KeyFrame內部研究專用

Think You Can Build a Game with AI? Think Again! - Danielle An & David Hoe, Meta

AI Engineer·7月8日週三·18 min英文

三句話摘要

AI 如何改變遊戲開發流程:從民主化創作到運行時智能決策的新時代 AI 正在將遊戲開發從高門檻、長周期、線性流程的小眾產業,轉變為低門檻、短周期、並行協作的民主平臺,而品味、個性化與平臺穩定性將決定誰能在這波轉變中脫穎而出。 AI 打破技能門檻。過去想製作遊戲卻缺乏美術或編程能力的創作者被排除在外,現在可用 AI 工具(如 Meshia、Netto Banana)快速補足短板,將創意轉化為可玩的遊戲原型。

重點整理

重點
  • 1

    AI 打破技能門檻。過去想製作遊戲卻缺乏美術或編程能力的創作者被排除在外,現在可用 AI 工具(如 Meshia、Netto Banana)快速補足短板,將創意轉化為可玩的遊戲原型。

  • 2

    運行時智能體重構遊戲設計。傳統 NPC 行為由腳本預設,每次遊戲結果相同;AI 智能體則在執行期間實時決策,根據遊戲狀態獨立判斷(搶奪資源、阻擋對手、配合隊友),使每局遊戲都獨一無二且不可預測。

  • 3

    開發流程從線性轉並聯。傳統遊戲開發是設計→美術→建模→動畫→編程的瀑布流,每個上游決定改變代價巨大;AI 工具使多個部門能同步迭代,將開發週期從月份壓縮到小時或天數。

  • 4

    品味與個性化才是勝負手。當降低準入門檻後,好遊戲與平庸遊戲的區別在於「品味」—— 理解玩家心理、保持視覺風格一致、打造統一的遊戲世界感,以及根據玩家能力動態調整體驗。

實用技巧與重點

乾貨
  • 涉及工具與模型
  • 美術/資源生成:Meshia、Netto Banana
  • LLM 與推理平臺:Gemini、Manus、LLMs
  • 工作流程示例
  • 使用單一「主視覺」(key art)圖像作為 AI 模型的錨點,為藝術風格、資源設計、遊戲玩法提供統一參考
  • 運行時智能體案例
  • 多人遊戲,四個 NPC 各自擁有獨特個性(盜賊、誠實、速度快)
  • NPC 獨立決策:搶奪方塊、偷竊他人方塊、阻擋對手、與隊友配合
  • 行為完全非腳本驅動,由 LLM 實時生成
  • 開發速度
  • 複雜多人遊戲可在「數天內」完成
  • 迭代週期從「月」改為「小時/天」
  • 個性化調整
  • AI 可根據玩家能力(如協調能力弱)動態調整難度,讓玩家繼續享受團隊遊戲樂趣
  • 平臺級挑戰
  • 前端提示詞→運行時決策→內容分發全棧都充滿 AI 代理,產生系統級不確定性
  • 模型升級、提示詞改變會完全改變系統行為,傳統調試與穩定性保障方法失效

結論

結論

AI 正在將遊戲開發從高門檻、長周期、線性流程的小眾產業,轉變為低門檻、短周期、並行協作的民主平臺,而品味、個性化與平臺穩定性將決定誰能在這波轉變中脫穎而出。

完整解析

詳細

在傳統遊戲產業,開發流程遵循嚴格的線性階段制。設計完成後進入美術階段,美術完成後進入建模,層層推進,每一次上游決定的改變都意味著巨大成本。Meta 的工程師們指出,這種瀑布流模式正被 AI 打破。今天,美術工作者不再需要等待程式設計師完成系統架構就能開始工作,編程人員也不再被美術技能限制而無法實現創意,他們可以透過 Gemini、Meshia 等 AI 工具快速解決技能短板。但降低準入門檻不等於所有遊戲都優秀,優秀遊戲的秘訣在於「品味」—— 對玩家心理的深刻理解、視覺風格的嚴格一致性、UI 與敘事的整體協調。

他們以導演 Dale 的案例說明工作流程如何進化:使用單一「主視覺」圖像作為 AI 模型的錨點,讓模型從視覺風格到遊戲玩法都圍繞這一核心概念展開。這種做法既能縮短生成時間,又能確保遊戲資源的風格統一,讓最終產物看起來像是出自同一個遊戲宇宙。運行時 AI 智能體是演講的另一焦點。傳統遊戲的 NPC 行為由預編程式決定,結果總是可預測的。但在 AI 時代,每個 NPC 可由獨立的語言模型驅動,根據遊戲狀態實時做決策。他們展示的多人遊戲案例中,四個 NPC 各擁不同個性(誠實、盜賊、速度快等),能獨立判斷是否搶奪方塊、阻擋對手或配合隊友。每一局遊戲都是獨一無二的,沒有人能預測 NPC 會如何行動,這在 AI 之前是不可想像的。

透過 AI 工具,開發團隊從順序執行轉向並行協作。美術與程式不再是強制的次序關係,而是能同步迭代。這直接縮短了開發周期—— 從過去的月為單位改為天或小時。更頻繁的測試與反覆意味著更高品質的最終產品。此外,AI 也能實現個性化體驗,比如根據玩家協調能力動態調整難度,讓能力弱的玩家仍能與隊友享受合作樂趣。

然而,大規模平臺面臨全新挑戰。Meta 運營著百萬級的遊戲內容庫,從使用者提示詞、運行時智能體決策、到內容排序分發,整個棧都充滿 AI 代理。這帶來了系統級的不確定性。傳統工程師調試確定性程式碼,但若模型升級或提示詞改變,整個系統行為可能完全轉變。如何調試、監控、確保穩定性與可擴展性,這正是 Meta 與整個行業正在探索的核心問題。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。