※注記
本記事のテキスト構成および文章のドラフト自体も、筆者の指示に基づきAIエージェント（Antigravity）が執筆・生成したものです。次世代のAI開発ワークフローの実践例（および個人的なポエム）として公開しています。
はじめに：第1弾の振り返りと、現場に残る「最後の壁」
第1弾の記事（ゲームは「作品」ではない、「商品」である）では、ゲームとは自己表現のアートではなく、**「プレイヤーに特定の感情体験を届けるための工業製品（商品）」**であることを論じました。
ゲームが製品であるならば、その中核機能である「面白さ・楽しさ」は、工場の品質管理（QC）と同じようにスペック（仕様）として定義でき、客観的にテスト・測定できるはずです。
しかし、いざ開発現場でAIを活用してレベルデザインや敵パラメータの自動調整を試みると、必ず次の致命的なボトルネックに突き当たります。
「AIに1,000パターンのステージを生成させても、それが『狙った面白さになっているか』を人間が1回1回テストプレイして判定していたら、結局人間が最大のボトルネックになって開発が止まる」
AIに調整を任せるためには、感覚的な「面白さ」をAI自身が評価できる**数式（評価関数 / Loss Function）**へ論理化しなければなりません。
この記事では、ゲームデザイン理論・認知科学・画像認識AI（VLM）を組み合わせ、「楽しさ」と「面白さ」をAIが計算可能なメトリクスへと定式化し、人間が10秒で承認できる超高速なレベルデザイン自動化パイプラインのアーキテクチャ理論を解説します。
※あらかじめのお断り
本記事で解説するパイプラインは、現時点ではゲーム力学と認知科学に基づいた**「理論モデル（設計の青写真）」**です。実際にゲームエンジン上でこの環境をスムーズに構築できるか、そして現実的なAPIコストやAIのモデル精度とどう折り合いをつけるかという泥臭い戦いは、まさにこれから現場で挑戦・検証していく段階であることをあらかじめお伝えしておきます（第6章で後述）。
1. 評価の第一歩：「楽しさ」と「面白さ」のセンサーを分ける
AIにレベルデザインを判定させる際、最初にやるべきことは**「楽しさ（Fun）」と「面白さ（Interest）」**の測定指標を完全に分離することです。
- 「楽しさ」の指標: 入力してから画面やコントローラーが反応するまでの「心地よさ」。反射神経・生理的快感・リズムに関わる領域です。
- 「面白さ」の指標: プレイヤーの脳がパターンの法則性に気づき、ジレンマの中で意思決定する「知的な興奮」。
この2つを混ぜて「総合面白さスコア」のような単一の数字にしてしまうと、AIは「操作感は最悪だが、戦略性だけが異常に深い無理ゲー」や「演出はド派手だがボタン1つ連打で終わる虚無ゲー」を量産してしまいます。
2. 時間軸で見るレベルデザインの3つの階層
レベルデザインは、秒単位のミクロから数十時間のマクロまで多層的に存在します。AIに評価させる指標も、この時間軸ごとに定義します。
① ミクロ（0.1秒〜数秒）：モーメント・トゥ・モーメント
- 本質: 「触っていて気持ちいいか」「理不尽な被弾がないか」。
-
AI判定の論理:
-
認知リアクション保証（Reaction Window）: 人間の「知覚 → 判断 → 入力」には最低
200ms〜350ms（約12〜20フレーム）かかります。敵の大技の予兆フレームがこの閾値を下回っていれば、AIが機械的に**「理不尽な初見殺し」**としてリジェクトします。
-
認知リアクション保証（Reaction Window）: 人間の「知覚 → 判断 → 入力」には最低
② メソ（数分〜10分）：ステージ・バトル構成
- 本質: 緊張と緩和の波（Pacing）と、状況に応じた意思決定。
-
AI判定の論理:
- HPの減少グラフが単調減少ではなく、回復や立ち回りによる「山と谷（サイン波）」を描いているかを波形解析で判定します。
③ マクロ（数時間〜全体）：プログレッション・育成バランス
- 本質: パターンの学習ペース（飽き防止）と、ビルド（戦略）の多様性。
-
AI判定の論理:
- 有効ビルド生存率: 用意した全スキル・装備の組み合わせのうち、クリア可能なビルドが何％存在するか。特定ビルド以外が全滅していれば「メタ固定の欠陥商品」として検出します。
3. 最大の壁：「データ」と「見た目の認知」の二重螺旋
ここで、多くのAIエンジニアが陥る致命的な罠があります。
「データ上（座標やフレーム数）は完璧に調整したのに、実際に画面を見るとクソゲーになる」
なぜなら、人間はメモリ内の数値を直接見ているのではなく、「ディスプレイの光（画面の見た目）」を通して認知しているからです。
【データの真実】予兆時間が30フレーム（0.5秒）あるので、データ上は回避可能。
【見た目の現実】味方のハデな爆発エフェクトに敵が完全に隠れており、プレイヤーには予兆が見えない。
↓
結果：プレイヤーにとっては「不可避の理不尽な即死」という不良品になる。
この「見た目の認知」を無視してデータだけでシミュレーションしても、人間が満足するレベルデザインは作れません。しかし、現代のコンピュータビジョン（CV）とマルチモーダルAI（VLM）を組み合わせれば、「見た目の認知」も完全に論理化できます。
① 視覚的S/N比（サリエンシーマップ）
画面内で「最も脅威度の高い攻撃予兆」の顕著性（人間の視線を引きつける強さ）が、背景のネオンや味方のバフエフェクトの顕著性を上回っているかをCVアルゴリズムで測定します。ノイズに埋もれていれば不合格です。
② 予兆の可読性（VLMゼロショット分類）
予兆モーションの静止画フレームを画像認識AI（VLM）に見せ、「この敵は次にどんな攻撃をしてきそうか？（強攻撃/弱攻撃/ガード）」 を推論させます。
最新のAIが見ても意図が分からないシルエットや構えは、初見の人間のプレイヤーにも絶対に伝わりません。
③ 手応えの一致度（ウェーバー・フェヒナーの法則）
人間の感覚量は刺激の物理量に対して対数（Log）でスケールします。
与えたダメージ比率と、画面の「ヒットストップフレーム数」「画面揺れの振幅」「パーティクルの放射量」が正の対数相関を描いているかを検証します（大ダメージなのに無反応、カス当たりなのに大爆発のチグハグを排除）。
4. 「面白さ」をAIが計算できるメトリクス（数理モデル化）
これらを統合し、AIに与える**評価関数（損失関数 / Loss Function）**を構築します。
① Clutch Ratio（薄氷勝利度：ドラマ性の定式化）
ボスを撃破した瞬間の「プレイヤー残りHP比率（HP_final）」の確率分布を測ります。
常にHP 80%以上で勝てるなら「退屈」、常にギリギリなら「激闘」。
\mathcal{L}_{\mathrm{clutch}} = | \mathrm{Median}(HP_{\mathrm{final}}) - 0.12 |
（※撃破時の残りHP中央値が12%前後に収まるパラメータを探索させる）
② Action Entropy（行動エントロピー：選択の有意義さ）
使える技や行動の選択確率を p_i とした時、シャノンエントロピー H を計算します。
H = -\sum_{i=1}^{n} p_i \log_2 p_i
-
Hが極端に低い → 「特定の最強技だけを擦り続ける作業ゲー」としてペナルティ。 - ボスのフェーズや距離に応じて、使われる技の確率分布が美しく分散するパラメータを評価。
③ Persona Gap（腕前による勝率差：技術介入度の定式化）
行動理念の異なるBotを用意して、数千戦の並列シミュレーションを実行します。
-
Bot_Novice（初心者：反応が遅く、1〜2個の基本技しか使わない） -
Bot_Expert（上級者：予兆フレームを見て正確に回避し、最適コンボを叩き込む）
\mathrm{SkillGap} = \mathrm{WinRate}_{\mathrm{Expert}} - \mathrm{WinRate}_{\mathrm{Novice}}
-
SkillGap ≒ 0→ 「運ゲー」または「誰がやっても同じボタン連打ゲー」としてリジェクト。 - デザイナーが意図した難易度スペック（例：「初心者勝率20%、上級者勝率90%」）との誤差を最小化。
5. 人間のボトルネックを解消する「エビデンス・カード」運用
数式化ができても、AIが調整した結果をブラックボックスにしてはなりません。「なぜその調整になったのか」を人間が把握できなければ、製品としての品質責任を持てないからです。
そこで、人間はプレイしてテストするのではなく、AIが自動出力した「1枚のエビデンス・カード（証跡レポート）」を10秒でチェックして承認（サインオフ）する運用へとシフトします。
# [調整レポート] 第3層ボス「狂戦士」自動調整結果
- 試行回数: 3,200回並列シミュレーション（通過率: 0.08%）
- 採用パラメータセット: Build_#0892
## 1. ゲーム力学・統計データ（メソ評価）
| 指標 | デザイナー目標スペック | 初期案 | 採用案 | 判定 |
| :--- | :--- | :--- | :--- | :--- |
| **初心者Bot勝率** | 15% 〜 25% | **0%** (即死多発) | **19.2%** | ✅ 合格 |
| **上級者Bot勝率** | 85% 〜 95% | 99% (作業ゲー) | **91.0%** | ✅ 合格 |
| **薄氷勝利度 (残HP)**| 中央値 10%前後 | 52% (余裕勝ち) | **11.8%** | ✅ 合格 |
| **行動エントロピー**| `H > 2.0` | **1.05** (強技乱発) | **2.41** | ✅ 合格 |
## 2. 視覚的認知・手応えの検証（VLM/CV評価）
- **予兆の可読性**: ✅ 合格
- 振りかぶりフレームのVLM分類確信度: 94%（「強振り下ろし攻撃」と即座に認識）
- **視覚的S/N比**: ✅ 合格
- 予兆エフェクトのサリエンシー値: 0.89 ＞ 背景ノイズ: 0.28
- **手応え結合度**: ✅ 合格
- 最大被弾時のヒットストップ（12F）と画面揺れ振幅がダメージスケールに完全適合。
## 3. パラメータ差分（何を変えて解決したか）
```diff
- boss_heavy_swing_startup: 16F # 人間の認知限界(200ms)未満だったため回避不能
+ boss_heavy_swing_startup: 24F # +8F（予兆認知時間を380msに拡大）
- boss_combo_delay: 0.20s
+ boss_combo_delay: 0.45s # 初心者Botが脱出できるフレーム猶予を確保
- boss_skill_cooldown: 0.0s
+ boss_skill_cooldown: 3.5s # 特定技の擦り連打を抑制し、エントロピーを向上
### この運用によって起きる開発革命
```mermaid
flowchart LR
subgraph Traditional ["【従来】人間がボトルネック"]
AI1["AIが生成"] --> Play["人間が10分テストプレイ"]
Play --> Feel["「なんかイマイチ…」"]
Feel --> AI1
end
subgraph Modern ["【エビデンス運用】超高速パイプライン"]
AI2["AIが数千回シミュレーション<br/>＋画面解析"] --> Card["エビデンス・カード自動生成"]
Card --> Review["人間が10秒で根拠を確認<br/>（合格案だけを承認）"]
end
人間は、毎回コントローラーを握って10分間プレイする必要はありません。
「データ的にも破綻がなく、画面の見た目・認知のテストもパスしている」という証跡を眺め、最後の1〜2案だけを実機で触って受入を完了するだけになります。
6. 正直な現状：これはまだ「理論」であり、コストと精度の壁に挑むのはこれからだ
ここまで偉そうに数式やパイプラインを語ってきましたが、白状すると、これは現時点ではまだ「理論（アーキテクチャの青写真）」の段階です。
実際にこの仕組みをゲームエンジン（Unity, Unreal, Godot, 自作C++等）やCI/CDパイプラインの上に構築し、日常的な開発フローとしてスムーズに回せるかどうかは、まさにこれから現場で泥臭く検証・挑戦していくフェーズにあります。
そして、実際に環境構築を進める上で、避けては通れない**2つの巨大な現実的制約（トレードオフ）**が存在します。
① AIの「精度」による品質の限界
数理モデルがいかに綺麗でも、シミュレーションを実行する**AIエージェント（Bot）と画像認識AI（VLM）の知能レベルがそのまま検証品質の天井（上限）**になります。
- Botのリアリティ: 「初心者のフリをするBot」が単なるランダム入力だったり、「上級者Bot」がフレーム単位の人間離れしたチート回避をしてしまっては、得られる勝率やエントロピーも机上の空論になります。「人間らしい不完全さや学習」をどこまでBotに再現させられるか、Bot自体の設計精度が問われます。
- VLMのゲーム理解力: 最新の画像認識AIであっても、ダークファンタジー特有の暗い背景や、重なり合うパーティクルエフェクトの「視覚的優先度」を、熟練ゲーマーと同じ解像度で認知できるかはまだ発展途上です。
② 出せる「コスト（API代・マシンリソース）」の壁
「数千回の並列シミュレーションを回し、代表フレームをすべて最先端の商用マルチモーダルAI（GPT-4oやClaude等）で画像解析する」……これをコミットのたびに愚直に実行していたら、あっという間にAPI利用料で個人開発者の財布は消し飛びます。
- クラウド vs ローカル: どこまでをローカルマシン（Ollamaや軽量オープンモデル、軽量CVアルゴリズム）で高速・安価にさばき、どこからクラウドの最高峰モデルに頼るか。
- 検証の重さのグラデーション: 全てのステージをフル検証するのではなく、「まずは描画なしのデータシミュレーションで99%のゴミパラメータを足切りし、最後の数案だけ画面キャプチャを撮ってVLMに投げる」といった、徹底的なコスト設計を行わなければ現場では運用できません。
「出せるコストの量」と「採用するAIモデルの精度」のバランスによって、担保できるレベルデザインの品質が大きく左右されるのが、このアプローチの偽らざる現実です。
だからこそ、最初から完全自動化の理想郷を目指すのではなく、「まずは勝率とHP推移のデータ計測から始める」「予兆の認知フレーム数だけ機械検査する」といったように、身の丈に合ったコスト感で少しずつ環境構築を進めていくことが肝要だと考えています。
おわりに：感性を否定するのではなく、感性を「解放」するために
「面白さを数理モデル化する」「AIに判定させる」というアプローチに対して、「ゲーム作りはそんな計算ずくのものではない、クリエイターの感性こそが命だ」と感じる人もいるかもしれません。
しかし、現実は逆です。
基準がないからこそ、「なんか違う」という曖昧な言葉で現場が疲弊し、本当は面白いアイデアを持っていたクリエイターがリテイクの山に埋もれていくのです。
- ゲームは顧客に感情体験を届ける「商品」である（第1弾）
- 感情体験をスペック化し、AIに「データ×見た目の認知」を検証させる（第2弾）
面白さを論理化することは、クリエイターの感性を縛るためではありません。
退屈で不毛な調整作業から人間を解放し、「どんな未体験の感情をプレイヤーに届けたいか？」という本来のクリエイティブに100%集中するための強力な翼なのです。