游戏区域和生成式人工智能之间有什么关系？

生成式AI在游戏领域的机会

1.首先，游戏领域和生成式人工智能之间有什么关系？

游戏设计领域存在不可能的三角。 成本、质量或速度三个项目中通常只能取两个，但现在，设计师通过这些AIGC工具，不需要花很多人工制作时间，就能在几个小时内制作出高质量的图像。 其中，真正具有变革意义的是，每个人只要掌握几个简单的工具，就能获得具备这种创造性的能力。

这些工具能够在快速的重复中产生无限的变化，经过训练后，整个过程是实时的。 也就是说，结果几乎是瞬间可用的。 [ xy 002 ] [ xy001 ]实时3d技术问世以来，还没有给游戏带来如此大的潜在变化的技术(有了实时3 D的软件，整个虚拟世界可以以更快的速度进行数字渲染，为用户提供更有吸引力和身临其境的体验)。

那么生成式AI的发展方向是什么？ 如何改变游戏？ 首先，让我们回顾一下生成型AI的概念。 什么是

生成式AI？

生成式AI是机器学习的一个类别，计算机可以根据用户的输入提示，生成原始的新内容。 目前，该技术最成熟的应用主要在文本和图像领域，但几乎所有创意领域都有类似的进步(生成型AI的技术应用)，涵盖动画、声音效果和音乐也可以原创化具有完全个性的虚拟人物。

当然，人工智能在游戏中并不是新鲜事。 早期的游戏也是由电脑控制的对手和玩家对战，如雅达利的《Pong》。 (笔者注)游戏开发者雅达利创立时期是微处理器诞生后不久，1972年发售了第一台街机Pong，奠定了街机鼻祖的地位。 1974年，苹果公司的乔布斯加入雅达利公司，负责电子游戏的开发)

但是，这些计算机的虚拟对象与我们今天讨论的生成型人工智能不同。 这些计算机的对手是游戏设计师精心设计的脚本程序，实际上是模拟人工智能的对手，但无法学习和迭代。 和制作它们的工程师处于同一水平。 在

中，在生成式AI和游戏的组合中，技术基础有什么变化？ 微处理器速度快，云计算和各种计算能力强，有可能建立大规模的神经网络，能够识别高度复杂区域的模式和特征。 (thankstofastermicroprocessorsandthecloud.with this power， itspossibletobuildlargeneuralnetworksthatcanidentifypatternsandrepresentationsinhighlycomplexdomains .笔者注：这里越来越快了为了能够应对复杂的模式识别，什么是模式识别？ 模式识别是对表示事物和现象的各种形式的(数值的、文字的、逻辑的关系的)信息进行处理分析，对事物和现象进行描述、识别、分类、解释的过程，是信息科学和人工智能的重要组成部分() )

正文两个主要部分：

第一部分，包括基于A16Z的游戏区域生成式AI的观察和预测；

第2部分、A16Z在内的我们对游戏生成型AI领域的市场生态： Market Map，本部分概述了各个细分市场，指出了各个细分市场的主要企业。

第一部分：观察与预测

若干假设：

首先，讨论文章其余部分所依据的一些假设。

1.通用人工智能的研究(成功)的数量持续增加，将出现更有效的技术。

上图是每月在arXiv上发表的关于机器学习或人工智能的学术论文的数量。 如图所示，论文数量呈指数函数增长，没有停滞的迹象，这部分数据中只包含已经发表的论文，许多研究尚未公开，直接应用于开源模式和产品开发，这些开源模式和产品带来了爆炸性的创新。

2.在所有娱乐类型中，游戏是受生成式人工智能影响最大的区域。

对于目前涉及的资产类型(2 D艺术、3 D艺术、声音效果、音乐等)来说，游戏是娱乐类中最复杂的一种，同时游戏交互性最高，非常强调实时体验。 这给新游戏开发商带来了极高的准入门槛，也为制作真正的3 A大作游戏创造了高昂的成本。 这些门槛和成本问题为产生式人工智能在游戏领域的破坏性创新创造了巨大的机遇。 （

举个例子，像《荒野大镖客：救赎 2 （Red Dead Redemption 2 ）》这样的游戏是历史上制作成本最高的游戏之一，其制作成本约为5亿美元。 荒野大精灵也是市面上视觉效果最好的游戏之一，历时近8年制作，拥有000多个游戏角色，每个角色都有个性和专属声优，是一个近30平方公里大小的游戏世界、六章的100多项任务和100多位音乐家创作的近60个小时的音乐，涉及到这个游戏的全部内容制作非常庞大。

在

中，将《荒野大镖客：救赎 2》和《微软模拟飞行》进行比较，发现名为《微软模拟飞行》的游戏是微软的飞行座椅所有1.97亿平方英里的地方。 那么，微软是怎么制作出如此大规模的游戏的呢？ 主要通过人工智能进行，微软公司与blackshark.ai合作培训人工智能从二维卫星图像中生成无限逼真的三维世界。

blackshark.ai是一家什么样的公司？

blackshark.ai是一家通过机器学习技术提取世界规模地球基础设施的公司，从全球卫星和航空图像中提取数据，并使用基于人工智能当前地理数据的数字孪生场景。 这些结果可用于可视化、模拟、绘制、混合现实环境和其他企业解决方案，但技术本身具备的云计算更新功能可以实时更新这些数据。

这只是一个例子，如果不使用人工智能技术，就不能实际制作《微软模拟飞行》这个游戏除此之外，游戏之所以成功，是因为这些模型可以随着时间的推移不断改进。 例如，可以增强“highway cloverleaf overpass”模型，通过人工智能执行整个建设过程，可以立即改善游戏中地球上所有高速公路的高架桥。

3.每个参与游戏制作的资产都有生成的AI模型

到目前为止，二维图像生成器，如Stable Diffusion和MidJourney因为可生成的图像非常吸引人，所以占据了现在生成的人工智能的大部分流行的兴奋点。 现在，几乎用于游戏所有资产(从3 D模型到角色动画、对话和音乐)的生成式人工智能模型应运而生。 [下一篇文章将讨论具体的公司市场生态地图

4.内容成本继续下降，有时内容成本为零

生成式AI 人工智能集成到场景创建中的游戏开发人员交谈时，最大的兴奋点是可以大幅减少创建游戏所需的时间和成本。 一位开发者告诉我，生成一张图像概念图的时间从三周下降到了一个小时。 我认为同样的“下拉式插头”也可以在整个游戏流程中实现。

值得注意的是，艺术家没有被取代的危险，这意味着艺术家不再需要自己完成所有的工作。 艺术家和设计师们设定了最初的创意方向，大部分时间和技术上的执行工作都是人工智能在这一点上，就像早期的手绘动画画师一样，由高度熟练的“绘画专家”绘制动画轮廓，由成本相对较低的画家完成耗时的工作，给动画薄膜上色或填充线条。 只是，我们在谈论游戏制作领域的应用。

5.我们还处于这个行业转型领域的初期，还有很多部分有待完善

尽管最近很多人都很兴奋，但我们还在起跑线上。 当大家明确了如何实际应用这种新技术和游戏领域的组合时，虽然有很多工作，但是对以前，以及迅速进入这个新领域的公司来说，有很大的机会。

对未来的预测

基于以上假设，本文对游戏行业如何改造进行了预测和推导。

1.学习如何有效地应用生成式人工智能，将成为市场技能。

先锋分子已经比其他人更能有效地应用生成式人工智能。 为了很好地使用这项新技术，需要理解各种工具和技术我知道如何组合应用。 我们预测，有效应用生成的人工智能本身将成为一项非常潜在的技能，因为它可以将艺术家的创造性视野与程序员的技术能力联系起来。

Chris Anderson的名言中写道：“everyabundancecreatesanewscarcity丰富的话，会产生新的稀有性。 “随着内容的丰富，最缺乏知道如何与人工智能工具最有效地合作的艺术家。

例如：将生成式人工智能用于生成美术品会带来包括

保持一致：必须能够修改或编辑游戏中的各种资产。 对于人工智能工具，为了能够修改资产并进行挑战，必须能够用同一信号复制资产。 这可能很难。 因为是同样的提示可能会产生完全不同的结果。

保持风格一致：一个游戏中的所有艺术作品都必须保持一致的风格。 这意味着人工智能的工具需要经过培训，并与艺术家设计师的既定风格相联系。

2.游戏开发门槛的降低，会带来更多的冒险和创造性探索

我们可能很快就会进入新游戏开发的“黄金时代”。 进入门槛降低后，将出现更多创新和创造性博弈这不仅是因为制作成本低，游戏制作者承担的风险低，而且体现了向更多参与者创作高质量内容的能力。

3.人工智能支持的“迷你游戏工作室”崛起

4.每年发布的游戏数量增加

Unity和Roblox的成功表明，提供强大的创意工具将构建更多的游戏。 生成性人工智能进一步降低门槛，制作更多游戏。 这个行业已经受到了发现的挑战。 仅去年就有1万多个游戏被添加到了Steam中。 这给发现带来更大的压力。 但是.

5.也可以看到制作新的游戏类型

会发明新类型的游戏，如上面提到的《微软模拟飞行》，但会发明新类型的游戏，并与实时生成新内容相结合。

例如Spellbrush的角色扮演游戏Arrowmancer，以人工智能制作的角色为特色，进行了几乎没有限制的新游戏。 也有游戏开发者使用、人工智能在游戏内创建自己的虚拟形象。 根据玩家的说明自动生成头像图像。 请注意，从客户端的体验来看，通过用人工智能生成内容，可以让玩家感受到更大的所有权。

6.价值不仅归属于基础模型

围绕Stable Diffusion和Midjourney等基础模型的热度，还归属于特定行业的AI工具，产生了非常夸张的评价但随着新研究的不断涌现，新模式随着新技术的完善而出现，并不断迭代。 通过当前流行的三种生成性人工智能模型(Dall-E、Midjourney、Stable Diffusion )的网站搜索流量中选择所需的族。 每个新模型都有围绕它的特定关注点。

另一种方法是构建符合行业需求的“垂直行业”工具包。 这些工具侧重于特定行业的生成型人工智能需求，深入了解特定参与者，并结合现有生产场景(。 (笔者注：上篇翻译的Coatue白皮书AIGC的机会到底在哪里？ 其中提到了Adobe、Office工具包和AI的组合，游戏领域也存在同样的需求，值得关注)

典型的例子是Runway，Runway针对视频创作者的需求，提供了视频编辑、绿屏去除、内画、运动跟踪等人工智能辅助工具，用于时间。 虽然目前还没有出现像Runway这样的游戏工具，但这是一个很有潜力的领域。

7.面临的法律挑战

所有这些生成表达式的共同点是人工智能模型中选择所需的族。 所有这些AI模型都是使用大量的内容数据集进行训练的，通常是从internet数据集创建的。 例如，“Stable Diffusion”根据50多亿张图像标题进行了训练，这些图像标题都是从互联网上收集的。 目前主张这些模型在“合理使用”的版权原则下运行，但这一论点尚未得到法律的明确验证。 很明显，今后的法律挑战可能会改变所生成的人工智能的结构。

大型电影公司有可能通过自己的版权优势构建自己的模式，寻求竞争优势。 例如，微软有很多工作室，特别是还收购了动视暴雪。

8.至少现在与艺术领域不同，生成型AI会在编程领域带来巨大的变革吧。

软件工程是游戏开发的另一个主要成本来源，但在人工智能模型上生成代码需要更多的测试和验证，因此生成创意资产。 像Copilot这样的编码工具有可能为工程师提供适度的性能改善，但我认为短期内与内容领域没有太大区别。

若干建议

1.生成性人工智能：要弄清楚如何活用即将到来的生成性人工智能革命的力量，还需要一些时间。 早期开始发展业务的公司将来会有优势，一些工作室正在进行内部实验项目探索这些技术如何影响游戏制作。

2.寻找市场空白的机会

现在，整个课程的很多部分非常拥挤，包括动画、语音、对话等，但很多领域都很广泛。 我们鼓励对该领域感兴趣的企业家将目光投向尚未开发的领域，例如“游戏生成式AI赛道”。