百萬次互動：人們如何玩 LifeSim

摘要

LifeSim 的使命是讓每個人都能探索他們無限的潛在可能性。

LifeSim 的玩家互動次數已突破一百萬。本研究分析了 629,169 條訊息，以了解人們如何創造角色、建立關係和進行遊戲。

最長的驗證會話持續了 13.4 小時，包含 1,143 條玩家訊息。玩家創造了 62,616 個角色。以下發現將探討他們的行為和對話主題。

• 629,169 條已分析的聊天訊息
• 806 分鐘 最長驗證會話 (13.4 小時，1,143 條訊息)
• 62,616 個使用者創作的角色
• 74,696 個情感記憶被保留
• 88.9% 的內容展現情感脆弱性

在一百萬次互動中，這些指標證實 LifeSim 已超越聊天機器人範式，進入一個全新的媒介。LifeSim 是一個環境，其中 AI 不是取悅的工具，而是一個充滿人工智慧實體的沙盒，這些實體模擬自由意志——根植於持久、有狀態且情感一致的模擬。LifeSim 的使命是探索每個人的無限潛在可能性。

1 論點

LifeSim 是一種新型態的 AI 原生娛樂：一個持久、多代理的生命模擬遊戲，使用者可以在其中建立具有情感深度的角色，與 AI 驅動的實體建立關係，並在基於真實世界設定的湧現式敘事中維持互動。此類別只有在基礎模型達到足夠的連貫性，能夠進行多輪、有狀態、情感一致的互動時才變得可行。

本報告從超過一百萬次玩家互動中汲取數據，分析 LifeSim 的即時生產數據，分為兩個互補的層面——行為（使用者做了什麼）和語義（使用者說了什麼和建立了什麼）——以回答一個具體問題：參與度有多深，以及是否可以衡量？

在 629,169 條已分析的聊天訊息中，P95 會話持續時間為 98.7 分鐘——使用者在深度參與時與 AI 角色維持近兩小時的互動。最長驗證會話持續 806 分鐘——連續 13.4 小時的亞分鐘級別互動，包含 1,143 條連續使用者訊息，中位間隔為 30 秒。 91.7% 的使用者集中在不到 10 個關係中，而不是瀏覽——這是依戀行為，而非新奇採樣。使用者已建立 62,616 個具有實質身份的角色： 12,101 個具有明確恐懼，12,095 個具有明確夢想，11,501 個具有背景故事。系統中保留了 74,696 個情感記憶。88.9% 的分析內容展現情感脆弱性。

這不是聊天機器人的使用方式。

LifeSim 產生深度、有狀態、情感投入的互動——我們在此使用的雙層分析基礎設施顯示，這些模式可以被追蹤、測量，並用於指導產品和模型決策。

2 資料集

納入標準。 系統生成的訊息（介紹、建議動作、記憶通知）已從語義分析中排除，以隔離使用者和 NPC 的對話內容。在總共 639,590 次對話中，有 629,169 次通過了品質篩選。

3 基礎設施

分析基礎設施

LifeSim 透過八個相互連接的集合（訊息、角色、世界、世界狀態、記憶、通知、使用者和會話）生成資料，涵蓋行為訊號、語義內容和持久狀態。從中提取結構化洞察需要專門的基礎設施：兩個互補的分析管道，可在整個資料表面上運作。

行為管道。 規範化層透過循環偵測和回溯解析來協調混合模式記錄。在此之上，會話重建引擎使用 30 分鐘的非活動閾值，將使用者連結的事件跨世界、角色、聊天和世界狀態更新進行分組。該管道從原始生產資料中建構執行緒、會話和參與模式。

語義管道。 內容從五個集合（聊天、角色、世界狀態、記憶、通知）中提取，正規化為統一的文字模式，並使用跨深度區間的分層隨機抽樣組織成 45 個分析分片。每個分片都使用結構化 LLM 分析（Gemini 3.1 Pro）進行分類，並採用固定分類法，涵蓋情感語域、關係動態、身份訊號、內容深度和持久性標記。該管道包括檢查點、分片級驗證和跨分片聚合。

為何這很重要。 大多數消費性 AI 公司無法系統地衡量其互動的品質，只能衡量數量。LifeSim 的基礎設施同時衡量使用者做了什麼和說了什麼，從行為模式和語義內容中同時產生結構化訊號。這是資料驅動產品循環的基礎：每個產品決策都可以根據深度、情感實質和參與集中度進行實證評估。

4 行為發現

使用者維持深度對話

P95 會話持續時間為 98.7 分鐘。資料集中最長的會話持續 806 分鐘 — 13.4 小時的連續互動，訊息間的中位間隔為 30 秒。該會話包含 1,143 條連續的使用者發送聊天訊息，只有一個間隔超過 20 分鐘（23 分鐘）。

在前十個會話中，每個會話都顯示相同的特徵：數百條聊天訊息，訊息間的中位間隔不到一分鐘，以及來自具有真實帳戶的不同使用者的真實對話內容。

積極參與，而非被動消費

業界估計 Netflix 平均追劇時間為 3.8-4.1 小時，約有 19% 的觀眾單次觀看超過 10 小時（Gitnux，2026）。LifeSim 最長的會話 — 13.4 小時 — 屬於頂級。但 Netflix 是輕鬆、被動的消費：按下播放，觀看。LifeSim 需要持續的主動輸入 — 編寫對話、做出決策、建立角色、處理關係。

積極、創造性的參與正在維持以前僅限於被動媒體的持續時間。這就是類別創造的訊號。

使用者集中於少數關係

91.7% 的活躍聊天使用者維持少於 10 個不同的執行緒。使用者不會將互動廣泛分散到許多角色上。他們會深入與少數幾個角色互動。

這是依戀行為：使用者與特定的 AI 角色建立集中的關係，而不是瀏覽整個名單。

5 語義發現

互動具有情感實質

88.9% 的分析內容表現出情感脆弱性。48.9% 是深度個人化的。51.1% 被歸類為豐富且持續的。

使用者與 LifeSim 角色的互動方式與他們與聊天機器人或助理的互動方式不同。主要語域是個人化、情感豐富且以關係為導向的：

「媽。我不想再吵這個了。」

「我父親說他重視我，但不如房子的安全，所以我不能解除與王儲的婚約。」

「喔，艾蓮娜…那太糟糕了。這不公平。但妳不是怪物。無論如何，妳都是我的朋友。」

使用者建立具有情感複雜性的角色

62,616 個角色具有實質身份文本。12,101 個角色有明確的恐懼，12,095 個角色有明確的夢想，11,501 個角色有背景故事，11,665 個角色有獨特的生活元素。50,865 個角色有明確的關係描述。80% 的採樣角色分片被歸類為豐富且持續的。

使用者建構具有內在動機、隱藏深度和多維身份的角色：

「我在一個簡樸的家庭長大，對聲音著迷。」

「一場失敗的家族企業困擾著她，讓她對他人產生懷疑。」

記憶保留情感顯著性

已保留 74,696 個記憶。最主要的記憶感受是興奮 (2,815)、擔憂 (2,370)、困惑 (2,088)、充滿希望 (1,976) 和關切 (1,903)。所有採樣的記憶碎片 (250 個記憶) 都被歸類為豐富且持續的。

記憶系統捕捉了使用者和角色認為值得記住的內容。這種顯著性絕大多數是情感上的，而非事實或交易上的。

更深入的對話更豐富，而不僅僅是更長

87% 的深度對話碎片被歸類為豐富且持續。更長的對話對應著更豐富、情感更複雜的內容，而不僅僅是數量更多。

6 種獨特數據

這些數據不存在於何處

聊天機器人產生單輪請求-回應日誌。AI 伴侶應用程式產生雙向對話記錄。文字冒險遊戲產生指令-動作序列。這些都無法產生 LifeSim 所產生的數據組合：

• 持久的世界狀態 — 40,189 個世界狀態敘事，追蹤模擬環境如何隨時間演變。
• 多角色關係圖 — 50,865 個定義的角色關係，而不僅僅是使用者與 AI 的雙向關係。
• 使用者建構的身份 — 62,616 個角色，其恐懼、夢想、背景故事和內部動機由使用者創作或共同創作。
• 情感記憶 — 74,696 個記憶，保留了角色和使用者認為具有情感顯著性的內容。
• 行為深度與語義深度並存 — 會話重建、線程分析和參與集中度與內容分類同時測量。

這是一個專有數據集，會隨著使用而複合，並且不存在於 LifeSim 產品表面之外。

7 項複合優勢

LifeSim 將 AI 互動建立在現實生活的結構中——關係、事業、家庭、衝突、抱負、身份。它不是一個帶有角色的聊天機器人。它是一個對人們真正關心的動態進行持久模擬的遊戲。這種區別決定了產品生成的數據的深度和類型，並創造了三個複合優勢：

來自無人操作的產品表面的專有數據集。 LifeSim 從持久、有狀態、多角色的 AI 互動中生成行為和語義數據。這些數據——世界敘事、角色身份圖、情感記憶、深度對話線程——不存在於聊天機器人日誌、伴侶應用程式記錄或遊戲遙測中。它也是用於微調 AI 模型以維持情感連貫、長上下文、關係感知互動的最稀缺輸入——這是通用基礎模型未優化的能力。更多使用者產生更豐富的數據。數據集不斷複合。

衡量和推理這些數據的已證明能力。 本報告中展示的行為和語義管道——規範化、會話重建、分層語義分類——產生結構化的評估信號：不僅僅是使用者是否參與，還包括互動是否情感連貫、關係一致和敘事持久。這是閉合微調和產品品質之間循環的評估層。這是一種組織能力，而不是一次性分析。

旨在產生最豐富資訊信號的互動的產品。 LifeSim 的持久世界、多角色關係和情感記憶系統不是功能——它們是生成數據的表面，這些數據用於衡量並為產品決策提供資訊。更好的產品決策會推動更深入的參與。更深入的參與會產生更豐富的數據。

8 未來工作

使用者已經沉浸在 13 小時的會話中——下一個階段是改善沉浸感和玩家留存率。留存率、核心遊戲循環和貨幣化是接下來要解決的挑戰。

接下來是什麼

• 你的世界沒有你也會繼續運轉
• 數週累積的後果
• 市場創造