# Google DeepMind 與 EVE Online 團隊合作，用離線沙盒研究 AI 的長期記憶與規劃

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 原作者：Google DeepMind (@GoogleDeepMind) · 策展與摘要：EasyVibeCoding · 平台：X (Twitter) · 熱度：🔥 · 日期：2026-08-24

> 原始來源：https://x.com/GoogleDeepMind/status/2090772922818286080

## 證據與延伸閱讀

- [Google DeepMind 與 EVE Online 團隊合作，用離線沙盒研究 AI 的長期記憶與規劃。](https://x.com/FenrisCreations/status/2090485277416394926) — 一手來源 · 最後核對：2026-08-24 · 支持主張：Adds concrete research boundaries and questions: the teams use an offline local-server environment, while New Eden's persistent economy, incomplete information, interference, cooperation or betrayal, and long-lived consequences motivate continual learning, memory, long-horizon planning, and multi-agent research; the work is explicitly not intended to automate player decisions.
- [Google DeepMind–Fenris Creations EVE AI research partnership — eveonline.com](https://www.eveonline.com/news/view/eve-online-and-ai-research) — 官方文件 · 最後核對：2026-08-24 · 支持主張：The paired first-party articles add a concrete research boundary and progression: an offline local-server sandbox using simulation and historical information, potential EVE Frontier work on human-agent coexistence, and explicit player-agency constraints. They also identify existing player value from Aura Guidance using Gemini and Rookie Help knowledge, while framing other gameplay and governance ideas as future possibilities rather than shipped outcomes.
- [Google DeepMind–Fenris Creations EVE AI research partnership — deepmind.google](https://deepmind.google/blog/from-atari-to-eve-online-building-on-15-years-of-ai-research-in-games) — 官方文件 · 最後核對：2026-08-24 · 支持主張：The paired first-party articles add a concrete research boundary and progression: an offline local-server sandbox using simulation and historical information, potential EVE Frontier work on human-agent coexistence, and explicit player-agency constraints. They also identify existing player value from Aura Guidance using Gemini and Rookie Help knowledge, while framing other gameplay and governance ideas as future possibilities rather than shipped outcomes.

## 中文摘要

Google DeepMind 與 EVE Online 團隊合作，用離線沙盒研究 AI 的長期記憶與規劃。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/f87d76297fed5ed0.jpg)
> Google DeepMind 回顧從 Atari、圍棋到 EVE Online 的遊戲 AI 研究；右側四格包含迷宮、棋盤、3D 遊戲場景與 EVE Online 星艦戰鬥。

**為什麼選 EVE Online**

Google DeepMind 與 Fenris Creations 的研究合作，會先從一套架在本機伺服器、與正式世界 Tranquility 分開的離線 EVE Online 開始。研究人員將在這個受控環境裡使用模擬與歷史資料，不會直接拿玩家共同經營的 New Eden 當實驗場。

EVE Online 的難處，在於世界不會在一場比賽後重置。市場持續變動、資源有限、資訊不完整，數十萬名玩家又各自有不同目標。AI 代理不只要學會打贏一場戰鬥，還得在不知道全貌的情況下做決策，因應別人介入，判斷對方會合作還是背叛，並承擔幾個月甚至幾年後才浮現的結果。

**四項研究挑戰**

- **持續學習（continual learning）**：世界改變時學會新能力，同時不忘記原本會的事。
- **深層記憶（deep memory）**：保存並取回遠超過目前模型上下文視窗的資訊。
- **長期規劃（long-horizon planning）**：推演數週、數月到數年後的影響。
- **多代理互動（multi-agent dynamics）**：處理合作、競爭、談判、經濟活動與大規模互動中自然出現的行為。

**先離線研究，再談遊戲內應用**

Google DeepMind 表示，研究之後可能延伸到 EVE Universe 的不同環境。EVE Frontier 的可程式化組件 Smart Assemblies 與可延伸架構，適合探索 AI 如何適應新規則，以及人類與 AI 代理如何在開放世界共存；EVE Vanguard 則提供節奏更快的第一人稱戰術情境。只有當能力夠成熟、確定能讓玩家體驗更好時，團隊才會考慮把成果帶進 EVE Online 或 EVE Vanguard。

Fenris Creations 也把界線說得很清楚：不做替玩家遊玩 EVE 的系統，也不建立凌駕遊戲規則的自動化層。只要一項技術會消除風險、繞過後果，或代替玩家做決定，就違背 EVE 的核心。未來若真的採用智慧系統，也必須遵守世界規則，增加更有意義的選擇，而不是把選擇拿走。

Tranquility 累積了 23 年的玩家歷史、組織、戰爭與經濟決策，因此不能被當成一般測試場。相較之下，專用測試伺服器能讓研究團隊安全試驗，也能讓玩家自行選擇是否參與。

**已經上線的功能，與仍在研究的方向**

目前 EVE 已有一項和 Google AI 技術相關的實際功能：Aura Guidance 使用 Gemini 整理 Rookie Help 裡的玩家問答，協助新手理解遊戲。不過，這和本次離線研究、EVE Frontier 的後續探索，以及可能的半自主治理系統並不是同一件事；後三者仍是研究方向，不能當成已發布功能。

研究成果未來可能用於測試複雜系統、觀察模擬經濟中的變化如何擴散，或幫助新手理解大量遊戲路徑。至於用半自主系統在沙盒中創造更多衝突、機會與互動，官方只把它列為長期探索方向，沒有承諾一定會做。

**從遊戲研究走向真實世界**

這項合作延續 Google DeepMind 十多年來以遊戲研究 AI 的路線：從 Atari、AlphaGo、AlphaStar，到讓代理透過螢幕、鍵盤與滑鼠理解 3D 世界的 SIMA，遊戲一直是測試學習、推理與規劃能力的場域。EVE Online 下一步要補上的，是持續世界裡更複雜的人類互動與長期後果。

雙方的長期目標，是和遊戲開發者一起找出新的玩法，讓遊戲更容易上手、更符合不同玩家需求，也把研究得到的能力帶到現實問題與科學發現。不過這項 EVE Online 研究仍在早期階段，Fenris Creations 明確表示，目前不承諾研究最後一定會走向哪裡。

## 標籤

記憶系統, Agent, 產業趨勢, Google, DeepMind, EVE Online, Fenris Creations