何去何從？

文/以撒

如果離游戲行業(yè)的距離沒那么近，大多數(shù)圈外從業(yè)者或玩家對(duì)「AI x 游戲」的認(rèn)知，很可能還停留在AIGC層面——說白了就是，這家公司是不是偷偷用AI美術(shù)素材了？

但圈內(nèi)人應(yīng)該都有個(gè)感覺：游戲公司，恐怕是對(duì)AI技術(shù)應(yīng)用嗅覺最敏感、FOMO最深、策略最激進(jìn)的群體之一。在AI浪潮卷起來(lái)之后，AI應(yīng)用對(duì)游戲公司來(lái)說，已經(jīng)完全從可選項(xiàng)變成了必選項(xiàng)。

這也讓游戲行業(yè)，成了為數(shù)不多把AI利用得極其普遍，普遍到每一根毛細(xì)血管上的行業(yè)——根據(jù)中國(guó)音數(shù)協(xié)游戲工委與清華大學(xué)的專項(xiàng)調(diào)研，AI在游戲研發(fā)環(huán)節(jié)的應(yīng)用率已達(dá)86.36%。

昨天（5月20日）阿里云AI游戲分論壇

也提到了相關(guān)數(shù)據(jù)

最近，葡萄君和一些從業(yè)者聊了聊這件事，他們也提到：過去兩年，如果去問游戲公司的老板們對(duì)AI的態(tài)度，得到的回答大多是「會(huì)不計(jì)成本地嘗試，絕不能掉隊(duì)。」

到了2026年的GDC，AI x 游戲的議題突然飆升到700多個(gè)，行業(yè)風(fēng)向也在這時(shí)突然變了：「以前大家問的，是‘AI能幫我做什么？’；后來(lái)大家問的，是‘游戲行業(yè)有哪些成熟場(chǎng)景，我們需要怎么做？’」

不過在另一側(cè)呢，如此普遍的AI應(yīng)用，也沒有大多數(shù)游戲人想得那么輕松。

可以說，今年就像是一個(gè)臨界點(diǎn)：AI以罕見的速度滲入了游戲行業(yè)的骨髓。但滲透得越深，各種團(tuán)隊(duì)碰到的硬骨頭越多，再?gòu)?qiáng)的大廠用起來(lái)都一樣要焦慮。

昨天，葡萄君正好在阿里云AI游戲分論壇聽到了不少信息，其中包含米哈游、阿里云的分享，也有獨(dú)游工作室、TapTap相關(guān)團(tuán)隊(duì)的討論，或許可以歸納起來(lái)，供大家參考參考。

01

關(guān)于AI Agent，

米哈游崩壞IP有什么前沿實(shí)踐？

雖然不是滲透速度最快的，但AI Agent/Vibe Coding這種AI編碼層面的技術(shù)應(yīng)用，應(yīng)該是在行業(yè)里引起最大反響的一項(xiàng)。

這一點(diǎn)大家多少都有點(diǎn)感受吧——過完年之后，OpenClaw突然間爆火，太多人都好奇和追逐起了原本陌生的AI Agent。游戲行業(yè)不少團(tuán)隊(duì)尤其如此，陳海生就提到，那一陣有不少技術(shù)/運(yùn)維負(fù)責(zé)人，都去找他探討AI Agent的技術(shù)邊界與數(shù)據(jù)安全顧慮問題。

而在Claude Opus4.6、Qwen3.6-Plus上線之后，Vibe Coding的門檻更是被壓到了地板上，AI的應(yīng)用在游戲行業(yè)也開始大規(guī)模蔓延了——現(xiàn)在幾乎沒有研發(fā)不用AI，很多公司會(huì)直接給員工每個(gè)月2000~4000元，或是一定Token量的固定報(bào)銷額度。前一陣我們寫過的吉比特內(nèi)部Vibe Coding大賽，甚至是無(wú)限Token、沒有任務(wù)、只有獎(jiǎng)品。

大賽作品截圖

這個(gè)層面的技術(shù)應(yīng)用，對(duì)游戲研發(fā)到底有多大影響？其實(shí)目前還很難說得準(zhǔn)。

不過，米哈游已經(jīng)在這方面探索了很久，他們還真的總結(jié)出了一些實(shí)際的認(rèn)知和應(yīng)用方式：

首先，AI Agent的發(fā)展應(yīng)用可以分為3個(gè)階段：階段一是簡(jiǎn)單的聊天和代碼補(bǔ)全，階段二是能理解整個(gè)工程上下文的AI輔助IDE，而第三階段，也是崩壞項(xiàng)目組正在展望與探索的方向——讓多個(gè)Agent協(xié)同，像數(shù)字員工一樣自主完成任務(wù)。

在Agent這個(gè)詞火起來(lái)之前，米哈游內(nèi)部就已經(jīng)開發(fā)了多個(gè)自研Agent平臺(tái)，來(lái)匹配不同的應(yīng)用場(chǎng)景。這次峰會(huì)，主要分享了崩壞項(xiàng)目組內(nèi)應(yīng)用比較多的Echo Agent——一個(gè)能托管多個(gè)Agent、執(zhí)行復(fù)雜任務(wù)的生態(tài)平臺(tái)。各個(gè)業(yè)務(wù)部門可以在這個(gè)平臺(tái)上創(chuàng)建自己的Agent模板，用來(lái)做包體冒煙測(cè)試、配置助手、PPT生成等等。

接入多模態(tài)工具后，這個(gè)平臺(tái)還能實(shí)現(xiàn)分析游戲截圖、UI、游戲資產(chǎn)結(jié)構(gòu)等功能，介入更復(fù)雜的研發(fā)場(chǎng)景；甚至他們還建了一個(gè)內(nèi)部Skill社區(qū)，讓同事可以用Agent寫下Skill，一鍵分享給同組，大家協(xié)作起來(lái)更能節(jié)省工作量，避免重復(fù)踩坑。

崩壞IP組還嘗試用Echo Agent來(lái)查找了冒煙測(cè)試的崩潰原因：他們發(fā)現(xiàn)，隨著基礎(chǔ)模型能力的提升，只要給Agent提供一個(gè)足夠健壯的執(zhí)行循環(huán)，并掛上足夠多的分析工具，模型就能自主定位bug。

除此之外，如果策劃需要快速驗(yàn)證一個(gè)想法，也可以用這個(gè)平臺(tái)搞定：崩壞IP組把Agent接入了開發(fā)引擎和內(nèi)部IM工具，讓策劃可以直接向Agent描述自己的需求，自動(dòng)構(gòu)建白盒測(cè)試。在阿里云游戲分論壇上，崩壞系列AI NPC & Gameplay技術(shù)團(tuán)隊(duì)負(fù)責(zé)人銀河就展示了幾個(gè)內(nèi)部案例——包括賽車、2D戰(zhàn)斗等小玩法。

看到這些，你或許能意識(shí)到，AI Agent/Vibe Coding應(yīng)用的想象空間，已經(jīng)發(fā)展到很多人的想象力都跟不上了……阿里云智能集團(tuán)公共云事業(yè)部高級(jí)解決方案架構(gòu)師陳海生也提到，「很多運(yùn)維原來(lái)自己也要寫代碼做系統(tǒng)，但現(xiàn)在不是寫代碼，而是寫需求——把需求描述清楚，晚上交給千問大模型讓它自己跑，第二天生成代碼，植入到自己的工程里。」

但對(duì)大多數(shù)團(tuán)隊(duì)來(lái)說，最大的問題在于：市面上大把的AI大模型，其實(shí)根本不懂游戲開發(fā)怎么做。人為的研究和底層適配，目前是沒法避開的。

換句話說：API調(diào)用不等于工業(yè)化生產(chǎn)，模型能力不等于產(chǎn)品能力。

銀河在現(xiàn)場(chǎng)就分享了一個(gè)他們遇到過的痛點(diǎn)：絕大部分大模型的Coding Agent只擅長(zhǎng)純文本或常規(guī)網(wǎng)頁(yè)開發(fā)，但游戲研發(fā)重度依賴Windows底層API。如果大模型連Windows的命令行或Power Shell都用不溜，它根本無(wú)法介入真實(shí)的研發(fā)環(huán)境。

所以在開發(fā)Echo Agent的時(shí)候，他們團(tuán)隊(duì)專門針對(duì)游戲開發(fā)的特殊環(huán)境做了大量適配。比如游戲打包管線重度依賴Windows底層API，市面上的主流AI Coding工具對(duì)Power Shell或Windows命令行支持很弱，Echo就對(duì)這些做了原生封裝，讓Agent能在Windows環(huán)境下跑通。

這其實(shí)就是橫在游戲團(tuán)隊(duì)面前的AI工業(yè)化門檻。在論壇的圓桌環(huán)節(jié)，青干工作室制作人追青也吐槽了這一點(diǎn)：「真正開發(fā)起來(lái)你才會(huì)發(fā)現(xiàn)，AI根本不是接個(gè)API、給套提示詞就能開干的。我們之前跑Benchmark去測(cè)并發(fā)，結(jié)果發(fā)現(xiàn)API直接掛了，排查下來(lái)是因?yàn)槟嵌螘r(shí)間龍蝦太火，每到整點(diǎn)大家都去請(qǐng)求，接口根本扛不住。」

這就意味著，如果沒有一套強(qiáng)悍的基礎(chǔ)設(shè)施兜底，AI很有可能讓整個(gè)管線停擺。

在昨天的峰會(huì)上，阿里云發(fā)布的Agentic Cloud架構(gòu)，或許正是為了解決這個(gè)問題。 全新上線的千問云聚合了Qwen、Kimi等150多款主流模型API，將所有能力封裝為「Agent可直接調(diào)用的Skills和CLI工具」，推動(dòng)云服務(wù)從傳統(tǒng)資源售賣轉(zhuǎn)向「按Token賣智能」的新模式。這意味著游戲團(tuán)隊(duì)不再需要自己去適配多個(gè)模型的接口，而是可以通過統(tǒng)一的Agent調(diào)用層來(lái)完成復(fù)雜任務(wù)。

02

營(yíng)銷側(cè)真刀真槍的管線化

如果說代碼層面更多還在探索，那美術(shù)和營(yíng)銷管線的AI應(yīng)用，真可以說已經(jīng)到了真刀真槍算ROI的階段了。

具體怎么做，葡萄君應(yīng)該也不用贅述了，各家有各家的用法和認(rèn)知。不過在這個(gè)環(huán)節(jié)，大部分游戲團(tuán)隊(duì)踩過最大的坑在于：以為買個(gè)大模型的API，就等同于擁有了工業(yè)化生產(chǎn)力。

但現(xiàn)實(shí)情況是，很多團(tuán)隊(duì)接入生圖API之后，才發(fā)現(xiàn)大模型每次出圖的效果都不一樣，角色一致性極差，廢稿率高得離譜。最后算下來(lái)，改AI圖耗費(fèi)的時(shí)間之久，比直接畫還更劃不來(lái)。

行業(yè)數(shù)據(jù)顯示，早在2024年，就已有游戲公司在真實(shí)項(xiàng)目中，通過AI美術(shù)生成節(jié)省了約80%的美術(shù)成本——但前提是管線跑通。在管線跑通之前，試錯(cuò)成本可能相當(dāng)高昂。

為什么會(huì)這樣？阿里云對(duì)接過大量游戲團(tuán)隊(duì)，他們很有發(fā)言權(quán)。阿里云內(nèi)部游戲?qū)＜腋嬖V我，這種摩擦在大多時(shí)候，本質(zhì)上是業(yè)務(wù)語(yǔ)言與機(jī)器語(yǔ)言的錯(cuò)位。

他舉了個(gè)例子：在實(shí)際生產(chǎn)中，主美或制作人的需求，通常是角色要好看、符合設(shè)定。但大模型聽不懂這種感性描述，需要技術(shù)團(tuán)隊(duì)先把需求翻譯成工程參數(shù)——參考圖權(quán)重給到多少？面部相似度的閾值卡在零點(diǎn)幾？

有過這些輕量微調(diào)，再加上類似ComfyUI這種節(jié)點(diǎn)化的工作流，把工作拆分成一個(gè)個(gè)可控的自動(dòng)化節(jié)點(diǎn)之后，AI美術(shù)生產(chǎn)才真正開始對(duì)游戲研發(fā)有意義。

在這一點(diǎn)上，TapTap在營(yíng)銷素材方面的實(shí)踐，算是一個(gè)典型的管線化案例。

過去，如果要幫一款游戲制作買量廣告視頻，流程非常傳統(tǒng)：整理核心賣點(diǎn)、找外包團(tuán)隊(duì)策劃、人工剪輯、反復(fù)溝通修改，周期和花銷都不低。

為了把這塊成本打下來(lái)，TapTap基于阿里云百煉平臺(tái)的Dify知識(shí)庫(kù)與Agent方案，構(gòu)建了一條端到端的自動(dòng)化流水線：

第一步，由Dify知識(shí)庫(kù)結(jié)合大語(yǔ)言模型，自動(dòng)生成多個(gè)版本的廣告文案；

第二步，大模型將文案關(guān)鍵詞轉(zhuǎn)化為查詢指令，在ADB（云原生數(shù)據(jù)倉(cāng)庫(kù)）中通過向量檢索，自動(dòng)找回匹配的原始游戲素材；

第三步，工作流嵌入Python節(jié)點(diǎn)，自動(dòng)完成視頻片段的拼接、添加字幕和語(yǔ)音；

第四步，調(diào)用Qwen3.6-Plus大模型，通過視覺能力對(duì)批量生成的視頻進(jìn)行理解和打分，把最優(yōu)解挑出來(lái)給到開發(fā)者。

這一套流程之后，整個(gè)素材的生成時(shí)間就可以被壓到分鐘級(jí)別。

值得補(bǔ)充的是，Qwen3.6-Plus在多模態(tài)能力上進(jìn)一步升級(jí)，模型能夠更有效地整合跨模態(tài)信息，并完成更復(fù)雜的分析與決策。因此新版本在處理圖表、界面截圖、產(chǎn)品攝影和設(shè)計(jì)排版時(shí)的準(zhǔn)確率大幅提升，這對(duì)游戲營(yíng)銷素材的AI自動(dòng)生成和審核，意味著更可靠的底層支撐。

當(dāng)管線被AI重構(gòu)后，一個(gè)直接的結(jié)果是：游戲公司的組織形態(tài)正在發(fā)生變化。

在論壇的圓桌上，Dirichlet（原 TapADN）VP曹擎宇就提到了一個(gè)很現(xiàn)實(shí)的觀察：在AI之前，那種一兩人的游戲工作室雖然存在，但非常少。而現(xiàn)在有了AI補(bǔ)齊代碼、美術(shù)的短板，再配合上TapTap制造這種提供商業(yè)化閉環(huán)的工具，這類「一人工作室」直接出現(xiàn)了井噴現(xiàn)象。

曹擎宇認(rèn)為，在這種趨勢(shì)下，精簡(jiǎn)的團(tuán)隊(duì)就得圍繞明確目標(biāo)快速迭代、有錯(cuò)犯錯(cuò)，只要方向?qū)托小@可能也會(huì)是未來(lái)越來(lái)越多中小團(tuán)隊(duì)的常態(tài)。

03

AI原生游戲，知易行難

在降本提效之外，還有一個(gè)AI話題是游戲行業(yè)絕對(duì)繞不開的：AI Native Game。

其實(shí)目前吧……大部分人還會(huì)覺得AI Native Game是個(gè)偽命題。行業(yè)里呢，很多團(tuán)隊(duì)對(duì)AI原生游戲的理解，也還停留在給NPC加個(gè)大語(yǔ)言模型對(duì)話框。但真正下場(chǎng)做的人會(huì)發(fā)現(xiàn)，這個(gè)想法屬于知易行難。

正好，最近青干工作室推出了國(guó)內(nèi)首款A(yù)I原生歷史策略游戲《歷史模擬器：崇禎》。我們可以用它來(lái)講講具體的實(shí)踐細(xì)節(jié)。

就像所有人對(duì)AI Native Game最基礎(chǔ)的想象那樣——《崇禎》里沒有預(yù)設(shè)分支，玩家直接用自然語(yǔ)言下令，AI就會(huì)實(shí)時(shí)推演蝴蝶效應(yīng)。比如你決定裁撤驛站，后續(xù)可能引起的變化可能就會(huì)走向激化民變、逼反李自成。

聽起來(lái)很自由，但制作人追青在論壇上倒了一肚子苦水：如果要真正在底層跑通這個(gè)邏輯，開發(fā)團(tuán)隊(duì)要面臨的，是一個(gè)完全顛覆以往游戲架構(gòu)的爛攤子。

首先被顛覆的，是AI的記憶處理方式。

在常規(guī)的對(duì)話場(chǎng)景里，大家習(xí)慣用超長(zhǎng)上下文來(lái)讓AI記住過去聊了什么。但在《崇禎》這種重度策略游戲里，單局有100個(gè)回合，每回合玩家輸入上千字，整個(gè)游戲跑下來(lái)消耗的，可能就是幾千萬(wàn)甚至上億Token。

追青發(fā)現(xiàn)，如果硬塞上下文，不僅成本爆炸，而且大模型的檢索能力會(huì)斷崖式下降。更要命的是，AI會(huì)被玩家的情緒帶著走。如果玩家表達(dá)出強(qiáng)烈的某種傾向，AI很容易迎合玩家，導(dǎo)致推演失去客觀性。

為了填這個(gè)坑，《崇禎》放棄了長(zhǎng)上下文，轉(zhuǎn)而采用了一套在游戲里極少見的架構(gòu)：步進(jìn)式狀態(tài)機(jī)+底層數(shù)據(jù)庫(kù)。

簡(jiǎn)單來(lái)說，他們構(gòu)建了一個(gè)包含明末財(cái)政、軍事、災(zāi)荒等數(shù)千個(gè)維度的底層數(shù)據(jù)庫(kù)。玩家每下一道圣旨，AI只負(fù)責(zé)做兩件事：理解自然語(yǔ)言，再實(shí)時(shí)生成Function Call代碼，去精準(zhǔn)修改數(shù)據(jù)庫(kù)里的對(duì)應(yīng)數(shù)值。這個(gè)操作，允許AI把過去的記憶全部卸載給數(shù)據(jù)庫(kù)，只專注于推演當(dāng)前這一步。

在阿里云幫他們調(diào)試的過程中，還有過一個(gè)典型的案例：玩家明明已經(jīng)成功把海盜鄭芝龍招安成了朝廷命官，但在隨后的推演中，鄭芝龍又變回了海盜。阿里云團(tuán)隊(duì)排查后發(fā)現(xiàn)，問題出在Prompt的Few-shot舉例上——舉例里寫死了鄭芝龍是個(gè)海盜，導(dǎo)致模型產(chǎn)生了優(yōu)先級(jí)誤判。

為了解決這些數(shù)據(jù)打架的問題，開發(fā)團(tuán)隊(duì)和阿里云深入提示詞的最末端，反復(fù)微調(diào)權(quán)重，不斷調(diào)整約束機(jī)制。經(jīng)過調(diào)優(yōu)，千問大模型最終在游戲里實(shí)現(xiàn)了98.7%的推演前提正確率，以及99.86%的Function Call匹配率。

解決了邏輯問題后，最后橫在AI原生游戲面前的問題是兩個(gè)字：成本。

追青算了一筆賬：在游戲場(chǎng)景里，如果讓玩家等上2分鐘才出結(jié)果，體驗(yàn)絕對(duì)是災(zāi)難性的——這就要求模型每秒鐘必須輸出80-120個(gè)Token（目前主流大模型通常只有50-60）。

當(dāng)然了，你還不能光考慮速度，因?yàn)槊恳淮瓮蒲荻际窃跓X。如果算下賬來(lái)，AI調(diào)用的成本比雇人寫文案的成本還貴，那這就不是一個(gè)能跑通的娛樂產(chǎn)品。

既要速度快，又要成本低，怎么搞？

《崇禎》的解法，是依靠阿里云的PolarDB數(shù)據(jù)庫(kù)做底層支撐。由于拋棄了超長(zhǎng)上下文，轉(zhuǎn)而把成千上萬(wàn)維度的世界線數(shù)據(jù)卸載到數(shù)據(jù)庫(kù)。同時(shí)，基于阿里云百煉平臺(tái)的AI基礎(chǔ)設(shè)施，游戲即使在每天消耗幾百億Token的情況下，也沒有出現(xiàn)過超時(shí)或調(diào)用失敗。陳海生提到，在AI原生游戲走向產(chǎn)品化的過程中，百煉平臺(tái)提供的高并發(fā)低時(shí)延、安全合規(guī)、AI鏈路監(jiān)控全覆蓋等能力是關(guān)鍵性的。

邏輯、成本問題都解決后，《崇禎》終于跑通了AI Native Game的商業(yè)化。產(chǎn)品也在數(shù)據(jù)方面初步印證了這一點(diǎn)，游戲日均在線時(shí)長(zhǎng)接近7小時(shí)，留存率也達(dá)到了78.3%。

這也印證了追青的一個(gè)判斷：重度AI Agent的體驗(yàn)，不應(yīng)該只停留在程序員的Coding工具里，也完全可以被轉(zhuǎn)化為大眾玩家愿意買單的娛樂產(chǎn)品。

04

千萬(wàn)級(jí)DAU的游戲，

怎么用AI做好服務(wù)？

在游戲行業(yè)，AI還有一個(gè)很有意思的地方：不管團(tuán)隊(duì)多大多小，AI都有最好的用武之地，都有可能帶來(lái)顛覆性的改變。

小到個(gè)人開發(fā)的中小團(tuán)隊(duì)，可以用AI做原生玩法；大到千萬(wàn)級(jí)DAU的商業(yè)手游大作，也可以用AI做玩家服務(wù)。

不過到了這個(gè)規(guī)模，面臨的就會(huì)是非常極限的壓力測(cè)試了——《崩壞：星穹鐵道》在游戲內(nèi)置的AI工具「帕姆幫幫」，就是非常典型的一個(gè)樣本。

為什么要做這個(gè)AI帕姆？銀河在論壇上提到，隨著長(zhǎng)線運(yùn)營(yíng)，《崩壞：星穹鐵道》背后的世界觀和養(yǎng)成系統(tǒng)已經(jīng)很龐大、有深度了。玩家為了弄懂新角色怎么配隊(duì)、之前的劇情是什么，不得不在游戲和外部攻略站之間反復(fù)橫跳，體驗(yàn)會(huì)越來(lái)越重。

而他們希望用AI帕姆來(lái)實(shí)現(xiàn)一個(gè)邏輯轉(zhuǎn)變：不是讓玩家去費(fèi)力理解越來(lái)越復(fù)雜的系統(tǒng)，而是讓系統(tǒng)主動(dòng)去適應(yīng)和理解每一個(gè)玩家。

但稍微想想就知道，《崩壞：星穹鐵道》做這事是最難的：一方面是游戲體量已經(jīng)有千萬(wàn)DAU，對(duì)AI有很大壓力；另一方面它還是個(gè)二游，怎么保證帕姆在千萬(wàn)玩家的交互（甚至是調(diào)戲）下不崩潰、不OOC，也是個(gè)關(guān)鍵。

按傳統(tǒng)的思路來(lái)設(shè)計(jì)，一開始就應(yīng)該用上RAG（檢索增強(qiáng)生成）技術(shù)，但在《崩鐵》這里可能行不通。因?yàn)榻^大多數(shù)游戲接入RAG后，AI只會(huì)相對(duì)機(jī)械復(fù)述檢索出來(lái)的維基百科文檔，人機(jī)感極重。

為了讓帕姆活過來(lái)，項(xiàng)目組的做法是：額外交叉比對(duì)帕姆與事件/人物的關(guān)系網(wǎng)絡(luò)、過往印象與主觀態(tài)度，將這些因素轉(zhuǎn)化為特定情緒，對(duì)客觀信息進(jìn)行「情緒染色」與二次重構(gòu)，以此來(lái)保證帕姆說話合理自然，玩家也不會(huì)覺得違和。

同時(shí)，為了讓帕姆擁有像人類一樣的連貫交流能力，《崩壞：星穹鐵道》專門設(shè)計(jì)了復(fù)雜的三重記憶機(jī)制：短期記憶——當(dāng)前對(duì)話上下文；中期記憶——利用千問Plus模型，定期總結(jié)和壓縮歷史對(duì)話；長(zhǎng)期記憶——針對(duì)每個(gè)玩家，分維度抽取專屬的記憶檔案。

但把這些復(fù)雜的機(jī)制疊加在一起之后，真正的問題才剛剛浮現(xiàn)：算力成本與高并發(fā)運(yùn)維。

為了扛住千萬(wàn)級(jí)別的并發(fā)，項(xiàng)目組從零構(gòu)建了一套異構(gòu)推理集群，其中阿里云與千問等模型提供支持。在模型層，他們被迫采用了稀疏MoE（混合專家）架構(gòu)，并且在后訓(xùn)練中把COT（思維鏈）直接蒸餾進(jìn)模型，輔以FP8和NVFP4等極限推理加速手段——如果不這么干，響應(yīng)時(shí)間和推理費(fèi)用根本撐不住。

阿里云方面向葡萄君透露，為了保障AI帕姆在千萬(wàn)級(jí)并發(fā)下的穩(wěn)定體驗(yàn)，技術(shù)團(tuán)隊(duì)在上線前進(jìn)行了多輪極限壓測(cè)，針對(duì)高并發(fā)場(chǎng)景下的響應(yīng)延遲和異常捕獲做了定向優(yōu)化，確保大版本更新絕不炸服。

此外，由于《崩壞：星穹鐵道》每個(gè)版本都會(huì)更新大量新內(nèi)容，如果每次更新都要重新訓(xùn)練模型，時(shí)間和成本將不可估量。所以，整個(gè)系統(tǒng)的架構(gòu)原則被嚴(yán)格設(shè)定為模型與知識(shí)庫(kù)絕對(duì)分離。這樣一來(lái)，每次發(fā)版就只需要更新后端的知識(shí)庫(kù)了。

從米哈游的Agent平臺(tái)到青干的《崇禎》，從TapTap的自動(dòng)化營(yíng)銷管線到「一人工作室」的井噴——這些案例共同指向一個(gè)問題：當(dāng)AI真的滲入游戲的每一個(gè)環(huán)節(jié)，游戲公司真正要面對(duì)的難題是什么？

看過這些案例之后，你可能會(huì)更加確信，AI的確能給游戲行業(yè)帶來(lái)更有顛覆性的改變；但你大概也不得不承認(rèn)：在這之前，把AI在工業(yè)化層面用好、跑通，仍然是游戲行業(yè)最需要攻堅(jiān)的一個(gè)課題。

05

當(dāng)下最大的問題是什么？

說實(shí)話，對(duì)大部分游戲團(tuán)隊(duì)來(lái)說，探索AI在短期看起來(lái)并不是一門好生意。大多數(shù)時(shí)候它確實(shí)能降本提效，但還不怎么能賺錢，反而特別容易耗費(fèi)大量精力、成本。

這其中最核心的一個(gè)原因，就是當(dāng)游戲公司把AI投入到量產(chǎn)環(huán)節(jié)時(shí)，往往會(huì)發(fā)現(xiàn)一個(gè)真相：做AI應(yīng)用，80%的精力可能都耗在和模型/設(shè)計(jì)本身無(wú)關(guān)的臟活累活上。

Prompt怎么寫，Skill怎么煉，這些勉強(qiáng)還算相對(duì)有趣親民的部分；但首包延遲能不能壓住、模型幻覺怎么控制、千萬(wàn)并發(fā)下數(shù)據(jù)庫(kù)會(huì)不會(huì)死鎖、海量Token的算力成本能不能壓低……這些最硬的工程化門檻，才是橫在所有團(tuán)隊(duì)面前的生死線。

這樣的工程化需求，正是阿里云擅長(zhǎng)解決的。

根據(jù)第三方研究機(jī)構(gòu)數(shù)據(jù)，阿里云已連續(xù)五年在中國(guó)游戲云市場(chǎng)位列第一，在游戲云解決方案、基礎(chǔ)設(shè)施兩大細(xì)分市場(chǎng)份額分別為42%和39%。當(dāng)游戲公司對(duì)AI底座的要求發(fā)生質(zhì)變時(shí)，這套設(shè)施的意義可能也在改變。

過去，游戲公司買云服務(wù)，買的是IaaS（服務(wù)器、帶寬和存儲(chǔ)）；但在AI時(shí)代，游戲公司買的東西，就變成了一整套設(shè)施：包括但不限于算力底座+大模型+向量數(shù)據(jù)庫(kù)+工程化平臺(tái)。

不過與此同時(shí)，在各方的推動(dòng)下，底層的技術(shù)門檻也一樣在被拉平。阿里云百煉平臺(tái)提供從數(shù)據(jù)處理、模型訓(xùn)練、測(cè)評(píng)、推理部署端到端的能力，大廠可以用百煉平臺(tái)做規(guī)模化部署，小廠也可以用百煉平臺(tái)快速啟動(dòng)AI項(xiàng)目，比如某客戶從零開始做AI客服，在兩周內(nèi)完成從數(shù)據(jù)準(zhǔn)備到上線的全流程。

更值得注意的是模型能力的持續(xù)進(jìn)化。 阿里云峰會(huì)最新發(fā)布的全新一代千問旗艦?zāi)Ｐ蚎wen3.7-Max，正在成為下一代智能體基座。

面向當(dāng)下智能體需求全新設(shè)計(jì)，實(shí)現(xiàn)了編程、推理等核心能力的持續(xù)突破，甚至可自主完成一項(xiàng)長(zhǎng)達(dá) 35 小時(shí)、超過 1000 次工具調(diào)用的全自主內(nèi)核優(yōu)化實(shí)驗(yàn)，并保持了連貫推理，推理速度較原版本提升10倍。對(duì)于游戲行業(yè)來(lái)說，這意味著AI Agent可以處理更復(fù)雜的研發(fā)任務(wù)，而Qwen3.7-Max在視覺理解方向的強(qiáng)化，不只是更會(huì)看，更是讓模型在真實(shí)任務(wù)中能用、會(huì)推理、更能執(zhí)行，也將直接惠及游戲營(yíng)銷素材生成和審核環(huán)節(jié)。

在全球分發(fā)層面，阿里云也在全球31個(gè)公共云地域、101個(gè)可用區(qū)構(gòu)建了全球一體化網(wǎng)絡(luò)，為游戲出海提供低延遲、高穩(wěn)定的技術(shù)底座。一些在海外知名度頗高的大DAU游戲，就基于這套基建設(shè)施和千問系列模型實(shí)現(xiàn)了低延遲、高性價(jià)比的多語(yǔ)言翻譯和內(nèi)容審核。

總的來(lái)說，AI在短期內(nèi)，還不至于讓游戲行業(yè)天翻地覆。但AI的確在讓這個(gè)行業(yè)，發(fā)生著一些分化——不是誰(shuí)取代誰(shuí)這么簡(jiǎn)單，真正決定差距的可能是兩件事：一是工程化能力，二是對(duì)AI邊界的認(rèn)知。

追青對(duì)這一點(diǎn)很感慨，他覺得AI未必帶來(lái)平權(quán)，更可能導(dǎo)致兩極分化。超級(jí)大廠在基模能力和基礎(chǔ)設(shè)施上的優(yōu)勢(shì)會(huì)持續(xù)放大，小而靈活的團(tuán)隊(duì)能快速抓住機(jī)會(huì)，真正危險(xiǎn)的可能是中間層——「團(tuán)隊(duì)成本大了，產(chǎn)品卻沒被用戶認(rèn)可，收入也沒提高上來(lái)，這是一個(gè)比較致命的陷阱。」

但中型團(tuán)隊(duì)，其實(shí)也有自己的優(yōu)勢(shì)：大廠有自研技術(shù)棧，決策鏈長(zhǎng)；小廠預(yù)算有限。而中型研發(fā)商（年收入10-50億檔位）和出海團(tuán)隊(duì)往往在AI應(yīng)用上推進(jìn)最快，因?yàn)橹行蛷S既有明確的降本增效訴求，組織架構(gòu)也相對(duì)更靈活。

不過不管對(duì)誰(shuí)來(lái)說，這種情況都挺讓人難熬的。因?yàn)锳I發(fā)展起來(lái)日新月異，你可能真不知道哪天就被人甩得連尾氣都吃不到了。游戲行業(yè)的FOMO完全可以理解。

既然如此，做什么才是對(duì)的？葡萄君這兒倒是有一個(gè)聽起來(lái)很俗的大實(shí)話：先別管技術(shù)成熟不成熟，先上手用起來(lái)再說。

這一點(diǎn)，圓桌環(huán)節(jié)的嘉賓基本也都認(rèn)同。曹擎宇的原話是「多去使用、多去體驗(yàn)，它的邊界隨著下一個(gè)版本模型的更新又會(huì)變化」；陳海生的建議更直接：「不要等AI技術(shù)成熟了再動(dòng)，現(xiàn)在就要入場(chǎng)，從一些小場(chǎng)景或者已經(jīng)比較成熟的場(chǎng)景跑通閉環(huán)。」

只能說，在AI滲入游戲研發(fā)骨髓的這個(gè)階段，「先跑起來(lái)」本身就是最優(yōu)策略。當(dāng)AI滲入骨髓的時(shí)間足夠久，新的血肉自然會(huì)長(zhǎng)出來(lái)。

游戲葡萄招聘內(nèi)容編輯，

（星標(biāo)可第一時(shí)間收到推送和完整封面）