游戏里的智能革命：AI如何与游戏共创未来？

作者：王枢 腾讯研究院博士后

早在2001年，就有研究指出游戏人工智能领域，有极大的潜力实现或创造类人级别的人工智能（human-level AI）[1]。游戏作为人工智能研究的起点，以其任务场景的复杂性和多样性，为人工智能在广度、深度和灵活性等方面接近人类智能提供了保障。

当前，伴随着生成式AI和决策AI技术的迅猛发展，游戏与人工智能共振共生的发展态势更加明显。在全球游戏顶会GDC2024（全球游戏者开发大会2024）上，AI成为大会关注焦点，以AI为主题的演讲达64场，占比达8%。在生成式AI领域，62%的游戏业受访者正在使用AI工具制作游戏内容[2]。在决策AI领域，Google DeepMind团队继Alphastar后再次推出通用游戏智能体SIMA（Scalable Instructable Multiworld Agent），可根据人类自然语言指令在各类3D游戏世界中执行超过600多种任务。

技术试验场：

基于游戏环境的通用AI Agent实践

游戏为决策AI提供清晰测量标准，用游戏中清晰、可量化的规则评估决策AI的能力，能够解决人工智能科研场景缺失问题，大幅提升技术迭代与测试效率。当前，包括OpenAI、DeepMind等在内的大部分决策AI研究团队都选取游戏作为训练场景，致力于在不同类型的游戏场景中的打造通用智能体，并以此为基础构建通用人工智能。

2024年3月13日，Google DeepMind团队发布名为SIMA（Scalable Instructable Multiworld Agent）的AI智能体，它可以理解广泛的3D游戏世界，并能够像人类一样遵循自然语言指令在各类3D游戏世界中执行超过600多种任务。强大的自然语言理解和迁移学习的能力，让不不少研究人员将SIMA的出现视为“智能体的ChatGPT时刻”。

DeepMind在技术报告中详细阐释了SIMA的基本原理及技术路径，将其定义为一种在多重3D虚拟世界中可扩展、可指导的通用游戏智能体。DeepMind团队选取了9款当下流行的3D网络游戏和4个基于Unity引擎制作的3D场景作为SIMA智能体的训练环境，并从游戏中收集了大量人类玩家的行为和操作数据，用以训练智能体。在具体训练的过程中，智能体会不断观察学习屏幕中的游戏图像信息，并将其与玩家在游戏中的各类操作指令结合起来，随后实现通过键盘和鼠标输出，来控制游戏中的角色执行各种操作[3]。

图1 SIMA智能体项目概述

SIMA项目是DeepMind团队在通用人工智能（AGI）研究领域的一个重要里程碑，从围棋人工智能AlphaGO和AlphaZero，到基于游戏《星际争霸2》的AlphaStar，再到如今基于大语言模型的SIMA，DeepMind团队一直在基于游戏环境进行通用智能体的测试和研究，在DeepMind看来，智能体在游戏环境中训练出的决策和行动能力，有望能够迁移到现实世界的场景中，为孵化通用人工智能提供新思路和新实践。

早在SIMA发布之前，业内已经存在着多个通用游戏智能体研究项目，其中比较有代表性的工作有两个，分别是由DeepMind发布的Gato，以及由英伟达发布的Minedojo。

Gato由DeepMind团队于2022年11月发布，可游玩雅达利系列游戏（Atari Games），并可操控真实的机器人手臂堆叠积木。Gato使用了类GPT的大语言模型架构，其训练材料包括图像、文本、机械臂关节数据以及其他多模态数据集（multimodal dataset）[4]。微软在2023年3月的一篇研究中指出，Gato这类融合了多模态信息的大模型，极有可能诞生出初期的智能[5]。

图2 DeepMind 打造的Gato

与Gato类似的还有英伟达、 加州理工学院（Caltech）和斯坦福（Stanford）等研究机构基于《我的世界》游戏共同打造的智能体MineDojo。Minedojo将《我的世界》游戏的玩家视频（YouTube）、百科（Wiki）和用户社区（Reddit）的资讯作为训练材料，训练出一个能够在《我的世界》游戏中根据文字提示信息，完成各种不同任务的通用智能体。Minedojo不仅能够完成一些简单的程序化任务（programmatic tasks），还可以根据简单描述完成一系列创造任务（creative tasks），例如根据描述建造一个图书馆等[6]。

图3 Minedojo 能力模型

Gato和Minedojo这两项工作分别对应着人工智能研究中的两类不同思路：解决足够多的任务或解决一个足够复杂的任务。但上述两项研究也存在一定局限，比如Minedojo只是针对特定游戏类的专用智能，只能在单一游戏中完成各类任务，并不具备迁移学习的能力；Gato虽然具备一定迁移学习能力，但其主要应用环境都是一些2D游戏，而非3D游戏环境，与现实世界场景差距较大。

当前，基于游戏环境训练通用AI Agent已经成为业内共识。在TED AI 2023演讲上，英伟达高级科学家 Jim Fan 提出了基础模型（Foundation Agent）概念，认为AI研究的下一个前沿将是塑造一个可以在虚拟世界和现实世界里泛化，掌握广泛技能，控制许多身体，并能够泛化到多个环境中“基础模型”，而这个模型的训练，同样离不开游戏环境[7]。在国内，腾讯也牵头构建起AI多智能体与复杂决策开放研究平台——开悟，依托腾讯AI Lab和《王者荣耀》在算法、算力、实验场景方面的核心优势，为学术研究人员和算法开发者提供国内领先的应用探索平台。

能力新突破：

SIMA实现大语言模型

与AI Agent训练的有效融合

SIMA的出现，将大语言模型与智能体训练进行结合，实现了AI智能体决策能力和泛化的突破。SIMA不仅能较好地理解各种3D游戏环境，而且还能像人类一样按照自然语言指令在各种3D游戏世界中执行各类任务，并且在决策效率与能力上远超其他智能体，具备了与人类相近的决策能力[8]。DeepMind 创始人及CEO德米斯·哈萨比斯（Demis Hassabis）在采访中更是直言，“将大语言模型、AI智能体训练与游戏环境相结合的这个领域，有着巨大的发展前景，DeepMind未来将持续加大对该领域的研究投入[9]。”总体来看，与其他SIMA的特征和突破主要体现在以下几个方面：

第一，SIMA使用游戏环境进行训练，但更加关注智能体行为与接收指令的一致性。在DeepMind团队看来，“游戏是人工智能 (AI) 系统的重要试验场，与现实世界一样，游戏也是一种丰富的学习环境，具有反应灵敏的实时设置和不断变化的目标。” SIMA与DeepMind团队之前发布的游戏智能体相比，相同之处在于其训练过程中也观察学习了大量人类玩家的行为数据，不同之处在于SIMA训练的目的不在于击败人类玩家或在游戏内取得高分，而是为了学会在各种游戏环境中遵从人类发出的自然语言指令，并在游戏环境中作出与指令一致的行为。

第二，SIMA将大语言模型与智能体训练进行结合，并采用统一且人性化的交互界面。“语言和环境的学习是相辅相成的，通过学习自然语言，能够提升智能体对于通用表征和抽象概念的理解能力，提高学习效率。”相较于之前各种基于游戏环境的智能体，SIMA在训练中引入了大语言模型，整个训练过程都遵循语言优先的规则，所有的训练行为都由自然语言直接驱动。也就是说，SIMA 既不需要访问游戏的源代码，也不需要定制的 API。它只需要两个输入：屏幕上的图像信息，以及用户提供的自然语言指令，即可使用键盘和鼠标控制游戏中的角色执行这些指令。在具体交互方式上，SIMA采用了统一且人性化的交互界面，人类可以直接调用该交互界面向SIMA发出自然语言指令（如下图4）。

图4 SIMA智能体架构

第三，SIMA拥有良好的泛化能力，能够在不同虚拟场景中保持较高能力水平。据DeepMind团队目前公布数据，SIMA已经通过600项基础技能进行评估，涵盖导航（例如左转）、对象交互（爬梯子）和菜单使用（打开地图）等，并且在多个游戏环境中都表现出了高于同类智能体的性能水平。DeepMind研究人员评估了 SIMA 按照指令完成近 1500 个具体游戏内（in-game）任务的能力，其中部分采用了人类评估，结果显示无论在哪种游戏环境中，SIMA的表现都远超同类型智能体（如图5）。

图5 多个智能体在不同环境下的性能对比

  应用新场景：

AI助力游戏创作

提升内容创作效能

游戏已经成为打造通用AI Agent的试验场和孵化器，不断推动决策AI 技术的更新迭代。与此同时，伴随着以Stable Diffusion、Transformer等生成式AI技术的成熟，AI技术也开始反向助力游戏以及更广泛的文化行业的内容创作，越来越多的从业者能够以更低成本生成图片、文字、音视频、NPC等数字资产，提升产品研发效能，进一步降低交互内容的制作门槛。

在应用层面，生成式AI模型已经成为游戏开发者的有力助手。《2024 Unity 游戏业报告》数据显示，在使用AI技术之后，有71%游戏工作室表示其研发和运营效能得到了提升，这种效率的提升不仅体现在赋能单个内容创作者方面，还体现在能够有效降低不同环节工作者的沟通成本方面。

在游戏内容的生产侧，生成式AI已经被广泛应用于文本生成、2D美术创作、代码生成与检测、关卡设计生成等环节。在AI工具介入游戏美术工作流程之前，游戏美术工作者完成一张高质量的插画图的时间大概在一周左右，在使用Stable Diffusion等生成式AI工具后，能将一张高质量插画图的生成时间缩短至1天。

图6  基于AIGC工具的插画人物绘制过程

在降低不同类型工作者沟通成本方面，生成式AI也有着巨大的应用空间。例如在游戏制作过程中，尤其是在对游戏美术风格进行定调和选型时，游戏策划和美术工作者之间的沟通往往需要耗费大量的时间成本。生成式AI工具的介入，能够帮助策划者快速将创意落地并呈现，极大降低沟通成本。

在工具层面，随着生成式AI对游戏研发效能的提升，各类游戏公司也开始将其融入各自内容制作工具中。游戏芯片公司英伟达于2023年6月发布了面向游戏开发者的AI工具平台NVIDIA ACE for Games，让游戏开发者可以在游戏中构建和部署定制化的语音、对话和动画等AI模型，极大提升游戏内容生产和制作效率；在GDC 2024上，NVIDIA和Inworld 联合公布了一项全新的数字人技术 Covert Protocol，基于该技术塑造的游戏NPC能够与玩家进行实时交互，并且能够能够基于互动内容，实时生成游戏玩法[10]。

图7  NVIDIA发布的Covert Protocol技术demo

游戏引擎公司Unity和Unreal也相继发布基于生成式AI的新产品。Unity于2023年7月发布两款基于人工智能技术的新产品：Sentis 和Muse，据悉两款产品可将传统内容创作的效率提升十倍；Unreal也在自身引擎中集成了大量应用了AIGC工具，如数字人制作工具Metahuman creator，尝试以人工智能技术加速创作高质量的角色及大规模场景生成效率。

游戏制作公司也全面拥抱AI技术，用AI赋能内容制作工具，不断提升内容研发效率。以腾讯为例，腾讯AI Lab 在GDC 2024 重磅发布了自研游戏全生命周期AI引擎“GiiNEX”，该引擎借助腾讯自研生成式AI和决策AI模型，面向AI驱动的NPC、场景制作、内容生成等领域，可提供包括3D图形、动画、城市及音乐等多种AIGC能力。在GiiNEX引擎助力下，原本需要5天才能完成的城市建模任务，现在只需要25分钟即可完成，效率提升达百倍[11]。

图8  腾讯游戏AI引擎GiiNEX架构图

 结语

自1956年达特茅斯会议开始，在人工智能领域，早期的计算机科学家们将AI定义为“使一部机器的反应方式像一个人在行动时所依据的智能”[12]，后来几乎所有的人工智能研究都循着“模拟”人类智能的路径，试图打造出能听、能看、能说、能思考、能学习、能行动的人工智能，提升其感知、认知现实世界与遂行决策行动的能力。

时至今日，人工智能研究依旧遵循着模拟人类的路径和目标。如果说以ChatGPT、Sora等为代表的生成式AI大模型，提升了人工智能对事物的“感知”与“认知”能力，完成了迈向通用人工智能的第一步。那么能够让人工智能在复杂、多样的游戏环境中通过机器学习做出合适的“选择”的决策AI模型，则让人工智能具备了“行动”能力，能够根据自身和环境信息进行自主决策，实现了迈向通用人工智能至关重要的一步。

尽管当下的人工智能研究距离实现AGI还有相当长的路要走，但生成式AI和决策AI的结合，无疑为实现AGI开辟了新的可能性，而游戏作为训练AI的试验场，在通用人工智能研究中的角色也愈发重要。我们看到，基于大语言模型和AI智能体的结合，已经能够塑造出像SIMA这样的通用游戏智能体，不仅能在给定环境下做出有效决策，还能不断学习和适应未知环境，并根据自然语言指令完成各类复杂任务，表现出类人智能。未来，随着训练环境的不断增加，通用游戏智能体或将具备对更复杂、更高级语言指令的理解和能力，人们有望创造出更为灵活、适应性更强、更接近人类智能的AI系统。我们也期待，有一天，通用智能体能够通过游戏这个小世界的测试，顺利走向现实大世界的广阔舞台，服务人类社会的千行百业。

感谢曹建峰、刘林、王鹏等在本文写作过程中给予的指导！