーバーロードを解決した、オープンワールドでの導入のモデルとして知られている。
プレイヤーは密封された部屋の中で目覚め、基本的な服装とタブレット型のデバイス（シーカーストーン）を手に取り、洞窟から出て高原に到達する。その高原は、ゲーム世界全体を俯瞰する位置にあり、すべてのバイオームが視認可能である。山々、森、砂漠、火山帯、そして中央に見える遠くの城が見える。この視覚的構成は偶然ではない。広島・フジバヤシとさとる・タキザワは、CEDEC 2017でそのチームがどのように「三角則」という基本的な設計原則を用いたかを説明している。
CEDEC 2017で、チームが"三角則"を基本的な設計原則として使用した。三角形の形状（ピーク、屋根、塔）は遠くからも視認可能で、自然に目を引くことにより、プレイヤーを導くポイントを形成し、明示的なマーカーを使わずに注意を引きつける。
始まりの台地には4つの祠があり、それぞれがシーカーストーンのルーン能力の1つを教えている。それはマグネシス（金属物体の操作）、ステイス（物体を冻结し、運動エネルギーを蓄える）、クリオニス（水面上で氷の柱を生成する）、およびリモートボムである。各祠は1つの概念を孤立させ、実験を行うための制御された環境を提供し、完成した際にスピリットオーブを報酬として与える。この教育は完全に環境によるもので、ツールチップがマグネシスを使って水の下にある金属の宝箱を引き上げることや、ステイスを使って岩を冻结し運動エネルギーを蓄えてカタピルト効果を生み出すことができる、といった情報は一切記載されていない。プレイヤーは実験を通じてこれらの応用を発見し、それぞれの発見は「予測誤りの解決」として扱われる。『知らなかったが、今やそのルールを理解できた』と感じる。
始まりの台地は、4つの祠を完成するまでには、その周囲の崖によって広い世界への探索が制限されている。これはゲームにおける唯一の線形制約であり、正確な学習勾配機能を果たしている。すべてのプレイヤーが4つの基本的なルーン能力を習得した上で開放世界へ進むことにより、最低限のモデル複雑性を保証し、開放世界フェーズが過負荷を生じないようになっている。プレイヤーがパラグライダーで始まりの台地から離脱すると、どこへでも、どのような順序でも自由に移動でき、最終ボスに直接進むことも可能になる。ゲームは、大始まりの台地がプレイヤーに十分な基礎学習を提供したことを信頼しており、その時点でプレイヤーが自らの学習勾配を構築できると見ている。
25.4 物理・化学システム
ブレイス・オブ・ザ・ワイルドの最も重要な革新は、その開放世界そのものではなく、物理・化学システムである。世界中の物質が相互に作用する物理的ルールの集合で、自発的な行動を生み出している。
火は草や木材に拡がる。金属は電気を導く。熱に近づくと氷が溶ける。風は音や火を運ぶ。温度はプレイヤーの生存に影響を与える。雨は表面を滑りやすくなるようにする。世界中のすべての物質は、一貫したルールに従って物理的性質を持つが、これらのルールによって生じる組み合わせ的結果は、設計者が明示的にプログラムしたものではない。
このシステムによって生み出される学習勾配は非常に大きくなる。プレイヤーは説明を受けずに実験を通じてルールを発見するためである。たとえば、火のシステムだけを考えてみよう。
- プレイヤーは、 Flint（閃石）を木材の近くで打ちつけることによって火を起こすことに気づく
- 彼らは、火が草に拡がることを発見し、その結果として上昇気流が生じることを知る
- 彼らは、パラグライダーが上昇気流を受け、垂直移動が可能になることに気づく
- 彼らは、草に火をつける火の矢を遠くから射て、同じ効果を得ることを発見する
- 彼らは、草を火にかけて敵の近くに設置することで、敵をダメージを与えることに気づく
- 彼らは、草を燃やした上昇気流を利用して、アクセスできない場所に到達できることに気づく
これらの発見のそれぞれは、予測誤差の解決に該当する。プレイヤーの「この世界で火がどう動くか」というモデルは、各相互作用ごとに拡大していく。そして、ルールが一貫している（火は常に燃えやすい物質に拡がり、常に上昇気流を生み出し、常に損傷を与える）ため、学習はその場で移行する。ある場所で発見されたルールは、どこでも適用される。これは、手作りのパズル設計とは逆のもので、各パズルは独自のルールを持ち、それらはどこにも適用されない。物理・化学システムは、学習勾配を生成し、新しいルールは以前に学習されたすべてのルールと掛け算され、可能な相互作用の空間を拡大する。
システムは、与えられた問題に対して複数の有効な解決策をサポートしている。木の台に配置された敵の集団に対処する方法として、次のいずれかが可能である：隠れながら通過（潜入）、直接戦闘（戦闘）、台を火に点ける（環境要素）、山下に石を転がす（物理学）、上方からアイテムを落とす（空から）、あるいは単に無視する（探索）。各アプローチは異なる学習ルールの組み合わせを使用し、プレイヤーが選ぶアプローチそのものが学習勾配の決定となる。この状況において、どの学習ルールを試したいかを問う。
25.5 祠設計としての制御された学習
Breath of the Wild（152箇所）中の120の祠（Tears of the Kingdomでは152箇所）は、オープンワールドの中に埋め込まれた制御された学習環境として機能する。各祠は一つの概念を孤立させ、実験を行うための安全な空間を提供し、プレイヤーがその理解をテストできるようにし、その理解がオープンワールドで適用される前に帰還できるようにする。
祠はいくつかのカテゴリに分類され、それぞれが異なる予測誤差プロファイルを生成する。
戦闘祠（力の試練）は、プレイヤーがGuardian Scoutと対峙する場面で、3つの難易度段階のいずれかに挑む。これはDark Soulsの意味での純粋な変換室である。敵の攻撃パターンは繰り返しによって学習可能であり、プレイヤーのモデルは各試行ごとに改善される。難易度の段階（小規模、普通、大規模）は、祠間の戦闘勾配を形成する。
Physics puzzle shrines は、プレイヤーがルーンの能力と物理学の相互作用を使って障害物コースを通過させるように求める。これらは、Portalの部屋のような離散的な「あっ！」の瞬間を生成する。プレイヤーはレイアウトを研究し、異なるルーンの応用を試み、最終的に解決法を視覚的に理解する。予測誤差は1つの認知的イベントで崩れる。
Apparatus shrines は、モーションコントロールを使ってプラットフォームや迷路を操作し、物理的なコントローラーがゲーム内のオブジェクトにどのようにマッピングされるかについての運動・感覚予測誤差を生成する。これらは最も議論の余地の多い祠である。モーションコントロールシステムは制御の不確実性（Costikyanのタイプ10）を導入し、一部のプレイヤーにとってはストレスをもたらすことがある。
Blessing shrines は、オーバーワールドのパズル（祠の入り口を見つけること）を解決した報酬である。祠自体では予測誤差がゼロである。その勾配は完全に発見の段階にあった。
祠システムは探求と集中のリズムを創出しており、第25章で説明されたLC-NEの位相性／持続性の振動と対応している。
- 祠間の移動は探求的（持続性モード）である。プレイヤーは環境をスキャンし、ランドマークを認識し、調査する。祠パズルは集中的（位相性モード）である。注意は限定された課題に絞られ、即時フィードバックを得る。この振動により、どちらのモードもプレイヤーを過剰に疲労させない。
25.6 環境の可読性がマーカーを置き換える
Breath of the Wild の最も重要な設計決定は、伝統的なオープンワールドナビゲーションマーカーを使用しないことだった。地図にクエストアイコンはなく、ミニマップのワープポイントも、領域の進捗率のパーセントカウンターも、クエストログによる特定場所への案内もない。
代わりに、ゲームは 環境の可読性 に頼る。世界そのものが、面白いことの場所を伝えるのである。三角則により、ピークや塔は非常に遠くからも視認可能になる。異常な地形の特徴（マッシュルームの環、不自然に並べられた岩、山頂に孤独な木）は、Korokの種パズルを示す。煙の列は敵のキャンプを示す。祠のベースは、ランドスケープにオレンジ色で輝いている。シーカータワーのネットワークは、プレイヤーが周囲の地形を視覚的に確認し、興味深いポイントを特定できる高台を提供する。
このデザインは、Bavelier研究室がゲームプレイが強化するという観察を示した、同じ認知的・注意的システムを活用している。プレイヤーの注意システムが「クエストマーカー」という機能を担う：環境内での異常をスキャンし、関連信号と無関係なノイズをフィルタリングし、情報収集の期待されるポイントへ向かう行動を指示する。探索プロセスそのものが、単なるポイントフォローよりも積極的な注意の投入を促す。Deci, Koestner, & Ryan (1999) の「undermining effect」（メタ分析 k = 128、実際の報酬効果 d = -0.40）の観点から言えば、外部のマーカーの欠如は、エンゲージメントを支える内面的な好奇心を維持することを意味する。
Ubisoftのオープンワールド構造との対比は教訓となる。Assassin's Creed、Far Cry、および類似タイトルは、地図の塔を通じて、その領域内のすべての収集品、クエスト、そして関心点を即座に公開する。これにより、不確実性は即座に完全に減少し、プレイヤーは正確にどこに何があるかを知っている。残るエンゲージメントは、タスクの完了（指定された場所へ移動し、指定された行動を実行）に帰着する。Breath of the Wildは、プレイヤーに何がどこにあるかを決して告げず、次の稜線の向こうに何があるかについての予測誤差を常に維持することで、不確実性を高く保つ。Deterding, Andersen, Kiverstein, および Miller (2022, Frontiers in Psychology) は、この点を3つの大きなゲームデータセット（約180万件のプレイヤー投票を含む）で直接検証：プレイヤーは中間難易度を好んでおり、成功に由来する動機付けが観察された。これは、プレイの予測処理理論と一致している。
25.7 武器耐久性が強制される予測誤差
武器耐久性システムは、ゲーム内で最も議論を呼ぶメカニズムであり、特定の学習勾配機能を果たす：それは支配的戦略の崩壊を防ぐ。
武器は使用回数に制限された回数で壊れる。プレイヤーは、1つの強力な武器を所有し、その武器をゲーム全体で使用するという戦略を取ることができない。代わりに、常にスカベンジを行い、適応し、手に入る武器に応じて対応しなければならない。これにより、次の3種類の予測誤差が強制されるが、それらは通常はゼロに解決されるはずであった。
リソース管理エラー: この敵に最強の剣を使うべきか、それとももっと難しい戦いのために保存すべきか？答えは、プレーヤーが次に遭遇する内容に関する予測に依存するが、オープンワールドではその予測は決して確実ではない。
戦闘適応エラー: 戦闘中に武器が壊れた場合、プレーヤーは異なる特性（射程、速度、ダメージ）を持つ別の武器タイプに切り替える必要があり、そのタイミングと間隔に関する新しい運動レベルの予測誤差が発生する。
探求インセンティブエラー: プレーヤーは常に探索を続け、代替武器を発見する必要があり、次のボックスや敵のキャンプに何があるかに対する好奇心（探求勾配）が、戦闘の勾配と常に結びつけられている必要がある。
武器の耐久性がなければ、プレーヤーが早期に強力な剣を発見したとしても、その武器の多様性システムに参加する理由、代替品を探索する理由、あるいは戦闘中の適応を強制される理由がなくなる。この3つの次元における勾配は平坦化してしまう。武器の耐久性は、その勾配の崩壊を防ぐ制約条件であり、Haloの2武器制限に類似して、支配的な戦略の存在を排除し、プレーヤーがゲーム全体を通して資源管理に関する意味のある予測誤差に直面させることを可能にする。
25.8 Tears of the Kingdom：勾配の拡張
ターナー・オブ・ザ・キングダム (2023) は、その物理学・化学システムが数百万のプレーヤーによって徹底的に探索されたゲームの継承課題に直面した。その解決策は、新たに予測誤差のカテゴリを追加することだった：構築。
ウルトラハンドの能力により、プレーヤーは物理的物体を掴み、移動、回転、そして他の物理的物体に接続できる。フュージョン（Fuse）では、素材を武器や盾に取り付けることができ、その特性を変更できる。リカル（Recall）は物体の軌道を逆転させ、アセンド（Ascend）はプレーヤーが天井を通過して垂直に移動できる。
これらの能力は、ゲームの予測誤差の空間を「物理法則の発見（ルールがどうなっているか）」から「物理法則の応用（これらのルールを使って何を構築できるか）」へと変化させる。構築システムは、エンジニアリングに関する予測誤差を生成する。この橋が私の重さを支えるか？ この車両が動くか？ この飛行機が十分な揚力を持つか？ こうした予測誤差は、プレイヤーが設計者が配置したオブジェクトに限られず、自らコンポーネントを使ってオブジェクトを創造できるため、元のゲームよりもはるかに大きな組み合わせ空間を持っている。
構築の勾配は、本システムが本物のエンジニアリングの創造性を支えていることに由来する。プレイヤーは、機能的なコンピュータ、航空戦艦、戦闘メカ、そして設計者たちが予想できなかった車両を実際に構築している。各構築プロジェクトは、設計が想定通りに機能するかどうかに関する予測誤差を生成し、その場の物理シミュレーションは、正確（重量分布が間違っているため車両が傾く）かつ解釈可能（プレイヤーは失敗の原因となったコンポーネントを視覚的に確認できる）なフィードバックを提供する。
25.9 ミクロ、メソ、マクロ学習
ゼルダは、すべての時間スケールで学習勾配を維持している：
ミクロ（秒）： 登攀にはスタミナ管理が必要である。滑空には風の流れと熱上昇気流を読み取る必要がある。戦闘ではパリーフをタイミングし、回避連打を正確に実行する必要がある。これらはそれぞれ、運動レベルの予測誤差を生成し、繰り返しによって解決される。
メソ（分）： 祠の謎解きには空間的思考とルールの適用が必要である。敵の陣地には戦術的評価が必要である。環境謎（コロクの種）にはパターン認識が必要である。これらはそれぞれ、認知レベルの予測誤を生成し、洞察によって解決される。
マクロ（時間）： 全体の物理学・化学システムを理解し、ヒルューの精神的マップを形成し、各システム間の相互関係（火が上昇気流を生み、上昇気流がパラグライダーを可能にし、パラグライダーによって高所の祠にアクセスでき、その高所にある刻印が新たな物理相互作用を可能にできる）を発見するプロセスである。マクロ勾配は、システム間の組み合わせの深さによって維持されている。
25.10 発見が報酬として機能する
ゼルダは、XPやアイテム、レベルアップといった伝統的な進化報酬を、自らの理解に置き換える。拡張施設を完成させることで得られる報酬は、ヒーロー玉であり、そのヒーロー玉は健康や耐久力のアップに貢献する。しかし、実際の報酬、すなわちポジティブな感情を生み出すもの、は「この仕組みを理解した」という発見そのものである。「これ、どうやって動くのか、わかった！」という瞬間が、報酬となる。ヒーロー玉はトークンに過ぎない。その中核となるのは、洞察そのものに由来するドーパミンである。
これは統一モデルと完全に一致している。「楽しい」とは、不確実性の減少を意味し、ゼルダはその不確実性の減少を主な報酬として、副報酬を得るための手段として位置づけている。Bromberg-Martin および Hikosaka (2009, Neuron) は、脳は情報そのものを内因的報酬として扱うことを示した。モンキーは、来週の報酬に関する情報を得るため、実際に食べ物を犠牲にすることを示した。ゼルダの設計はそのメカニズムを直接的に活用している。プレイヤーが探索する目的は、得られる報酬ではなく、得られる知識そのものである。
25.11 最終的な洞察
ブレス・オブ・ザ・ワイルド は成功した理由は、プレイヤーを積極的な学習者として、どこへ行っても何かを理解できる世界に導くからである。学習の勾配は、設計者がペースを決めてコンテンツを提供するものではなく、プレイヤーの好奇心が、ルールが一貫的で、発見可能で、無限に組み合わせ可能な世界と相互に形成されるものである。
デザイナーへの教訓は、最も持続可能な学習勾配は、プレイヤー自身が構築するもので、その世界が好奇心を報酬として理解に還元するということである。プレイヤーにどこへ行くべきかを教えるのではなく、どこへ行っても価値があるようにすべきである。
第26章バイオハザード：緊張、欠乏、そして制御された過負荷
恐怖という感情が学習勾配を活性化させるメカニズム、資源の限界が予測誤差の重要性を強調する仕組み、そしてホラーゲームが、どんな緊張状態でもその勾配が機能することを示していること。
26.1 まったく異なる種類のエンゲージメント
アクションによってHaloが流れを生み出し、Zeldaは好奇心によって、そしてDark Soulsは変換室によって流れを生み出すのに対して、Resident Evilは緊張と制約を通じて参加を促す。このゲームは、プレイヤーが脆弱で、不安で、慎重な気持ちを抱くように設計されている。 hedonicな観点から見れば、これは好ましくない体験であるべきである。しかし、このシリーズは30年以上にわたり、複数のリブートを経て高い参加を維持しており、そのように設計された生存恐怖ジャンルはゲーム界で最も特徴的なジャンルの一つである。
この統合モデルはこれを説明しなければならない。もし「楽しい」とは、不安を減少させる最適な速度で体験される主観的体験であるならば、なぜ、プレイヤーの不安の感覚を最大化するゲームが、そのような参加を維持できるのか？
答えは、恐怖は学習勾配を強化するのである。
26.2 恐怖が勾配を強化する
Andersen, Schjoedt, Price, Rosas, Scrivner, および Clasen (2020, Psychological Science; n=110) は、ゲーム以外の文脈で実証的根拠を提供した。幽霊の家での楽しみは、恐怖に対して逆U字関係を持ち、心拍数データによれば、生理的基準からの「ちょうどいい」ずれが楽しみを最大化した。恐怖が少なすぎると退屈であり、あまり多くなると好ましくない。最適ゾーンは、脅威が現実的で注意を鋭くする一方で、その脅威が制御可能で、参加者はそれを処理・反応できる状態であった。
これはYerkes-Dodson曲線に直接対応する。中程度の興奮はパフォーマンスや学習を強化し、過剰な興奮はそれらを劣化させる。生存恐怖ゲームはこの曲線の上端近くで動作している。恐怖は注意を狭める（プレイヤーは脅威に対してハイパーコンセントレートされる）、誤りの記憶形成を深める（アドレナリンは感情的に意義のある出来事を記憶に定着させる）、そしてすべての決定が意味を持つように感じさせる（各予測誤差の影響は感情的文脈によって強調される）。
Resident Evil の核心ループは以下の通りである：未知性（敵、音、不慣れな部屋）に遭遇 → 恐怖を体験（興奮の上昇） → 高圧下で判断を下す（戦う、逃げる、保存） → 未知性を解決（敵が倒れた、部屋が明るくなった、道が安全になった） → リソースの確認（興奮が低下）。このループは、高興奮状態で動作する予測誤差サイクルであり、Halo の戦闘ループと同様のメカニズムを用いているが、ノルエピンフェルのスケールをより高く設定している。
26.3 スパーカー邸が空間学習の勾配として機能する
1996年のオリジナル Resident Evil およびその2002年のリマスター版は、スパーカー邸を空間的パズルとして構築しており、建築、閉じられたドア、鍵アイテムを通じて予測誤差を生成する。
邸は単一の相互接続された構造であるが、プレイヤーのアクセスは鍵、紋章、パズルの解決によって制限される。初期の探索では、全体の空間のわずかな部分しか明らかにされず、各鍵の取得により新しい部屋や廊下が開かれ、それらは以前探索したエリアと接続される。空間学習の勾配は、段階的な発見を通じて機能する。プレイヤーの精神的マップは各鍵を得た度に拡大し、エリア間の接続は空間的予測誤差（この廊下がメインホールに接続しているか？地下が守衛所に接続しているか？）を生み出す。
この構造は、同時に二つの勾配機能を提供する。第一に、好奇心を維持する。プレイヤーはまだ開けられていない閉じられたドアがあることを知っているため、情報のギャップが探索を促進する。第二に、バックトラッキングを生成し、プレイヤーの空間モデルをテストする。以前訪れたエリアに戻り、新たに得た知識（鍵、パズルの解決）を持って再訪した際、記憶に基づいてナビゲートする必要があり、その際、内部のマップと実際の配置を比較することで、空間的理解を検証する。
ゾンビの配置は両方の機能を強化する。ほとんどのResident Evilシリーズでは敵は復活しないが、プレーヤーが訪れた部屋では敵が継続的に存在する。廊下に残されたゾンビは、プレーヤーが再びその廊下を通過するたびに、常に存在する脅威となる。各ゾンビに対して殺すか回避するかという判断は、資源管理の予測誤差（このゾンビに弾薬を使う価値があるか？）であり、その判断の結果はゲーム全体にわたって影響を及ぼす。
26.4 資源の不足がもたらす予測誤差
Resident Evilの特徴的なメカニクスは資源の不足である。有限の弾薬、有限の回復用草薬、有限のインベントリスペース（有名なアイテムボックスシステムによって管理される）。すべての弾薬とすべての草薬は、消費した後は元に戻せない、有限な資源である。
その資源の不足は、予測誤差を情報的ものから結果的なものに変える。Haloでは、非最適な武器選択は数秒の効果低下をもたらすが、プレーヤーはすぐに武器を切り替えられる。Resident Evilでは、脅威のないゾンビに弾薬を無駄に使うことで、将来の遭遇に必要な資源が確保できない可能性がある。この「戦うか回避するか」という予測誤差は、実際に重大な影響をもたらす。その答えは、将来の資源需要に関する予測に依存しており、その予測は確実ではないためである。
この結果的性質は、次の3つの方法で学習の勾配を深める。
注意が鋭化する。 すべての弾薬が重要であるとき、プレーヤーは各遭遇に対してより慎重に注意を払う。敵の行動をより詳細に観察する必要がある。なぜなら、ミスした弾薬のコストが大きくなるためである。この増強された注意は、より豊かなエラーのエンコーディングを生み出し、モデルの構築を加速させる。
戦略的深さが強制される。 プレーヤーは各遭遇を独立して最適化するのではなく、複数の遭遇を考慮した計画を立てる必要がある。インベントリの管理、ルート計画、敵の優先順位付け（どの敵を殺すか、回避するか、無力化するか）は、数時間単位の時間スケールで動作するマクロレベルの戦略的勾配を生み出す。
張力が維持される。 資源が豊富なプレイヤーは安心感をもつため、興奮は基準値に低下し、恐怖が強調された学習勾配は崩壊する。資源が乏しいプレイヤーは脆弱な状態にあり、興奮は常に高いままとなり、すべての遭遇が予測誤差を増幅させる。資源の不足が、ゲーム中にYerkes-Dodson曲線の最適ゾーンを維持するメカニズムとなる。
26.5 Mr. Xと適応的脅威勾配
2019年のResident Evil 2 リメイク版では、Mr. X（The Tyrant）が、ラクーンシティ警察局を巡回する、常に存在し、殺せない脅威として登場する。Mr. Xは、Miller et al.（2024）がホラーゲームにおいて「制御された予測誤差環境」と呼んだ、最も純粋な実装である。
Mr. Xは殺せない。一時的に揺らすだけである。音でプレイヤーを追跡し、部屋を移動させながら追跡し、予測できないタイミングで現れる。プレイヤーは彼の音響ヒント（近づくにつれて重くなる足音）を読み取り、安全な部屋（入り込めないセーブルーム）を特定し、露出を最小限に抑えるルートを計画しなければならない。
学習勾配は特徴的な弧を描く。初回の遭遇では予測誤差が最大となる。プレイヤーはMr. Xのルールを知らない（殺せるのか？どこにいるのか？ドアを通り抜けることができるのか？）。次の1時間以内にモデルが発展する。プレイヤーは彼の移動速度、巡回パターン、部屋入りルール、音響ヒントを学ぶ。中盤までに、プレイヤーは警察局内を移動しながら、Mr. Xを背景の脅威として管理し、彼の巡回経路を避け、安全な部屋をステージエリアとして活用できるようになる。
この弧、すなわちパニックから管理へ、そして習熟へと至る過程は、単一のメカニクスに収められた学習の勾配である。予測誤差は戦闘行動（Mr. Xを戦闘スキルで倒すことは不可能）とは無関係で、空間的予測と脅威管理に関するものである。音声のヒントだけからMr. Xの位置を予測できるようになったプレイヤーは、最初のパニック期に持っていたモデルとは質的に異なるモデルを構築しており、その改善はすべての段階で認識可能である。
26.6 ホラーの勾配管理が失敗する場面
ホラーゲームは、恐怖が学習可能性を上回るとき、失敗する。もし脅威が本当に予測不能（ランダムな即死イベントで、前触れがない）であれば、予測誤差は解決不可能であり、勾配は挫折を生む。もし脅威が全く予測可能（固定位置でのスクリプトジャンプスケア）であれば、1回の遭遇後に予測誤差が解決し、その後のプレイでは勾配はゼロにまで減少してしまう。
優れたホラーゲームは、恐怖が学習できるが、簡単には習得しきれないものになるよう調整する。Resident Evil のゾンビは行動に一貫性がある一方、配置は変わる。Mr. X は一貫した規則に従うが、巡回経路は適応的に変化する。Alien: Isolation のゼノモーフはプレイヤーの行動に反応するAIを持ち、同じ隠れ方を繰り返すと攻撃性を増す。これらの仕組みは、練習によって減るが完全には解消されない予測誤差を生む。上達と持続する脅威の緊張関係によって、学習勾配が保たれる。
26.7 最終的洞察
『バイオハザード』は、興奮のスケールのどの点でも学習勾配が機能することを示している。恐怖は楽しさを否定するものではなく、注意を鋭くし、誤差のエンコードを深め、すべての決定を意味を持つようにすることで、学習勾配を強化する。このモデルは、低ストレスの状況でのエンゲージメントを必要としない。感情的な文脈に関わらず、学習可能な不確実性が存在すれば、楽しさは生じる。
第27章ナラティブゲーム：物語を通じた予測誤差
物語システムが期待の違反を通じて予測誤差を生成する仕組みについて；Disco Elysium、Outer Wilds、The Stanley Parableが運動的な自動化なしでエンゲージメントを維持する理由；そして物語駆動設計における独自の勾配管理の課題。
27.1 物語の予測誤差
物語は、キャラクター、世界、物語の進行経路に関するモデルを構築し、そのモデルを裏切ることで予測誤差を生成する。殺人ミステリーでは殺人者の正体に関する予測誤差が生じる。キャラクターのドラマでは関係の進展に関する予測誤差が生じる。SF物語ではその世界のルールに関する予測誤差が生じる。
しかし、物語の予測誤差は、メカニカルなエラーとは異なる3つの性質を持っている：
繰り返し不可能である。 一度、トリックが明らかになった後、そのトリックによって生じた予測誤差は再生成できない。どの物語ゲームにおいても、［その物語のネタバレ］を初めて知ったとき、その予測誤差は非常に大きくなる。2回目のプレイではその瞬間において物語の予測誤差はゼロになる。このため、物語の勾配はメカニカルな勾配とは異なり、再生成不可能 であると言える。
スキルに依存しない。 プレイヤーはその能力を向上させる必要はない。単にプレイを続けるだけで、物語の予測誤差を体験できる。このため、物語の勾配は難易度の調整によって形を変えることはできない。その勾配はコンテンツの提供速度、つまり情報の明らかになる速度によって完全に調整される。
異なる神経回路を活性化する。 物語の予測誤差は、メンタライジング・ネットワーク（内側前頭前皮質、側頭頭頂接合部）、言語理解回路（左下前頭回、側頭皮質）、感情処理システム（扁桃体、島皮質）を活性化する。一方、メカニカルな予測誤差は運動および空間的回路を活性化する。このため、物語のエンゲージメントとメカニカルなエンゲージメントは、同じ認知リソースを競合せずに共存できる。プレイヤーは、ボスの攻撃パターンのモデル（運動・空間的予測誤差）を構築しながら、物語の意味のモデル（物語の予測誤差）を構築することが可能である。
27.2 Disco Elysium：ゲームプレイとしてのSystem 2
Disco Elysium (2019) は、システム2が常に支配的であるという点で特異である。行動の自動化が発展しない。ゲームは完全に対話、調査、そして判断に依存している。しかし、30〜40時間にわたって深い没入を生み出し、多くのアクションゲームを上回る長さを持つ。
このゲームは、3つの同時進行する学習勾配によって没入を維持している。
謎の勾配。 プレイヤーは殺人事件を調査している。各会話、各ヒント、各環境の詳細が、殺した人物とその理由に関するモデルを更新する。これは典型的な探偵小説の勾配である。情報空間は広く、関連情報は数十人のキャラクターと場所に分散しており、プレイヤーは断片から整合性のあるモデルを構築しなければならない。この勾配は、情報の密度と、その証拠が支持する複数の仮説によって維持されている。
世界モデルの勾配。 リヴァチョルという都市は、失敗した共産主義革命、資本主義的占領、労働運動、国際的緊張といった複雑な政治的歴史を持つ。その歴史は直接説明されず、会話、書籍、壁画、環境の詳細から推測しなければならない。プレイヤーはリヴァチョルの政治的構造を段階的に構築し、新しい情報が得られると、その背景に対する予測誤差が生じる。この勾配は、謎の勾配に比べてより長い時間スケールで動作しており、政治の理解はゲーム全体にわたって行われ、一方で殺人に関する仮説は途中で生成・修正される。
心理的勾配。 プレイヤーのキャラクターは記憶喪失を抱えている。24スキルシステムは、物語内で双過程認知を模倣している。例えば、百科事典、権威、インランド・エンパイアといったスキルは、プレイヤーのキャラクターの頭の中で「システム1」として機能する。自動的なインプットやパターン認識による反応が、意図的な対話の中断を引き起こす。プレイヤーのシステム2は、これらのシステム1の「提案」を評価し、必要に応じて上書きしなければならない。
スコアチェックシステムは、処理モード間の形式的なインターフェースを構築する。アクティブなチェック（サイコロのロールがスキル投資によって変更される）は、キャラクターの自動的スキルを表し、プレイヤーのSystem 2がその実施を判断する。パッシブな「ブラックチェック」はプレイヤーの意思なしに発生し、プレイヤーが無意識に反応する純粋なSystem 1イベントである。プレイヤーは同時に、殺人事件のモデル、世界のモデル、そして自身のキャラクターの心理学のモデルを構築している。並行して動作する3つの勾配が、それぞれ異なる時間スケールで働き、いずれの勾配も運動スキルを含まないにもかかわらず、総合的な学習速度がゼロにまで下がることはない。
27.3 Outer Wilds：知識の勾配
Outer Wilds (2019) は、純粋な知識的学習勾配を実現した最も純粋な実装である。このゲームには戦闘、アップグレード、永久的な進化が一切存在しない。太陽系は22分ごとにリセットされる（太陽の死を意味する時間ループ）。ループ間で変化するのは、プレイヤーが知っていることだけである。
ゲーム内のすべての情報は最初の1分からアクセス可能である。この「進化」は完全に知識的である：プレイヤーはノマイ（古代の異星文明）に関するヒントを発見し、太陽系の歴史を組み立て、最終的に時間ループのメカニズムとその解決法を理解する。この学習勾配は、プレイヤーの知識の拡張によってのみ維持され、戦闘や進化の報酬構造が一切存在しないにもかかわらず、極めて高い評価を得た。
このデザインは、機械的スキルの習得やアイテムの収集、数値的な進化のない最も純粋な形で学習勾配が動作していることから、特に注目される。予測誤差は、プレイヤーが世界についてのモデル（この刻印は何を意味するのか？この量子信号はどこへ向かうのか？この惑星が12分の時点で崩壊する理由は何か？）にかかわるものであり、各誤差を解決した報酬は「理解」そのものであり、ゲーム内のトークンとは無関係である。Bromberg-Martin および Hikosaka (2009) は、脳が情報そのものを内在的に報酬として扱うことを示した。Outer Wilds は、この原理に基づいて構築された20時間のゲームである。
27.4 The Stanley Parable：メタ予測誤差
The Stanley Parable（2013年、2022年に拡張）はメタレベルで予測誤差を生成する。それは、ゲームそのものの動作に対するプレイヤーの期待を破る。
ナラティブは、プレイヤーが「こうする」という予測を述べる。プレイヤーはその予測に従ったり、反対したりできる。各選択は異なる物語の枝に導き、その枝はプレイヤーの選択、ゲームデザインの慣例、そしてプレイヤーの主体性についてコメントする。これらの予測誤差は、ゲームのメカニカルなシステム（非常に単純である：歩く、ボタンを押す、ドアを開ける）に関するものではなく、プレイヤーが「ゲームとは何か」「プレイとは何か」というモデルに関するものである。
このメタレベルの勾配は、本質的に自己制限的である。『このゲームは期待を覆す』という洞察は、プレイヤーがすぐにそのモデルを構築する。数回の枝に進んだ後、プレイヤーは期待される覆いを予測し、覆いの覆いが新たな予測となる。The Stanley Parable は、十分な枝の深さ（2022年のUltra Deluxe版には数十のエンディングが含まれる）および段階的に高まるメタレベル（初期の枝はゲームの慣例を覆す；中盤の枝は「覆す」という概念そのものを覆す；最も深い枝はプレイヤーがプレイ行為そのものとの関係を覆す）によってこれを管理する。
ゲームは、学習勾配がどのような抽象レベルでも動作できることを示している。Marioにおける予測誤差は物理学に由来している。Dark Soulsにおける予測誤差は戦闘パターンに由来している。The Stanley Parableにおける予測誤差はインタラクティブな物語の性質に由来している。メカニズムは同一であり、単にドメインが異なるに過ぎない。
27.5 物語勾配管理の独自な課題
物語ゲームはアクションやパズルゲームとは異なり、勾配が前段階で非再生性であるという設計上の課題を抱える。物語が明らかになると、物語予測誤差はゼロに落ちる。これにより、再プレイ価値が制限され、物語の密度（物語が多いほど勾配が長くなる）とメカニカルなエンゲージメント（物語の提示がゲームプレイの流れを中断しないようにしなければならない）との間で構造的緊張が生じる。
ゲームはこの緊張を以下の戦略で管理している。
分岐物語 (Disco Elysium, Mass Effect, Baldur's Gate 3) は、同じコンテンツを複数の勾配経路で提供することで、複数の選択肢が結果に与える影響についての予測誤差を生成する。各プレイスルーにおいて、物語予測誤値が生成され、一度に消費されるのではなく、複数プレイスルーにわたって継続される。
環境内物語 (Dark Souls, Elden Ring, BioShock) は、シーンの切り替えではなく環境に物語を埋め込むことで、物語を提供する。プレイヤーは探索を通じて物語の断片を発見し、このことにより物語勾配は探索の勾配と共に構築される。Dark Soulsのすべてのアイテム説明を調査するプレイヤーは、それらを無視するプレイヤーとは異なる（そしてより深い）物語勾配を経験する。
発生物語 (Dwarf Fortress, RimWorld, Crusader Kings III) は、システム相互作用から物語をプロシージャルに生成する。プレイヤー自身の経験に基づく予測誤差が生じ、作成されたコンテンツではなく、その結果が再生成されるため、再生可能である。各プレイスルーでユニークな物語が生成され、システムがルールの相互作用から予想外の物語結果を生成できる能力によって、勾配が維持される。
Integrated narrative (The Last of Us, Hades, Portal) は、物語をメカニカルな進行と一体化させ、物語とメカニカルな進行が同時に進展するように設計している。物語の展開は、メカニカルな課題の間の転換点で現れ、物語の感情的インパクトは、メカニカルな予測誤差を強化する。Hades は最も典型的な例である：死亡（負のメカニカルな予測誤差）は物語の進行（正の物語的予測誤差）を進展させ、メカニカルな失敗を物語の進展へと変換する。
27.6 最終的洞察
物語ゲームは、学習の勾配がメカニカルなスキルに限られることを示している。脳は物語、キャラクター、世界、そして意味について予測モデルを構築し、そのモデルを改善するプロセスが、運動スキルの習得やパズルを解くときと同じようにエンゲージメントを生み出す。この勾配メカニズムは、領域一般に作用しており、脳がモデルを構築・改善する場面において、物理、戦闘、空間認識、あるいは人間性といったどの分野においても機能する。
第28章アイドルゲームとモバイルゲーム：勾配の倫理
マイクロトランザクションが内在的な学習勾配（「wanting」の神経科学）と「liking」の区別、そしてエンゲージメントと搾取の違いについて。
28.1 学習なしのエンゲージメント
アイドルゲーム（Cookie Clicker, Adventure Capitalist）および多くのモバイルゲームは、統一モデルに対して課題を提示している。彼らは学習勾配の明確な存在を示さず、プレイヤーがクリック（または待つ）し、数値が増加するだけである。学習可能なパターンやスキルの発展、予測誤差の解決が一切ない。それでも、数百万のプレイヤーがこれらのゲームと数百時間も関与している。
このモデルの説明は、これらのゲームがドーパミン系の変数比率強化（variable-ratio reinforcement）およびnumber escalationへの反応を活用していることだとする。彼らが生み出すエンゲージメントは「wanting」であり「liking」ではない（Berridge & Robinson, 2016）：ドーパミン系は、実際の不確実性の減少による快感（hedonic satisfaction）の代わりに、行動（プレイヤーがゲームを確認し続ける、クリックを続ける）を維持するための「欲求」を維持している。
Deterding、Andersen、Kiverstein、およびMiller（2022、Frontiers in Psychology）は、インパルスゲームが累積メカニクスを通じて微小予測誤差を生成することを示した。各クリックまたは時間間隔ごとに、正確な結果（この操作で何の通貨が得られるか、次の閾値が開放されるか）についての小さな正の不確実性が生じる。予測誤差率フレームワークにおいて、インパルスゲームは可能な最小の予測誤差マグニチュードで、可能な最大の解像度周波数で動作しており、連続的に微小な誤差が解決される。これは、Dark Souls（大きな誤差で遅く解決）の対照的な極端であるが、メカニズム的には全く同じである。
28.2 ミクロトランザクションと腐食された勾配
モバイルゲームや基本無料ゲームの設計における倫理的な懸念は、少額課金が、努力によって得る進展を購入する進展に置き換え、学習勾配を損ないうることである。料金を払って挑戦を飛ばせると、その挑戦が生んだはずの予測誤差は、解消されないまま取り除かれる。プレイヤーのモデルは改善しない。改善を必要としたはずの障害を取り去っただけである。
DrummondおよびSauer（2018、Nature Human Behaviour）は、22ゲームにおけるロットボックスを5つのギャンブルに関する心理学的基準で評価し、そのうち45％がすべての基準を満たした。ZendleおよびCairns（2018、PLoS ONE；n=7,422）は、ロットボックスの支出と問題ギャンブルの重症度との間の有意な関連（η² = 0.054）を発見し、2回目の研究（n=1,172；η² = 0.051）でも再現した。Larcheら（2021、Journal of Gambling Studies；n=48/40）は、希少なロットボックスアイテムがより強い皮膚電気反応と、より強い開封の欲望を誘発することを示した。これらの生理反応はギャンブル報酬反応に並ぶものであった。
「欲求」と「喜び」の分離がそのメカニズムである：ロットボックスおよびガチャシステムにおける変動比強化スケジュールは、ドパミン系の「欲求」（開封や確認への 強迫的な 行動）を維持しつつ、実際のゲームシステムへの「喜び」（ゲーム内の実際の快感）は平坦または低下することがある。Singerら（2012）およびMasciaら（2018、Neuropsychopharmacology）は、継続的な変動比強化がドパミン系の感度を高める（「欲求」が暴露に応じて増加）ことを示した。
28.3 倫理的区別
統合モデルは、エンゲージメントと搾取の間で明確な倫理的区別を提供する。
本質的な関与 は、プレイヤーがスキルの向上を通じて解決する予測誤差によって、ゲームがポジティブな学習勾配を維持しているときである。報酬は不確実性の減少である。プレイヤーは成長しており、その改善は内面的に満足を与えるものである。『欲求』と『喜び』は一致している：プレイヤーは遊びたいと感じ、遊ぶこと自体が楽しいと感じる。
誘導 は、変数比強化スケジュールによって維持される関与の状態で、本物の学習を提供しない場合である。プレイヤーは成長していない。彼らはドーパミン系の不確実性感受性を操作されることで、強迫的な接近行動の状態に留め置かれている。『欲求』と『喜び』は分離されている：プレイヤーは遊びたいと感じるが、実際に楽しんでいない。
この区別は常に明確ではない。多くのゲームは両方の要素を含んでいる。しかし、統合モデルは、設計がどの位置にあるかを評価するための原則的な基盤を提供する：このメカニズムは、プレイヤーがスキルの向上を通じて解決する予測誤差を生成するのか、あるいは学習を伴わない変数報酬を生成して関与を維持するのか、という点にある。
28.4 設計上の意味
モバイルおよび無料プレイ設計における倫理的アプローチは、学習勾配を対象にした販売を行うことである：
- 外見を変えるアイテムを販売する（学習勾配には影響しない）
- コンテンツを販売する（新しいステージ、挑戦、予測誤差の源）
- 利便性を販売する（学習の代わりにはならない、使い勝手を改善する機能）
- 進展を販売しない（挑戦を飛ばすと、本来の没入を支える予測誤差が失われる）
- 強さを販売しない（購入した優位性は、学習勾配を読み取るためのフィードバックを損なう）
これらの原則に従ったゲーム（フォートニティ の装飾品のみモデル、パス・オブ・エクスイレ のストックタブおよび装飾品、ハーデス の有料DLC）は、無料プレイでの収益化が健全な学習勾配と調和していることを示している。これらの原則に違反するゲーム（勝利を買うモバイルゲーム、ロットボックス駆動の進化システム）は、学習勾配を 強迫的な ループに変換し、プレイヤー自身も製品の長期的な健康も損なうことを示している。
最終章楽しさの本質
全議論
この本は、すべての知られている人類文化がゲームをプレイしているというシンプルな観察から始まった。その観察は、生物学（遊びは感情的な動機としての基本的な動機であり、皮質下起源で、新皮質よりも古いものである）、神経科学（脳は予測機械であり、予測が失敗した際に特定の化学信号を生成し、その情報は本質的に報酬として扱われ、スキルが獲得されると回路が物理的に再構成される）、心理学（フローは、タスクに関連した執行的制御が訓練された手続き的経路を通じて働き、メタ認知的負荷が抑制される第三の認知モードである）、そしてデザイン（学習勾配、すなわち予測誤差が生成され解決される速度こそが、あらゆる体験の地形を支配する隠れた変数である）という観点から追跡された。
この中心的な主張は、最も一般的な形で述べられることができる。
ゲームは、脳が不確実性を減少させる速度を調整するための設計された環境である。
この主張から、次の帰結が導かれる。
- 楽しい（fun）は、不確実性を減少させる速度が脳が期待する速度以上または等しいという主観的な経験である
- フロー（flow）は、その速度が時間的に継続され、安定している状態が出現する認知状態である
- 改善の速さがゼロになる（退屈）、負または一貫しないものになる（欲求不満）、あるいは処理能力を超える（過負荷）と、没入は崩れる。
この本の4つの新しい理論的貢献は、
- フローは、システム1の自動処理とシステム2の意図的思考の両方とは異なる第三の認知モードである。タスクに関連した執行的制御が訓練された手続き的経路を通じて働き、メタ認知的負荷が抑制される。その証拠は、Dietrichの一過性前頭葉機能低下、WeberとHuskeyの同期理論、Harrisらの研究（フロー中の客観的努力がピークに達する一方で、主観的労力は最小である）、そしてLC-NEの位相性モードが共有される神経化学的メカニズムから収束している。
- ゲームと言語は、階層的な系列構造を扱うために、前頭葉と大脳基底核を結ぶ回路を共有する。文法規則を処理する手続き記憶系は、ゲームの規則学習、戦略的なチャンク化、熟練者の直感も支える。Ullman の宣言的／手続き的モデル、将棋熟練者の尾状核活動を示した Wan らの研究、道具使用と統語処理に共通する大脳基底核の基盤を見いだした Thibault らの研究、そしてゲーム記述言語と文脈自由文法の計算論的な共通性が、これを支持する。
- ゲームの質は、システム2の処理をシステム1へ移す過程の質と相関する。すべてのゲームは、意識的な処理を自動的な実行へ変換する装置である。高く評価されるゲームは、適切な速さでシステム2を働かせる課題を導入し、パターンの抽出を助けるフィードバックを与え、自動化の獲得に合わせて難易度を調整する。Poldrack、Lehéricy、Haier、Wan が報告した大大脳皮質から皮質下への処理の移行が、その神経機構を与える。
- 学習勾配は主要な設計指標である。 プレイヤーが予想される進展速度に対して予測誤差を減少させる速度は、エンゲージメントを支配する隠れた変数である。Wilson et al. の最適学習85％のルール、Van de Cruys の感情的誤差動力学、Schmidhuber の圧縮進展、そしてAndersen et al. のプレイに関する予測処理理論は、すべて「時間に対してモデル精度の最初の導関数」という同じ量を共有しており、その値は報酬信号と一致する。
収束
このフレームワークに対する最も強い証拠は、個々の発見ではなく、さまざまな分野における一致にある。人間学は、遊びが普遍的であることを示している。進化生物学は、遊びが機能的であることを示している。感情的神経科学は、遊びは専門的皮質下システム（パンクセップのPLAY回路）によって駆動されていることを示している。報酬神経科学は、エンゲージメントが予測誤差（シュルツ）に従い、その不確実性そのものが報酬となる（フィオーリロ）ことを見出している。好奇心に関する研究は、脳は情報が内因的に価値あるものであると扱っている（Bromberg-Martin & Hikosaka; Gruber et al.）。スキル獲得に関する研究は、マスター状態には、可測な皮質から皮質下への転送が関与している（Poldrack; Lehéricy; Haier; Wan et al.）。フローに関する研究は、最適な経験は、システム1でもシステム2でもない、特異な神経的構成を持つことを見出している（Dietrich; Weber & Huskey; Harris et al.）。予測処理理論は、価値はモデルの改善速度に従う（Van de Cruys; Schmidhuber）ことを見出している。そしてゲームデザインの実務（KosterからGriesemer、Miyazaki、Thorsonまで）は、最も評価されるゲームを生み出した設計者は、直感的に学習勾配を管理していること（理論的語彙を持っていない場合でも）を示している。
人間学、生物学、神経科学、心理学、計算理論、そしてデザイン実務がすべて同じ構造を指しているならば、その説明は偶然ではないだろう。
デザイナーの役割
統一モデルは、ゲームデザイナーとしての意味を変える。コンテンツを作成したり、物語を構築したり、スペクタクルを設計したりするのではなく、プレイヤーの学習速度を調整するシステムを設計するということになる。あらゆる設計上の決定は、ミリ秒単位の入力応答性から時間単位のコンテンツ進行に至るまで、ただ一つの基準によって評価されるべきである。それは、この決定が学習勾配を維持・強化・または破壊しているか、ということである。
5つの設計法則が実践的な枠組みを提供する。
- 学習勾配を維持：プレイヤーは常に何かを学んでいるべきである
- 学習を隠す：プレイヤーは遊びをしているように感じて、学んでいるとは思わないでほしい
- プレイヤーが制御可能なチャレンジ：プレイヤーが自ら難易度を調整できるようにすべきである
- 即時かつ明確なフィードバック：学習には明確で即時な誤差信号が必要である
- システムを完全に解決しないでください：ゲームはプレイヤーよりもわずかに先に進んでいるべきである
これらの法則は、無条件に従うためのルールではない。それらは、単一の質問に答えるための道具である。このシステムがプレイヤーの学習プロセスを支えているか？ その答えが「はい」となるならば、フローは自然に現れる。
楽しさの性質
ゲームはしばしば軽視される。それはそうではない。
ゲームは、脳が学習・予測・世界と相互作用する仕組みを理解する上で、最も明確な窓口である。チクルされたマウスの50kHz超音波発声、仮想タクシー運転手の海馬内の場細胞の活性化、将棋の専門家が直感的に手を動かす際の尾状核の活性、Tetrisプレイヤーにおける7倍のパフォーマンス向上と大脳皮質代謝の低下、最大の不確実性において持続するドーパミンの上昇、そして85％の正確性で最も速く学習が進むという収束的な最適点。これらは互いに無関係な偶然ではない。これらは、一つの現象の異なる側面である。脳は不確実性を減少させることで構築され、そのプロセス自体が内在的に報酬を与える。そしてゲームは、そのプロセスを促進する上で最も精密に設計された環境である。
ゲームを理解することは、人間の心の基本的な性質を理解することである。ゲームを良好に設計することは、その理解に基づき、正確性、芸術性、そして進化が不確実な世界をナビゲートするための非凡な機械に敬意を払いながら、環境を設計することである。
楽しさはゲームの性質でも、プレイヤーの性質でもない。ゲームのパターン生成とプレイヤーのパターン吸収の間の動的関係の性質である。この関係は、すべてのスケールにおいて設計上の判断を通じて積極的に維持しなければならない。
この関係を理解している設計者は、自らの仕事の内容をコンテンツの創造ではなく、学習勾配を工学的に設計するものとして捉え、プレイヤーのエンゲージメントを予測・診断・改善するための最も強力な視点を持つ。
これが楽しさの本質である。