The following article is from GT游戲人互助 Author 成志@GameTrigger

【資料圖】

00

前言

降本增效：AI會取代原畫嗎？美術已節省xx人天

xx游戲：懷疑使用AI，玩家聲討、廠商道歉

xx公司官宣推出大模型，融資xx萬美金

萬字長文解析：英偉達又搓出什么新核彈

......

在過去的200多天，也許你已然對這些標題麻木無感、甚至有些PTSD，但依然會有種不真切的迷離感——怎么AI又火了，這是下一個元宇宙/Web3嗎？游戲難道因此更好做、更好玩了嗎？

抱著如上疑惑，作為專注游戲行業的投資人，秉持著好奇與求真的態度，筆者走訪了海內外游戲開發者、AI研究員、AI創業公司，一路能聽到關于"AI游戲"至少10種不同的定義（堪比20~21年人均"二次元"的盛況）。為了促進跨界交流，共同探索"AI游戲"究竟是什么，也曾在22年12月舉辦過AIGC主題的Game Jam。

結合研究與實踐，希望在這個信息過載的時刻，能為行業分享些接地氣兒的觀察、提供更AI原生的游戲思考和腦洞，少一些無謂的FOMO——畢竟，無論技術如何迭代，游戲好玩才是硬道理，審美好、懂設計、懂開發的游戲人總是稀缺的。

01

舊話題里的新鮮事

開源生態、二次元同人文化、開發者與創作者共創，促成生成式AI在創作圈的繁榮。游戲，作為視聽交互的集大成者、也是變現效率極高的產品形態，同時有相對更溫和的包容度，其土壤天然適合生成式AI的探索。

以圖像生成為例，時間撥轉回2022年8月，Stable Diffusion方才問世，開源之火就迅速點燃了創作者的好奇心。在隨后的10月，NovelAI推出基于Stable Diffusion和530萬張Danbooru圖像訓練的文生圖模型，數日內躥紅，但很快被意外破解。

彼時，互聯網大江南北都流轉著Vtuber區UP主秋葉aaaki的本地部署教程，同期《元素法典(1)(1)(2).pdf》也傳遍了大大小小的社群?；蛟S最初這都不過是圖一樂，但在一票ACG相關創作者的努力下，文生圖/圖生圖又更上一層樓——曾開發出Waifu生成器的Spellbrush聯合Midjourney推出專注美少女的Niji Journey，年輕牌佬、YGOPro2作者鼓搗出ControlNet。

有趣的是，這輪生成式AI的主要傳火者并不在曾經設想的工業界、機器人，而是創作領域，尤其在二次元同人圈。畢竟，相較于管線更成熟、容錯率低的工業需求，同人創作擁有相對更好的包容度、也有更濃的幻想和創作欲。

于是，擅長整活兒、常年混跡社區的愛好者紛紛轉型煉丹師，眼下B站首頁不乏"AI角色唱歌"、"AI小草神舞蹈"；在HuggingFace的開源生態里，也有不少老二次元工程師貢獻項目模型。

萬眾矚目的Character.AI，ACG類角色的調用量遠超其余類型——畢竟能跟屑狐貍聊天，能獲得5t5陪伴，為什么不放飛下自我呢？這波，二次元上大分，社區文化大勝利

而在所有的文娛創作中，游戲，無疑是視聽交互的集大成者、也聚集相當多創作和技術人才，且F2P網游的商業模式又早已被確立，因此被眾多從業者關注，各界多有"游戲是AIGC落地的第一站"的觀點。

不過，在生成式AI浪潮來臨前，游戲+AI本身也算不得什么新鮮事。從NPC/怪物決策講，最普遍的無非行為樹、有限狀態機，也有較難設計、不甚常用的GOAP；生產流程上，不乏AI減面、自動展UV、網文生成器等工具；回到傳統的強化學習，雖限于少數重度PvP、三消等場景，但也較為成熟；即便跳出AI，諸如Houndini+SD等程序化生成工具，使用率即便較低，但也有點年頭。那如今燥熱的「生成式AI」究竟有什么新活兒？

回歸「生成式AI」的發展，已有相當多科普梳理，在此不再贅述。一言以蔽之，自此不需要再為特定任務做專項訓練、也無需像傳統NLP得先拆分子任務。通才大模型在少量Prompt指令下，能結合上下文學習，可勝任相當多生成性工作，而不只是曾經簡單的翻譯理解（AutoGPT甚至可以幫你寫Prompt，長期來看，Prompt也可能只是指令交互的過渡媒介）。

同時，在有點兒「暴力美學」的縮放法則（Scaling Law）加持下，高質量數據和大量參數可以涌現出推理能力，如果加入其他模態的數據，還能相互轉換，甚至上半年的GPT-4、微軟KOSMOS-1還能讀懂梗圖。

就著"生成"和"推理"兩大關鍵能力，也衍生出了「降本增效」的AIGC工具派和「原生體驗」的AIGC游戲派。

對于「降本增效」而言，拋開上市公司喊話大模型的市值管理行為，工具確實有一定效果，但當前仍無法滿足對可控性和容錯率的高要求。而對比以往"渠道迭代、產品質量為王、小團隊自研自發成為可能"等行業價值鏈的結構性變化，目前的生成式AI尚且還沒有清晰的"顛覆"路徑。

此外，游戲趣味和盈利能力也并不與投入資本的多寡呈線性的正相關——巨制會翻車、小品也能爆。如果不談如何創造新體驗，只聚焦工具提效，可能不免就會陷入"不過是將14人天的立繪設計縮短到10人天，將0.5人天的綁骨骼縮短到0.2人天，但還是不符合賣點、玩家覺得不如《O神》"的窘境。

因此，在混沌之初，更值得探討的還是"AI原生游戲會長什么樣"，能否為玩家帶來新樂子，或者提供新的變現模式——畢竟，游戲體驗永遠是內核，作品不夠好玩，玩家不愿買賬，聊再多"降本增效"也無濟于事。

02

原生體驗

AI原生游戲，有兩種截然不同的路徑——第一種是純粹的游戲思維，即選擇有相似思想的原型，先做個好玩的游戲，將AI視作錦上添花和樂趣延伸；第二種則是游戲化的互聯網產品思維，即用"游戲化"包裝泛娛樂需求，追求傳播和增長裂變，AI扮演提供樂子的工具。

聊起游戲本身，也有人聽到AI創新后眼前一亮，仿佛無限關卡近在眼前，再搞個UGC編輯器，豈不就是游戲永動機——贏麻了。

但很遺憾，后文將說明AI原生游戲并不等同于無限生成內容的策劃機器人，更不是搞個更簡易的編輯器讓玩家代工。在這里，筆者先提出一種思想——AI原生游戲將發生從"設計師創造樂趣"到"玩家自主創造樂趣"的范式轉換，即廣義上的UGC，AI原生游戲的趣味得由開發者、AI、玩家三者共創。

談及游戲創新的范式，筆者粗略地先分出三種路徑：①想到但做不到——通常卡在設計/技術；②做到但不夠好——最為常見的微創新；③壓根沒想到——神來一筆/有時是品類級機會。

其中，第一點和第二點尚有討論空間，即生成式AI的推理特性能否優化已有體驗，拓寬其樂趣。但聊到第三點，就很難僅拿著概念來做無中生有的空想，即能以xxx-like命名的創新往往和機制、交互相關，得經歷長時間推敲和驗證才能成型，與技術更迭并無直接干系。故全新體驗的確有可能出現，但暫不在本文討論范疇中。

回到第二點"做到但不夠好"，歷來是業內最務實的話題，但要跨越這難關，對多數網游而言，最棘手的還不是去想那些凸顯差異化的小設計，而是處理"內容產出速率低于玩家消耗速率"的窘境。只不過在普遍如此的當下，玩家和研發就"長草"和"坐牢"達成了一種微妙的相互妥協——但個中原因僅僅是內容少嗎？仔細一想也不對。

為了能繼續推進劇情/畢業喜歡的強力角色，即便痛罵一頓，還得回去反復刷材料

對于側重局內體驗的游戲，刺激長留和付費的往往是精雕細琢的高星角色、BOSS戰、主線演出、一波三折的關卡，肯定不是量大管飽的填充物（此處點名看似無限的Roguelike副本、看似隨機的日常任務）。哪怕儲備了一系列高質量內容，也得講究"物以稀為貴"，釋放節奏要論疏密，不會一味地高強度更新——總不能每周一個新卡池等著被罵吧。

對于側重局外養成的游戲，關卡/戰斗又更多是驗證養成的一道場景，爆出神兵、刷齊套裝、湊足Build的數值反饋更重要，其留存內核顯然也不是從多堆幾關小怪能解決的。

因此，內容過速消耗的關鍵似乎并不在多寡。我們常常談及的工業化產線也并不意指量大管飽，只是盡可能保質、保量、保時地產出版本，滿足玩家對長期驅動力的追求。

從這個視角來看，AIGC能無限生成內容的幻想，除了強化學習在極少數MOBA/FPS的AI Bot、純關卡驅動的三消、需要陪玩的菠菜有價值外，其余品類就總缺了點立足之處，還會陷入"算法人才難覓、數據集有限、訓練成本高昂，不如招個資深策劃"的ROI悖論。

筆者認為，更好的思路，可能是從"設計師創造樂趣"到"玩家自主創造樂趣"的范式轉換——即廣義而言的UGC，這其實與生成式AI天然契合。不過這里的UGC≠搞編輯器，不是去硬抄《蛋仔派對》《Roblox》，其實質是開發者設計好交互方式、規則機制和反饋邏輯，而將具體樂趣的創造放權給玩家。

最典型的例子就是麻將和樂高的思想。

麻將，也可代指一切優質的PvP游戲，在基礎規則既定后，借助隨機性和風險博弈，雀友的發揮決定了樂趣多寡。只要還能肝，贏家和輸家都想無限地再開一把，且還自帶傳播性。

樂高，也可代指一切有沙盒創造屬性的游戲，本質是以物理規則為支撐，定義了基礎元件的連接方式，而無論是創造還是破壞都有其樂趣。同時，設計重點不在于玩具制造本身，而是如何提供合理的反饋，畢竟空有屠龍刀而無龍可屠就多少欠了點意思。不過一旦成型，千人千面，玩家總會找到獨屬自己的樂趣所在。

麻將：頂級UGC游戲，樂此不疲，無限重開

回到"User Generated Content/Fun"的思路本質，還是盡可能不依賴于開發者的內容更新。這也意味著妄圖把壓力轉嫁給玩家靠UGC編輯器代工并不靠譜，其不過多了些玩家原生的策劃，還得靠團隊披沙瀝金、得有足夠DAU的池子里篩選。相對地，設計師提供積木、麻將這樣的玩具更具性價比——

可以誘導玩家激發反復練習、自我超越的欲望，例如《忍者必須死3》競技場的無盡跑道、《Neon White》同一地圖在極限操作下的最速通關；或者支持自由創造、提供驗證，例如《塞爾達傳說：王國之淚》里結合究極手和左納烏的"我愛發明"系列，文能神廟解謎、武可欺負呀哈哈，爭相競選弱智吧吧主；同理，還有自由選擇、真實反饋的樂趣，也正是開放世界的本質，而非玩完即棄的一次性大地圖。

一言以蔽之，AI原生游戲≠無限生成內容的策劃機器人，≠搞個更簡易的編輯器讓玩家代工。

結合當下生成式AI的新能力，即推理、記憶、百科全書、自然語言交互、跨模態轉換，但體感上還有些喜歡"一本正經地胡說八道"的大忽悠，放在玩家敏感度高、容錯率低的場景大抵是吃力不討好，但若能輔助設計師開發積木或麻將這樣的UGC玩具，即在扎實的設計框架里，為玩家帶來額外的新體驗，未嘗不可一試。

先且不論算力要求和工程難度，后文將以「敘事開放世界」「沙盒與模擬經營」「涌現與電子斗蛐蛐」「泛娛樂游戲化」四點為切口，列舉部分相似思想的原型，并以「病毒式傳播和玩家共創」為收束，拋磚引玉。

敘事開放世界

開放世界的本質是賦予玩家足夠自由且有趣的體驗選擇，并給予真實的世界反饋，而非單純超大地圖、遍地走的NPC。借助LLM相對成熟的文本生成能力，也能有近似開放世界的體驗。

有趣的是，每當有新技術試圖來游戲分一杯羹，總有媒體喜歡把《荒野大鏢客II》等AAA開放世界作品掛在嘴邊，但若深究開放世界存在的合理性，絕非堆砌美術資產和任務罐頭，而是創造有趣且可信的世界，賦予玩家自由選擇的權利。對此，《塞爾達傳說：荒野之息》選擇了一套基于物理/化學引擎的實現手段，《殺手》《合金裝備V》則選擇了對同一任務目標提供多重解法。

這種將樂趣放權給玩家，能自由把玩的特性也對應了前文所述的UGC樂趣。聯想到大模型，借助其有邏輯推理、上下文記憶的文本生成能力，也能實現近似的AVG+開放體驗，但這不與美少女Galgame劃等號。畢竟比起"游戲+敘事"的拼接，"游戲×敘事"的機制融合更有趣，即要讓玩家"玩"故事，而非"看"演出，得參考諸如《史丹利的寓言》《奧伯拉丁的回歸》的設計。

將二者思想融合后，Inkle工作室的網狀敘事作品《Sorcery》《80 Days》《Overboard!》就值得參考，將情節分拆為狀態單元/Storylet的模塊化敘事結構與LLM有較大的聯動可行性。

譬如在《Overboard!》中，玩家需要扮演一位謀殺富豪老公來騙取高額保金的女士，而在這艘封閉的郵輪上，其余5位NPC都或多或少有指證玩家謀殺的證據。沒錯，這次視角不再是偵探，流程也不局限于推理真相，而是想方設法地脫罪，有些像番劇《虛構推理》，全程靠一張嘴忽悠。

這款游戲的開放性就體現在自由的脫罪思路，且心流可能截然不同，你可以選擇——

① 偽造證據，制造無頭懸案

② 嫁禍某位NPC，找尋其間漏洞

③ 拉攏其余NPC，事成一起分贓

④ 干脆把NPC都作做掉，物理意義解決問題

⑤ 先跳預言家，開局就給警察致電混淆視聽

⑥ 說不定還能找到皮劃艇鑰匙，提前開潤（腦洞）

......

而這都收斂于一艘固定場景的郵輪，交互也僅靠對話和簡單的道具，單局10~20min短平快的時長。麻雀雖小，五臟俱全，也正因其較高的自由度，配上合情合理的快速反饋，刺激不少玩家自愿重開，試圖找到更完美的方案、或者更荒誕的解法。畢竟，偵探游戲最有趣的不是那一個個解謎機關，而是最終把線索歸位復原真相，驚嘆"哦！原來如此，我早該想到的！"的那一刻。

回顧《Overboard!》這樣的一段小品級故事，研發周期也不過100天，看似門檻和成本都不高，但在傳統開發工具下，想做到這般"主觀感覺開放、實則收斂可控"的體驗，工夫盡在詩外，非常依賴編劇的人工推敲，梳理關鍵線索、NPC狀態。

Inkle敘事總監曾在GDC分享過另外款互動作品《Sorcery》的開發邏輯，采用少量狀態樹以達到足夠自由度

但在LLM的驅動下，可以把推理交給神經網絡，把選擇自由權轉到玩家，避免"策劃絞盡腦汁想了100種方案，玩家只玩了2~3種"。對于獨立團隊而言，或許更迭題材和體驗 （比如"末日/密室逃生"、"偽裝間諜"，不必拘泥于推理），就能搞點新樂子。也許還能兜售調用LLM的次數，限制玩家無限試錯、提供撤回操作的空間。

這種更契合Adventure本質的游戲還有些許參考，例如具有隨機生成元素的策略RPG《漫野奇譚》也有異曲同工之妙。或者跳出電子游戲，曾經風靡歐美的Gamebook、無數童年回憶的《冒險小虎隊》，其思想也有十足的開放性。

提及敘事和開放性，不少從業者還會想到AI跑團。筆者認為，的確值得一做，但生成式AI并不直接解決跑團小眾的難題，當下依然是服務于核心群體，要想推廣跑團樂趣得在設計上做簡化。

畢竟跑團的本質，和"玩家自主創造樂趣/UGC"同理，是一種共同敘事。一段或荒誕、或溫情的故事需要KP和PL共同完成——其中的隨機Roll點只是實現手段，沒有玩家為此賦予的意義，大成功大失敗又能如何？

說到底，不同于更依賴劇本和DM帶飛的劇本殺，跑團是小伙伴們一起編故事的游戲，得解放玩家的中二想象力，PL要不會玩，AI也幫不上忙。

制約跑團文化傳播的一大原因，并非簡單的組不齊車隊，而是新人不會玩、擔心玩不好的心理負擔——這也側面說明了，玩跑團和看跑團視頻終有隔閡，視頻的流行也難以直接把路人轉化為玩家，畢竟前者是親身參與、獨有體驗的調查員，后者是看客心態的觀眾。

照此邏輯，單純由Stable Diffusion驅動的立繪/CG生成、GPT系列驅動的KP/PL對老手倒是增添了些許體驗，但想讓更多潛在玩家體驗到跑團樂趣，得借助LLM在設計層面先循序漸進，提供充分的反饋。對此，售賣模組、按AI調用次數/時間的收費，也具備了一定的可行性。

題外話，一起編故事、樂子人等元素，搭載喜歡"胡說八道"的ChatGPT、再荒誕也能視覺化的Stable Diffusion，似乎《道詭異仙》還是個不錯的切口，人人皆是坐忘道，就主打一個個的虛虛實實、真真假假。

《道詭異仙》坐忘道似乎是不錯的選材參考，亦真亦假全靠玩家判斷，增加輸出的容錯率

沙盒與模擬經營

擁有記憶、計劃、反思能力的Generative Agents對NPC占比較重的扮演式模擬經營、控制類沙盒有較大幫助；同時，NPC不僅得鮮活，還需要設計師賦予其招募傭兵團/共同經營/戀愛后宮等意義，給予玩家自由把玩的目標。

作為RPG游戲不可或缺的一環，非敵方NPC往往承擔了任務發布器和背景板的角色。盡管在多數游戲里，這些角色并不構成體驗的關鍵支柱，但依然要費不少心思來設計，且多為一次性消耗內容，還有可能不會被玩家觸發/認真對待。

不過，沿用"玩家自主創造樂趣"的思想，在生成式AI的技術加持下，更優的解法也許并非增加更多的NPC（當然也不會是僵硬地植入自由對話......），而是加強NPC、NPC之間的智能反饋，讓玩家有更強的主觀能動性，或組建一支神奇的傭兵團、或在復雜的國際環境執政（NPC也可能是一個個國家）、或挑戰廣開后宮（bushi）。

而這一切的實踐基礎，則是熱門的斯坦福大學論文《Generative Agents》，不由得對其中栩栩如生的角色關系嘆觀止矣。相較于曾經靠人工BT/FSM來框定角色行為，論文里接入GPT3.5，裝載了能提取記憶、計劃、反思的Memory System，那NPC能據此先大致制定行為計劃、并針對環境和其余NPC的變化做即時調整，來脫離純粹由策劃推理的困境。

如果說《Generative Agents》更像是個觀賞性的技術DEMO，想必不少從業者也想到了復雜性和可玩性都更強的沙盒游戲。例如有異曲同工之妙的《矮人要塞》，控制七個性格各異的小矮人試圖建造一個堡壘，盡管游戲ASCII古早的美術風格和極其硬核擬真的復雜難度（當然熱衷于此的朋友會說"Losing is fun"） 勸退了不少看客，但都不妨礙其"醉酒貓"的MEME梗聲名在外——

起因只是矮人在酒館打架會碰倒酒杯，但結果是待在酒館的貓醉了（要知道在設定里，貓是不會喝酒的），經過一番查詢，原來是酒沫濺到了貓毛，而小貓喜歡舔自己的毛，這才導致了醉酒狀態。盡管這更像是個意料之外的BUG，但或有趣、或荒誕的BUG所引發的蝴蝶效應又總能令玩家莞爾一笑，而背后的思想與Generative Agents有不少相似之處。

同理，《環世界》《僵尸毀滅工程》也有相似的設計脈絡，如果能引入LLM，并用LangChain"魔改"，甚至擴展到MMO，讓單機體驗延伸到網游，在奇幻的背景設定下組建兵團，玩家自然而然就有更廣闊的目標。

如果說以《矮人要塞》為代表的操控類沙盒作品上手門檻較高，那么以《星露谷物語》《集合啦！動物森友會》為代表的扮演式模擬經營能吸引更多休閑玩家入坑，這也是Generative Agents可落地的場景。

相信不少玩家在《星露谷物語》中期都查過NPC出沒時間和地點的攻略，隔三差五地去聊天送禮，再等一個雨天去找老水手購買美人魚吊墜，最終與喜愛的角色結婚（不限性別），每天看著對象為你烹調早餐、澆灌田地，沒事兒還會來個擁抱。

如果用Generative Agents打造一個擁有長記憶體的NPC環境，也許這種小鎮反饋會更豐滿，而且內容可不局限于農閑生活和談情說愛，甚至不局限人類智慧體——畢竟NPC≠人，既能是沉藏海底、不可名狀的"魚群"，也能是奇幻大陸的精靈海妖，滿足玩家的"細分需求"。

涌現與電子斗蛐蛐

游戲領域的涌現是利用有限的規則組合，來構成豐富且有意義的反饋，但難就難在輸出結果依然是體驗可控。同樣有涌現特性的生成式AI，在融合游戲性后，其本質是"電子斗蛐蛐"，滿足玩家作為上帝視角Kill Time的樂趣。

在GPT-3異軍突起，超越同期的BERT后，涌現一詞就常常被研究者提起。作為從復雜學科誕生的概念，涌現嘗試概括在宇宙、社會、生命等混沌中自發出現秩序的現象，例如天氣轉化、蟻群分工、免疫器官的構成背后都是由大量微觀個體在一定規則下的宏觀結果，其中最為知名的則是康威生命游戲，直觀地演繹了數條規則下的豐富變種。

而這個源于自然的概念，經過些許簡化后，也在游戲設計中得以體現——即利用有限的規則組合，來構成豐富且有意義的反饋，讓玩家自由探索樂趣所在。對此，最廣為人知的就是《塞爾達傳說：荒野之息》，只用希卡石板的四個新手村能力，加上符合直覺的物理（重力/溫度）反饋，足以讓一團火有多種用途。

不過，涌現并非萬靈藥，復雜與有趣并非伴生關系。如今結合生成式AI來看，更重要的是可控涌現，即謹慎地設計基礎規則、推敲機制間的組合，使得結果仍在設計師預見范圍之內。的確，想優雅地完成絕非易事，但無需達到任天堂級別，只是汲取規則組合的思想，也能有不俗的創意。

譬如Sokpop工作室的《Simmiland》就是不錯的學習對象。其體驗像是上帝視角下的"電子斗蛐蛐"，玩家只需要在隨機地圖里決定打出「天氣」「礦石」「植物」「生物」的卡片，就可以左右小世界的環境，觀察小人NPC能搞出什么新花樣。

千變萬化的卡片組合，可能帶領人類走向不同信仰的時代——也許是興建教堂的宗教路線、生產房屋汽車的工業路線、還可能是手搓火箭的科技路線，一切都取決于玩家意志和規則組合。

相似的，Sokpop的另一款佳作《Stacklands》則是基于抽卡包、卡牌間組合的邏輯，也能讓玩家自主創造一個世界，并伴隨其文明的發展，其中貨幣產出與抽卡消耗的循環使得該作更耐玩，且為商業化提供了空間。還有獨立游戲開發者On的代表作《生命之島 GROW Island》，雖然是較為有限的排列組合，但精致的反饋也讓作品頗具可玩性。

設想，如果將上述游戲的思想接入LLM，促使NPC學習對應規則，將卡片轉換為Prompt，也許經由同樣是涌現邏輯的神經網絡，能賦予玩家創造更加豐富、且符合直覺的小世界吧。其中，賣卡包/卡組、撤回/增加額外變量就有一定可行性，究竟本質還是賣prompt和調用次數。

回到"電子斗蛐蛐"的設想，除了設置物理規則的互動，將涌現理解為個體與個體間互動所產生的社會現象也值得試試。這不禁讓人夢回2018年的《太污吾繪卷》，作為知名武俠開放世界RPG，茶余飯后的談資卻并非戰斗功法，而是"復雜且有些荒誕"的NPC關系、和斗蛐蛐的副玩法。

有些反直覺的是，相較于過于強大的人工智能，有些荒誕的人工智障反倒讓玩家有種看樂子的掌控感。早期的武俠和修仙獨立游戲均沒有復雜的AI，甚至還充斥著一堆BUG，表現上也只有單薄的文字，但縱觀Steam熱評、B站彈幕，不乏就著"剪不斷、理還亂"即興發揮的文豪，身處上帝視角的觀察和腦補讓玩家樂此不疲。

設想，如果NPC有更強的決策、記憶、推理能力，策劃只需設計頗具看點的矛盾、背景，也許就能滿足不少互聯網閑人Kill Time、圖一樂的需求。

泛娛樂游戲化

為了脫離與傳統游戲之間的價值對比，AI原生游戲從包容度更高、敏感度較低的休閑玩家切入，可能會更快驗證其循環的合理性。而游戲化改造的本質是賦予目標和反饋，支持玩家有趣的選擇，并在商業化設計上做好價值塑造。

如果說跑團、沙盒、開放世界、模擬經營都是面向游戲玩家/Gamers，就不可避免會將生成式AI的作品與經典大作對比價值幾何——拋開概念噱頭，AI原生游戲本質還是游戲，內核要比肩《星露谷物語》本就不易。但如果放眼更休閑的非游戲玩家/Non-Game Players，游戲人的思維配合AI或許能有降維打擊的奇效，更容易在短期內驗證。

援引席德梅爾的名句"游戲是一系列有趣的選擇"，只需要增加目標和反饋，為對話增加風險博弈，原本平淡無奇的NPC聊天也能變得有趣，而這也是Character.AI等對話式產品有游戲化改造空間的原因。

譬如獨立游戲開發者大谷用GPT3.5開發了一個病嬌性格的AI貓娘女友，支持語音對話。但更重要的是作者設計了一個"密室逃脫"的目標（這很病嬌）。于是，玩家體驗不再是像Character.AI那樣的無目的閑聊，而是使出渾身解數，靠一張嘴盡快脫離"魔爪"。

這個DEMO也正是"玩家自主創造樂趣"的好例子。過去玩家能輸入什么得靠設計師窮舉，本質還是一次性消耗品。如今，這份推理負擔轉交給了GPT系列，在具備一定邏輯性的同時甚至還有些花活兒。那玩家體驗的有趣與否相當看其創造力，設計師只需降低門檻、鼓勵玩家——當然也得防范NSFW的情況。

GPT，你也玩《原神》！

如果擔心調用LLM會有延遲問題，還可以在設定上選擇同樣有延遲反饋的設定來規避。例如曾席卷中文互聯網的《旅行青蛙》，佛系放置的背后，為這種不確定性的旅行提供了合理性，反而讓玩家期待"兒子"會帶來怎樣的照片。

再考慮到GPT系列尚且有些"一本正經的胡說八道"，這種似是而非、模糊套話的輸出結果和具備巴納姆效應的部分心理測評、塔羅牌、解夢、算命有天然的契合度，文本和圖片的可解釋性本質在用戶自己手上。

或許這也能用Midjourney輸出精致的塔羅牌卡面，經過針對性Fine-tuning的LLM對關鍵詞做解析，再由設計師對主題、UI/UX交互做些包裝，增加收集、裝扮、社交等目標和反饋，亦是一款不錯的泛娛樂游戲化產品。

如果再將變現效率納入考量，海外《Chapters》《Episode》等可視化的視覺小說也和生成式AI有不錯的相性——相信關注出海的朋友經常能刷到上述產品非常"Drama"的投放素材，直擊北美16~45歲女性。

這種網文風作品的本質是情緒調動。其編輯深諳節奏疏密，平均1~3min就挑起沖突或高潮，哪怕角色和情節有些模板化，但架不住用戶在Kill Time的時候還是吃這一套（相似的，抖音中AI有聲漫畫有異曲同工之妙）。

即便運營5+年之久，時間來到2022年，《Chapters》《Episode》依然在北美保持了2000~3000萬美元的年流水，巔峰時期月流水也曾破千萬美元。而不同于國內熟稔的Gacha模式，上述作品更擅長在調動好情緒后，在擦邊橋段提供【付費選項】和【免費選項】，而在故事轉折時戛然而止，提示得等待數小時或直接氪體力解鎖后續章節。

盡管這種逼氪的手段也消耗了玩家的耐心，但對普羅大眾而言，需求經久不衰。近年來包裝為模擬約會的MeChat也殺出重圍，站住了腳跟。且不難發現，新產品的xp也越發細分，而這種高度定制化、千人千面的需求正符合如NovelAI這樣的生成式AI，而靠人工編劇就很難盡善盡美。

與其用生成式AI出圖、配音、寫文去復刻這類作品，不如借鑒其情緒調動、并為選項賦予高價值的思想，售賣附加情節。畢竟商業化設計的本質是價值塑造與價格對比，AI原生游戲若想持續發展，不建議只盯著天花板有限的IAA廣告變現，而是用游戲設計的思想拔高其調動LLM/其他生成式AI工具的價值。

病毒式傳播與玩家共創

AI原生游戲不應該以"技術"為壁壘，也不應該以"AI"作為賣點，而是思考AI以外真正觸動玩家的體驗是什么？最好得利用病毒式傳播、玩家共創等方法，圍繞玩法/體驗構建專有的數據庫，以此形成壁壘。

盡管我們聊到了諸多與生成式AI相似思想的游戲原型，但"玩家并不需要兩個《王者榮耀》"，AI原生游戲并非單純地再做一次相似作品，且核心賣點永遠是游戲而非AI——AIGC+貪吃蛇，有趣之處仍然是貪吃蛇本體。當"AI游戲"的概念即將被濫用時，AI以外的部分才是核心競爭力，正如同鷹角、蠻啾、米哈游也從未用"二次元"標榜自己。

同時，AI原生游戲的成效也并不一定就屬于最早發布、最早擁有大量玩家關注的作品，而是要探討如何圍繞體驗獲取更多玩家數據，以此迭代體驗、不斷循環，在細分體驗下構建競爭壁壘。

這可類比于Midjouney，用戶在Discord的每一次交互，既是獲得文生圖的反饋，也是為模型迭代提供數據，據此Midjourney能根據實際需求針對性地訓練模型以迭代體驗，形成數據飛輪。類似地，AI原生游戲區別于傳統游戲，也應當圍繞其設計，讓玩家的交互既是體驗的一部分，也同樣可轉化為迭代的養料。

為了吸引更多玩家，理解并結合好社區文化會是一大助力。考慮開發難度和傳播能力，紅極一時的小游戲《人生重開模擬器》可能是不錯的試驗田，其Gacha式的交互推進和略顯荒誕的人生發展與AI有幾分相似，同時也具備病毒式傳播和二創的可能性——畢竟原版在第8天就已有10億次游玩，并在此后衍生出魔法版、修仙版、爽文版等相似邏輯的作品。當這種思想接入生成式AI后，也許不只是純隨機的對話，可以衍生出更多的玩法。

而跳出游戲性本身，從壯大IP生命力的角度看，借力生成式AI的社區共創也非常值得探索——選擇能掩蓋生成式AI不易控制產出的短板，對"質量"要求不高，或者說本就接受浪漫主義、圖一樂的內容方向。

譬如《崩壞：星穹鐵道》在前段時間有場「無盡的三月七」圖生圖活動，模式簡單易懂。若按傳統圖像生成的思想，想必是Prompt寫滿了諸如"Best Quality、Masterpiece、NSFW"等詞，出現奇怪的手、精致但沒靈魂屬于常態。

不過，對于二創而言，精美不是唯一出路，玩家自己玩得開心更重要，有時候整活兒才更具傳播力——在B站搜索關鍵詞，再按點擊量降序排列，似乎都是"怪東西"。但恰恰也是網友難以捉摸的想象力，將本不完美的圖轉化成QQ群里的MEME，產生病毒式傳播。

從米哈游這次活動說開去，發行側也可以將生成式AI打包為降低二創門檻的工具，并不一定是為了短期的整活兒，而是延續和擴展角色和游戲故事，讓IP宇宙的內容更加健壯。例如，AI分鏡版、AI四格漫畫等，官方提供主題即可，其余由粉絲放手開干。

03

創作者

如果說上文是仰望星空，嘗試探討AI原生游戲會走向何方，那么在這一篇章，我們得腳踏實地，回歸到這一切的根基——創作者。畢竟無論技術如何迭代，最稀缺的依然是一群懂游戲、有審美、有開發能力的創作者，后文筆者希望探討生成式AI如何作為Copliot輔助好開發與發行，讓人之價值回歸于人之本身。

降本：真正要減少的是溝通返工，倒逼上游捋清需求

降低成本并非單純的裁員，而是設法降低溝通、返工、探索的摩擦損耗，捋清楚開發需求。

每當論及生成式AI對行業的影響，媒體和上市公司總喜歡把"降本增效"掛在嘴邊，但其中意蘊相當朦朧，一直存在種刻板印象的誤解——仿佛"降本增效"等同于找到契機裁員，裁員后項目就能順利發展。

盡管研發費用的確在與日俱增，但做得不夠好玩，又如何靠省錢來獲利。如果真要論及人天節省的直接比例，比如PBR流程里，早年的自動綁骨骼、自動展UV、生成LOD也不過是把原本0.5~1人天的工作量再縮短些，甚至還得人工復核破面、缺面等漏洞。

筆者認為，生成式AI對生產端的幫助更多是通過降低"溝通摩擦"和"探索試錯"的成本，倒逼從業者用奧卡姆剃刀原理想清楚設計意圖和核心體驗，從而提升效率，不是單純地優化人力。

作為一種復雜工程，提需求是開發者的一大要務，大模型也不可能直接服務于——"想個月流水過億的方案吧"。但相對地，ChatGPT、Stable Difussion等工具快速出稿的特性，在一定程度上能讓開發者厘清需求，圍繞項目的核心體驗和賣點，想好究竟要什么、不要什么。

畢竟，做加法是容易的，做減法是困難的，不少游戲敗在缺乏主軸，產生冗余設計和美術資產，沒有充分把資金花在服務于體驗的刀刃上。同時，策劃也可借助文生圖制作情緒版，更好地向美術同學傳遞需求，原畫也能用圖生圖反饋不同方案，與策劃快速達成共識，不必費功夫產出大量廢稿，尤其是涉及相對抽象的"溫柔""帥氣""儀式感"等詞。同理，也可借助于Mubert、AIVA、Vits模型來試著生成音樂、配音小樣，在早期拿捏需求。

說到底，AI并不會替人想清楚，即便快速產出100張圖、100句話、100段BGM，也只會讓缺乏指導思想的開發者更加迷茫而難以取舍。某種意義上，學習AI，反倒是認清自己，是個"知道自己知道、知道自己不知道"的過程，積累知識、術語、閱讀量，以達到精準表達的目的。

增效：當基礎活兒靠Copilot節省后，人的核心能力將被放大

美術的工作重心是表達，而不是繪畫；UI的工作重心是交互，而不是圖標。AI Copilot時代促使創作者思考真正重要的是什么。

凱文·凱利在接受采訪時曾提出個觀點——"人類 90% 的技能會被 AI 取代，剩下的 10% 會被放大。" 前半句的比例有多高并不重要，關鍵是充滿人本主義的后半句，即那些"人之所以為人"的事物是什么。

以時下最火熱的2D原畫生成為例，回顧往昔，歷史的車輪總是有相似性。19世紀法國誕生了攝影，其靈感源自早年的繪畫輔助工具"暗箱" （小孔成像+畫家描?。?，而作為世界首張"照片"，《勒格哈的窗外景色》乍一看頗為粗糙，還需要長達至少8小時的曝光，直到10年后達蓋爾將技術發展到新里程碑，這群繪畫出身的藝術家才摸到些門路，不過依然沒找到"攝影"的獨特性，還在沿襲嚴謹的靜物構圖等傳統美術在做的事兒。

所以，不出意外的，彼時"繪畫已死"的論調成為爭議焦點。但有趣的是，也有不少畫家開始用照片當繪畫參考——畢竟請模特、布景費用比較昂貴，但短時間內又無法完成畫作。同時，剛出生的攝影還引發了"繪畫是為了什么"的思潮，隨即在往后的30年間催生了以莫奈、塞尚為首的印象派（彼時還是挖苦用的貶義詞），同時也誕生了有獨立體系、更加原生于照相機的攝影師。而二者的發展也總是互為靈感，繪畫受攝影的影響不再只是求真，攝影受繪畫的影響也融入了更多主觀性和浪漫主義色彩。

回到生成式AI在文生圖的發展來看，總有些歷史的暗合，同樣經歷了"耗時太長且出圖不能看，到相對快速且質量提升"、"引發繪畫是為了什么的思潮"等階段。

關于這個問題，正好翻閱到穆夏的作品，頗有感觸，美術最重要的應是表達。當手繪轉為板繪、3D輔助建模深入一線，工具正不斷地被迭代，觸動人心的卻總是精湛技藝背后的情緒和思想，而臨摹從不會被看成美術工作者的代表作。

由此，筆者也觀察到部分游戲的概念藝術家正積極用結合了ControlNet的Stable Diffusion來做探索，尤其是風格轉化、頭腦風暴、快速驗證。

例如近期上映的《蜘蛛俠：縱橫宇宙》就有獨特、大膽且多變的渲染視效。也許藝術家在看完后就忽而有某種表達欲，可以將其放入Stable Diffusion+Midjourney，試著轉換成截然不同的風格，先且不論精細度和正確性，只求快速產出氛圍和情緒參考——打開腦洞，更好更快地產出屬于自己的作品，而無需慢慢找參考、找到后還得親自試著畫畫。節省時間之余，還可能帶來有趣的元素。

此刻，2D美術生成已是如火如荼，快速出100張圖不是難事，但對游戲而言，有意義的內容才真正稀缺。畢竟對持續內容更新的項目而言，單個版本可能只推出1~2個角色。尤其是內容向作品，需要對每個角色的設定、戰斗配置、對應的驗證環境都精心雕琢，才更好作為商品賣出，并非以量取勝。

因此，若想直接用上生成式AI的產出，似乎更適合在那些"不覺之間"，例如投放素材、補間動畫、邊角背景、休閑小品。而在哪些部分投入，也正反向體現了游戲的賣點，倒逼開發者將注意力放在表達和商業考量——

例如，擅長敘事的作品，講究情緒引導，真正缺的是懂關卡、懂燈光、懂3C調度等的游戲導演，而不是堆砌文字；注重交互的作品，講究UI/UX的易用性、沉浸感、世界觀表達等，顯然不是Midjourney生成像模像樣的ICON那樣簡單粗暴......

無論如何，當生成式AI作為Copliot遲早替代基礎活兒后，反倒促進人的學習和思考，讓產出服務于價值本身。

04

近未來

每當新技術出現時，往往因其仍處在早期，會陷入一種"有點用但不多"的迷思，也容易有點"拿著錘子找釘子"的過度FOMO。不過事物發展總是螺旋演進的，需要理解好這把新錘子，不忽視也不鼓吹。筆者嘗試在該篇章分享些有趣的發展方向，聊點近未來。

盡管學界對以GPT-4為首的大模型究竟是"淺層統計模型"還是"習得內在規則"還存在較大的分歧，但不可否認的是，當前焦點依然是基于Transformer+Next Token Prediction的路徑，那如何打破Transformer不擅長處理長文本就是近期一大難題，畢竟普通GPT-4也只支持8000Token，會影響模型對字符間最長距離的支持和對上下文的計算壓力。

好消息是，Sam Altman近期在訪談提到會在2023年內開放最多支持100萬Token（約合75萬個單詞）的新GPT-4，并在2024年開放多模態GPT。類比于ControlNet不斷更新輸入條件，當輸入框大幅提升且支持非文本后，模型對材料的學習能力可能更上一層樓，也讓使用者的交互更靈活。

而當目光轉向圖像生成領域，礙于3D模型的信息密度高于2D圖像/視頻、高質量數據少于語言模型、參數規模也不可比擬，暫未出現所謂的"涌現"現象?，F階段最為矚目的Text-to-3D也多是"曲線救國"，先生成低分辨率的2D圖像或者3D粗模再進行優化，面數也非常低，突破口大概率還得看英偉達。

值得期待即將在8月召開的SIGGRAPH，英偉達預計會發布20篇生成式AI相關文章，包括但不限于"將文本轉為個性化圖像的新型AI模型"、"可以將圖像轉為3d模型的渲染工具"、"能夠模擬復雜3D元素的AI驅動神經物理模型"，以及"生成實時視覺細節的神經渲染模型"。同期還有OpenAI的新模型Shape-E、以及基于Mesh生成的MeshDiffusion、國內無需3D數據直接文本生成帶紋理的Mesh模型或NeRF模型ProlificDreamer。

多數3D生成模型是基于模型庫訓練的，即無法生成非模型庫的內容，而MeshDiffusion可以基于Mesh生成訓練數據中不存在的全新形狀。不過面數還比較低，離工業還有點遠。

回歸當下，其實也有不少嘗試融入現有3D流程的工具，盡管可控性勢必與外包熟手相比欠了一層，不過依然有些小插件值得關注，例如專攻貼圖生成的BariumAI（已被Unity收購）、WithPoly，效果比單純Stable Diffusion生成的可能含后處理效果的貼圖靠譜，但諸如修改法線強度或者粗糙度還得人工來；再比如Blockade Labs近期推出的天空盒生成，輸入Prompt，可以得到360°旋轉、并且是無縫銜接的環境圖片。

現有圖形學的渲染方式受限于硬件已然成熟，但其流程也不乏僅僅服務于下游的"中間品"。按PBR流程制作一個人形的3D角色，高模雕刻占比可能近50%的時間，而轉三視圖通常交給外包熟手搞定，展UV、刪改LOD、蒙皮綁骨骼本就耗時不長，只是繁瑣枯燥。

若以更原生的思想來看，AI并非融入舊產線去跟高度熟練的外包搶活兒，而是嘗試構建一套新工作流（盡管如今還是存在想象中的科幻），不過目前的點云、SDF、NeRF等路徑仍在實驗室階段，需要更長時間的探索。

至于代碼輔助、音樂生成、聲音轉換、無穿戴動捕等也有不錯的進展，可以預見，近期還會冒出不少AI Copilot型工具。不過，市場最稀缺的還是懂游戲的產品經理，而非單純的工程師——畢竟對從業者而言，哪個好用、哪個好學就用哪個。參考游戲引擎的歷史，好工具往往是一個好游戲的附屬品，不然容易陷入"顱內自嗨"的窘境，若想搞ID Tech Engine就先搞個《DOOM》、搞Unreal就先搞個《虛幻競技場》，因此好工具得從游戲團隊"長"出來，很難由硅谷工程師們憑空生造。

殊途同歸，AI原生Feature的探索最終都會回到游戲開發本身，新生的火炬之光依然得由開發者舉起。而在路徑混沌、資源分配不均的當下，大廠和創業團隊尚未進入競爭階段，二者都面臨各自的難題——譬如大廠得思考ROI悖論，費力煉制的模型是否對應充足的真需求，中臺的研究離一線業務是否又太遠，懂AI又懂游戲的CTO此刻身在何方...... 那么，誰能掙脫桎梏，先行走出新路徑，誰就能獲得超額收益。四王抬棺，榮譽總是屬于開拓者。

05

尾聲，但并非結局

生成式AI的一切思考都不應盲目擁抱或排斥，唯有了解新技術的來龍去脈與本質，以發展和開放的心態去探索，回到最務實的生產流程和游戲樂趣后，才能更好地與時代共振。

最后，援引曾供職于OpenAI的兩位科學家Kenneth Stanley和Joel Lehman在《為什么偉大不能被計劃》一書所寫的話作為結尾——

偉大不是目標指引的結果，因為通往偉大的路線從來都不是直線，很多時候快反而就是慢。萊特兄弟發明飛機，最早用的是自行車技術；本來是用于驅動雷達磁控管的一個部件，意外成就了微波爐；第一臺電子計算機用的是電子管，但電子管根本就不是為了計算機而發明的；YouTube最初的設想是一個視頻約會網站，后來發現人們喜歡在上面分享五花八門的視頻；比爾·蓋茨迎合極客打游戲的需求，結果普及了個人電腦；埃隆·馬斯克起家是網上支付，最后卻推出了SpaceX和特斯拉……

也許，此刻，在世界的某個角落里，一群夠Nerd的天才正發明令人嘆服的新"玩具"。

*文中所有圖片版權歸原作者所有，僅供分享交流不作商業用途，侵刪

游戲葡萄招聘內容編輯，