AETHERIA/AOW Lore & Design Deutsch

Grad der Automatisierung — Autonome Charakterprozesse

Dieses Kapitel beschreibt den »Grad der Automatisierung« in {{Antares Open World}}: das Antares Automatism & Macro System mit 4 Subsystemen steuert autonome Charakterprozesse bei Spielerabwesenheit. Über Konditionierung, konnektionistische KI mit neuronalen Netzen, Fuzzy Logic und genetischen Algorithmen lernen Charaktere, erlernte Prozesse eigenständig abzuarbeiten. Der Adaptive Falloff Optimizer reagiert auf Störungen im Workflow über BDI-Architektur.

Grad der Automatisierung

Auf Kernkompetenz »Origin of Replication (Tamago Wotchi)« basierend, möchte das Konzept, nachfolgend weiter aufbauen. Was passiert wenn ein Spieler »semiAFK/AFK« geht, oder sich am Computer ausloggt mit seinem Charakter?

Antares Automatism & Macro System

34/AMMC — Activity Macro Measurement Control Environment

34/QSM — Queue Sequence Mechanism Subsystem

34/AFO — Adaptive Falloff Optimizer Subsystem

34/ACF — Assistant Control Framework Subsystem

Abbildung 34.1: Core Engine Modul — Antares Automatism System

Arbeitszeitkontingente und Regelkreisläufe

Es greifen die erspielten »Arbeitszeitkontingente« aus der »TUL« Phase vgl. »Lernen & Wissen (Skillsystem) ab S.101 & ff«. Das System, zählt zu dem in den Kernkompetenzen beschriebenen »Konsequentialismus« und bildet eines der 12 Regeloptimierer (Falloff) des »extrinsischen Regelkreislaufes«. Im Grunde kann man sich das Konzept, als einen riesigen Regelkreislauf vgl. »der menschliche Organismus« mit seinen Hormonen endokrinologisch vorstellen. Ein Eingriff an einer Stelle, etwas Botenstoff hier und wir triggern etwas an, was im ständigen Fluss versucht, zurück in »Homöostase« zu kommen.

Time under Learning (TUL)

Die Endokrinologie (von griech. endon »innen« und krinein »entscheiden«, »abscheiden« und -logie), ist die »Lehre von den Hormonen«. [Rho02]

Bei physischer Abwesenheit des Spielers, das System misst den »Grad der Inaktivität«, oder bei »Ausloggung«, wird der Charakter durch »Konditionierung« lernen, autonom bestimmte erlernte Prozesse, nach einem antrainierten Muster abarbeiten zu können. In vielen Spielen wird dies mittels Schreiben von »Makros« oder illegaler Assistenten-Programme, verpönt umgesetzt (cheaten). In unserer Spielewelt ist das Automatisieren von Prozessen Teil der Gamemechanik und ein fester Bestandteil, die Selbständigkeit des Charakters mit der Zeit und in Echtzeit formen zu können. Mittels »neuronaler Netze«, »Fuzzy Logic«, und »genetischen Algorithmen« (KI), wird dieser freie Wille dem Charakter »neuronal« eingeprägt.

Diese Technologie, also »konnektionistische Ansätze subsymbolischer Art« in einem Spiel zu verwenden ist mir bisher nur sehr rudimentär in einer Handvoll Spielen bekannt. In einem MMO scheint die Technik noch keine Anwendung gefunden zu haben. Dabei prädestiniert sich diese technologische Vorgehensweise für unseren Einsatzzweck, über »Mustererkennung« und »gewichteten Einflussgrößen«, unseren Charakter »Lernen« und »Lehren« zu lassen.

Passive Lernphase und genetische Builds

Über das Interface »HUD« kann der Spieler auch direkten Einfluss auf die »Gedankenmatrix« nehmen. Genau ab diesem chronologischen Punkt befinden wir uns dann schon in der »passiven Lernphase« des Charakters. Zuvor durch »Handlung« geübte »Tätigkeiten«, in der »Nachlernphase« vgl. Festigung des Lernstoffes, nun das gelernte Wissen eigenständig umsetzen zu können.

Der Charakter sammelt über diesem Weg seine »Erfahrungspunkte«, speziell für diese dann ausgeübten Tätigkeiten. Er verbessert sich über eine Vielzahl von »Plateaustufen« vgl. Skilllevels (Dilettantismus). Entsprechende »Tageslernkurven« mit »Lernzeitfenstern«, welche über weitere Skills adaptiert werden können, unterstützen unseren Charakter, künftig schneller an sein Ziel zu kommen. Die Speicherung solcher Setups nennen wir »genetische Builds«.

Das ist Charakter typisiertes, einzigartiges und optimiertes Lernen, Lehren oder Arbeiten und eine weitere Kernkompetenz des Konzeptes.

34.1 — Subsystem: Adaptive Falloff Optimizer

Immer dann, wenn eine geplante Aktivität in einem Workflow vereitelt, gestoppt oder gestört wird, greift der »Adaptive Falloff Optimizer« (C34/AFO). Die nachfolgenden »Use Cases« zeigen die entsprechenden »Falloff« Funktionalitäten.

Abbildung 34.2: Use Case — Adaptive Falloff Optimizer (C34/AFO)

Die Use Cases »UC121/141« sind hierbei Funktionalitäten, welche auf die BDI Architektur vgl. »Multidimensionale Agenten« der Kernkompetenz »Regelkreisläufe & Agenten im Eco System ab S.47 & ff«, spezifizierten Zugriff erhalten.

Siehe auch

Module: Ase Docs 00.16.32 [feat] Author: Jan Ohlmann (antarien.com@gmail.com) Co-Author: Claude Code (Anthropic) Created: 2026-02-20 Updated: 2026-02-20 Status: Kuratierte Version — Grad der Automatisierung (PortalViewer DSL)