AI 是神經系統，不是工廠

「AI 原生」是 2026 年引擎市場上最被稀釋的詞。以下這條架構分界線，區分了聊天面板與一個模型在每個影格都身處迴圈之中的執行時期——RakuAI 正是建立在這條線上。

2026 年，大多數自稱「AI 原生」的遊戲引擎與空間運算執行時期，指的大致是同一件事。編輯器裡某個角落有一個聊天面板。有一顆按鈕會請遠端模型生成一項資產。模型產出一個東西。這個東西被丟進專案裡。而在 AI 出現之前就已存在的執行時期，負責執行這個東西。

那是工廠模式。發出一個請求。回來一件成品。引擎是消費者。

RakuAI 不是這樣打造的。AI 不是流水線上的一個工作站。它是執行時期裡的一個原語。在精神上更接近神經系統，而非工廠。它持續在場，在每一個影格的迴圈之中，觀察、決策、反應。移除它，並不是移除一項功能。而是移除那個讓引擎其餘部分之所以成立的東西。

如果你只打算讀一篇文章來理解「AI 原生」在架構層真正的意義，我希望就是這一篇。

兩種模式，畫出來看

以下是工廠模式，濃縮到最誠實的最小形式：

# Factory: AI produces artifacts. The runtime consumes them.
def author_session(prompt: str) -> Asset:
    response = remote_model.generate(prompt)
    asset = parse(response)
    save_to_project(asset)
    return asset

生命週期很直接。人打字。模型產出。檔案落到磁碟上。執行時期稍後載入檔案。模型是內容供應商。成品交付之後，執行時期就不再與它對話。如果模型離線了，你仍然有一個能運作的引擎。只是少了一個買資產的地方。

接著是神經系統模式：

# Nervous system: AI is wired into the simulation step itself.
def step(world, agents, dt):
    for agent in agents:
        observation = agent.senses.gather(world)        # what is around me
        intent      = agent.brain.observe(observation)  # AI is in the loop
        action      = agent.policy.choose(intent, dt)   # constrained by deterministic rules
        world.apply(action)
    return world

生命週期不一樣。每一個影格、每一個代理，模型都對世界的下一個狀態有所貢獻。模型不是供應商。它是參與者。把它移除，模擬就不再有趣，而且是任何資產庫都補不回來的那種不再有趣。

這是兩種完全不同的架構。你在這一層做出的選擇，會限制其上的一切。

工廠模式能帶給你什麼

先講誠實話。工廠模式是真實的、有用的，而且今天就在出貨。它帶給你四樣東西。

它帶給你內容上的速度。生成一棵樹、一棟建築、一個關卡佈局、一段對白。這些是真實的生產力收益，而「成品落盤」模式是取得它們最簡單的方式。

它帶給你供應商獨立性。因為成品存在磁碟上，你可以更換編寫它的模型，而不必更動你的執行時期。這是一個值得擁有的避險。

它帶給你可重現的確定性播放。成品一旦寫定就固定了。兩位玩家在同一個關卡裡看到同一個關卡。

它帶給你乾淨的失敗模式。如果模型無法使用，引擎仍然能跑。你只是少編寫一些內容。

這些都是真實的收益。如果你的產品是「幫助人類做遊戲的工具」，工廠模式大概是正確的選擇。代價是隱藏的。它只有在你試著做工廠模式做不到的事情時才會現形。

工廠模式做不到什麼

工廠模式做不出一個以作者未曾預見的方式回應玩家的世界。就其構造而言，工廠模式引擎裡的每一件成品都是在玩家到來之前編寫好的。行為空間是成品庫與引擎腳本邏輯的笛卡兒積。空間很大，但有界。玩上一小時，邊界就看得見了。

工廠模式無法給你能對一個未曾為其預先編寫腳本的世界進行有意義推理的 NPC。接上一套由 LLM 驅動的對話系統，你得到的是一種局部動人、整體惰性的對話風味。NPC 會說出新的話。世界不會因此改變。對話系統與模擬是兩列平行軌道上的火車。它們永遠不會交會。

工廠模式無法讓體驗去適應真實使用者站在真實實體地點的真實 GPS 座標。最後這一點是我最在意的。如果你在打造錨定於真實世界的 XR，體驗發生在地球上一個特定的位置，你不可能預先編寫所有可能的互動。世界太大。情境太多樣。玩家的路徑太難預測。你要嘛在迴圈裡即時反應，要嘛出貨一本觀光導覽手冊。

這就是 RakuAI 不是一座工廠的結構性原因。

「神經系統」具體帶給你什麼

三件事，按有趣程度遞增排列。

其一：先觀察再開口的 NPC。當一個代理的大腦每個影格都在運轉、看見玩家實際所處的世界、並根據所見決定要做什麼時，結果與外掛了 LLM 的對話樹在品質上截然不同。代理可以對雨做出反應。對一天中的時刻做出反應。對玩家已經在它面前站了九十秒卻什麼也沒做這件事做出反應。這些都不在對白裡。這些全都在模擬裡，而模型正在直接讀取模擬。

其二：圍繞著發生地點重新成形的體驗。引擎本身會查詢模型。給定這樣的地形、這樣的天氣、這樣的時刻、這一組鄰近的興趣點，下一場遭遇應該長什麼樣子。體驗不再是一段錄影。它是玩家實際情境的函數。兩位身處不同城市的玩家玩同一個 .raku 體驗，會得到不同的遊玩過程，而且兩者都是連貫的。

其三：從架構中湧現的行為。這是它開始出現時讓我驚訝的一項。當 AI 是一個原語，當引擎中的每個系統都能呼叫它、讓自己的決策被它塑形時，各系統開始以沒有任何單一子系統作者設計過的方式互動。一個觀察地形的代理影響尋路系統。尋路影響群眾行為。群眾行為成為下一個代理觀察的輸入。迴路於是形成。其中有些很有趣。而那些有趣的迴路，正是當初有人願意費心採用這種架構的原因。

預先付清的代價

這個架構有其價格，而且不小。

你要為裝置端推論付出代價。跑在模擬關鍵路徑上的 AI，不能每個影格都做一次網路往返。這意味著模型權重要放在裝置上。這意味著量化、批次處理、謹慎的記憶體預算，以及一套把玩家硬體納入考量的部署方案。RakuAI 就是圍繞這個限制打造的。小模型、裝置端、貼近熱迴圈。這個限制是真實的，也是架構性的。

你要為可靠性紀律付出代價。在內容工廠裡產生幻覺的模型，產出一棵怪樹。在模擬步驟裡產生幻覺的模型，產出一個怪世界。模型層與確定性層之間的契約必須被設計、驗證、稽核。這不是事後補上的東西。這就是工作本身。

你要為傳統引擎不會免費附贈的可觀測性付出代價。當 AI 是每個影格的參與者，你需要看見它在做什麼、何時做、輸入是什麼、輸出是什麼。記錄。追蹤。重播。所有你會為任何分散式系統打造的東西，只是現在它們住進了模擬迴圈裡。

這些代價正是多數引擎選擇工廠模式的原因。工廠模式確實比較便宜好建。它也確實比較無趣——而這種無趣，只有在你於一個做了另一種選擇的引擎裡待過一段時間之後才看得見。

如果你正在打造一款遊戲、一個 XR 體驗、或任何其他互動系統，並且在想 AI 的問題到底是「我該整合哪個模型」還是某種更深的東西，答案是：它是某種更深的東西。當你第一次試著讓工廠模式去做它不是為此而建的事情時，你就能感覺到。

星期天下午，這是那種自己想被寫下來的文章。明天回到引擎上。