KeyFrame內部研究專用

Making An Actually Fun 3D Game with AI

Matt Wolfe28 min英文
觀看原始影片

三句話摘要

利用AI在數小時內製作3D遊戲,反思AI對遊戲業的真實影響。 AI加速編碼但無法替代遊戲設計的創意決策;遊戲業的未來仍需專業設計師,AI只是賦能工具。 AI編碼能力超預期,但自動化程度有限:Opus模型不僅生成代碼,還自動在瀏覽器測試遊戲、發現Bug、進行難度調整。但涉及複雜的設計權衡時(如NPC速度、自然災害傷害值),仍需人工反覆微調。

重點整理

  1. AI編碼能力超預期,但自動化程度有限:Opus模型不僅生成代碼,還自動在瀏覽器測試遊戲、發現Bug、進行難度調整。但涉及複雜的設計權衡時(如NPC速度、自然災害傷害值),仍需人工反覆微調。

  2. 遊戲開發的真正成本在決策,不在編碼:從業30年的Take-Two CEO指出,編碼從未是遊戲開發的瓶頸。關鍵在於無數微觀決策——哪些機制有趣、難度曲線如何設計、視覺美感如何調整。AI能加快執行速度,但無法替代這些判斷。

  3. AI生成遊戲與商業遊戲存在本質差距:製作完成的《Librarian 2》雖然精緻可玩,但開發者明確表示「遠未達到可銷售標準」。它更像是有趣的實驗,而非能與專業工作室作品競爭的產品。

  4. 遊戲消費習慣不會因AI而改變:大多數人傾向於購買他人設計的遊戲體驗,就如同大多數人寧看電影也不自己拍電影。自製遊戲將成為小眾嗜好,不會取代商業遊戲市場。

實用技巧與重點

  • 模型與工具
  • Claude Opus 5(初期建構、全局決策)
  • GPT 5.6、GPT O1 Ultra(微調、細節優化)
  • Claude Code、ChatGPT Codex模式
  • 遊戲規格
  • 10,400行代碼跨33個模塊
  • 0個美術素材文件(所有紋理、音樂、音效程序生成)
  • 生成時間:初版1.5小時、第二輪15分鐘、最終優化30分鐘
  • 遊戲機制
  • 4個不同環境:大型圖書館、百視達、唱片行、超市
  • 程序生成關卡(每次遊戲外觀不同)
  • 自然災害系統:地震、龍捲風、火山
  • Boss系統與NPC角色(含自訂角色「Wolf」)
  • 元升級系統(跨回合永久升級)
  • 難度平衡機制(初期難→逐漸變簡單但仍有挑戰)
  • 設計文檔
  • design.md(記錄遊戲完整規格、便於模型交接)
  • GitHub備份(版本管理、協作)

結論

AI加速編碼但無法替代遊戲設計的創意決策;遊戲業的未來仍需專業設計師,AI只是賦能工具。

完整解析

開發者基於去年製作的文本遊戲《Librarian》(玩家在圖書館撿書放回書架),決定製作3D續作來展示一年內AI能力的進展。

初期階段使用Claude Opus 5模型。他將完整的遊戲概念——3D環境、程序生成、Roguelike升級、Boss戰鬥、自然災害——一次性輸入。Opus不僅生成了龐大代碼庫,更令人驚訝的是主動在瀏覽器執行遊戲、進行自我測試。AI發現玩家無法放置書籍的軟鎖問題並自動修復;還根據測試結果自行調整Boss壓力值,以找到平衡的難度曲線。這展示了AI從編碼到驗證的完整開發流程。

但初版暴露了人工設計的必要性。控制反向、菜單體驗糟糕、NPC角色速度不平衡(Boss過快無法追趕)。開發者提出修正清單,包括添加基於其YouTube短片的自定義角色。15分鐘後,AI完成修復並重新平衡系統。

進入微調階段時,開發者切換至GPT 5.6。為保持上下文銜接,他讓Claude生成詳細的設計文檔,使新模型能理解遊戲當前狀態。GPT提出12項改進建議——包括修復程序生成可達性、新增新手教程、改進進度堆疊——均指向複雜的設計問題而非編碼問題。與製作人Dave的遊戲測試暴露更多平衡缺陷:自然災害傷害太低(龍捲風僅掉落4本書)、難度曲線陡峭、環境視覺區隔不足。

最終使用GPT O1 Ultra模型進行精細調整。開發者要求改進相機系統、光照渲染、Boss速度、角色細節。結果是視覺更精緻、玩法更平衡的版本,包含多層次的環保反饋(香蕉使角色滑倒、蘑菇讓角色放大)。

核心洞察浮現:AI高效將概念轉化為可運行原型,但遊戲的靈魂——每個決策背後的品味判斷——仍需人類。為何這個難度曲線感覺錯誤?為什麼龍捲風應該造成更大傷害?這些決策無法從代碼生成出來,只能來自設計直覺與反覆測試。

開發者駁斥「遊戲業完蛋」的論述。AI雖加速開發流程(從去年需整天製作到現在幾小時完成),但不代表專業開發過時。《Librarian 2》雖功能完整、視覺精緻,卻遠未達商業標準。就像多數人寧看電影也不拍電影,多數玩家也寧買遊戲也不自製——因為好的遊戲設計需要專家級的判斷力。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。