Local Agentic Theory For Mobile Games — Shafik Quoraishee & Joanne Song, The New York Times

講者 Shafiq 首先建立了遊戲 AI 的歷史框架。從 1980 年代吃豆人的有限狀態機開始，到今日強化學習（AlphaGo、AlphaZero）成為訓練遊戲 AI 的主流方式，再到 2024 年新興的代理系統。核心洞察是：傳統 AI 基礎設施執行於雲端，行動應用呼叫 AI 服務需承受往返延遲、高成本、隱私風險。理想狀態是將智慧功能卸載到設備端——好處是推理延遲壓縮到單幀內、資料不離設備、支持完全離線遊玩，即使在地鐵隧道也能享受高級 AI 對手。

在設備 AI 架構中，強化學習與代理系統代表兩條路徑。強化學習透過多次迭代訓練模型、改變權重來習得特定遊戲的最優策略；代理系統則讓語言模型在執行時透過上下文學習推理遊戲狀態，無需固定的獎勵迴圈，更能適應新情景。Shafiq 展示的 Space Invaders 代理實例便是後者——它感知場景、預測敵機行動、決策是否躲避或攻擊，然後執行，形成閉環。

然而設備端 AI 面臨三大約束。空間限制來自有限的記憶體與計算單元；時間限制則是 60Hz 刷新率下每幀僅 16 毫秒，必須在此預算內完成代理規劃與執行，超預算會導致掉幀卡頓；能源限制反映電池容量——今日設備並未針對代理工作最佳化，專用 NPU 尚在發展中。講者提出約束函數的概念來平衡三者，對關鍵約束施加硬限制，對次要約束使用軟約束。

講者 Joanne 隨後轉向無障礙設計。傳統遊戲無障礙停留在靜態選單階段（開/關、難度選擇），完全忽略玩家的即時需求。以填字遊戲為例，小格子導致誤觸、高亮對視障玩家不可見、計時器對認知障礙玩家造成壓力。Joanne 主張將 WCAG 2.2 框架（可感知、可操作、可理解、穩健）融入遊戲設計，但更進一步——不用固定選單，而是讓 AI 代理根據實時玩家表現動態調整。

代理透過視覺模型追蹤眼球運動、檢測不穩點擊、識別認知困難，然後動態調整三個核心參數：輸入容差（增大擊中範圍，寬容物理限制）、步驟粒度（將複雜任務細分為更小步驟）、時間分配（延長或縮短反應時間）。例如，偵測玩家頻繁失誤時自動放寬點擊判定；發現焦點陷阱時代理在設備端即時注入退出路由；界面元件太小時實時重新計算版面。這套系統把無障礙性與遊戲難度視為同一旋鈕的兩端，無障礙不再是單向的讓步，而是動態平衡玩家能力與挑戰感。

未來工作包括：模型執行需更快（嚴守 16ms）、預測佈局變更的結果以提前驗證、長期記憶學習個體習慣、跨遊戲共享狀態語言、更好的晶片與真實基準測試。最終願景是數十億個小型本地 AI 代理運行於個人設備，每個完全由使用者塑造。