AI游戏开发者GDC“诉苦”：玩家来了2000万、游戏太成功“上线即破产”！

【GameLook专稿，未经授权不得转载！】

GameLook报道/如果问任何一名游戏开发者，“你希望自己的游戏玩家数是多少？”相信绝大多数人给出的答案都是：多多益善。然而，这对于AI游戏小团队而言，骤增的用户量可能不只是惊喜，还会带来惊吓，甚至直接导致公司破产。

随着技术的进步，AI在游戏业的影响力越来越大，从聊天机器人、美术资产生成器，到智能NPC的制作，AI能做的事情越来越多，甚至出现了由AI研发的游戏。

《Death by AI》截图

在为数不多的成功AI游戏当中，最为值得关注的就是Little Umbrella的《Death by AI》，这款游戏在3个月内就吸引了2000万玩家；另一款则是Wishiroll团队研发的《Status》，该游戏两周内游戏用户量就突破了100万，DAU达到50万之多！

那么，用AI做游戏容易吗？答案显然是否定的。

在GDC 2025大会上，Little Umbrella联合创始人兼技术总监Tabish Ahmed、Wishiroll创始人Fai Nur，以及AI技术平台Inworld AI联合创始人兼CEO Kylan Gibbs分享时表示，如今的AI大模型绝大部分都不是专门为游戏打造的，虽然能够在特定领域提升研发效率、降低资产制作成本，但如果要做一款AI驱动的游戏，常常会面临高时延、高成本和低可靠性等“致命”问题。

Tabish Ahmed指出，《Death by AI》测试期间仅一周就花掉了4万美元，而Fai Nur更是坦言，按照测试期的AI费用，她的游戏规模化之后，可能上线两天就会导致公司破产。这就会导致一个非常怪的现象：为了节约成本，开发商不得不“拒绝”新玩家。

那么，用AI做游戏当前都面临哪些“陷阱”、想要尝试用AI做游戏的小团队又该怎么解决呢？

请看Gamelook整理的演讲内容：

陷阱一：大模型昂贵，玩家增长会让游戏上线即破产

Tabish Ahmed在GDC 2025分享时透露，游戏发布的时候，团队从未想过它能取得如此巨大的成功。《Death by AI》在不到3个月的时间里就斩获了2000万玩家，过去半年内依然有1500万玩家。

只不过，成功带来的可不全是喜悦，同样给工作室的成本，以及游戏运营带来了巨大挑战，甚至“不得不限制用户增长，也就是拒绝新玩家加入”。

Ahmed表示，在游戏刚发布的时候，AI模型的使用费很贵，尽管最初只使用了非常基础的东西，但该游戏首周的AI成本就接近4万美元，每天都处理20亿Token。为了控制成本，团队几乎尝试了市面上的所有模型。

《Status》截图

《Status》也遇到了同样的问题。Fai表示，该游戏一个月内就达到了50万DAU，两周就斩获百万用户量，还形成了20万用户的Discord社区，玩家平均游戏时间达到一天半，实际上比很多真正的社交媒体使用时长还高，且用户大部分都是年轻女生。

她在分享团队测试经历的时候说，“我们在测试期的时候，有几百人使用，我们当时也在用很昂贵的模型，是ChatGPT 3.5，这个模型很不错，但如果不改变，我们永远也发布不了游戏，因为这么用下去，一旦用户增加，我们上线两天就得破产。”

可能会有人问，每一个模型都有确定的标价，为什么游戏用起来就这么贵呢？

Inworld AI联合创始人兼CEO Kylan Gibbs指出，目前市面上所有的大模型，都是为了通用场景设计，并非为游戏而设计的。

“AI如今更适合做高价值、低容量（low volume）任务，比如企业场景，你要做法律审核、营销内容生成，AI做的很好。如果10美元一天，这还可以，因为请一名专业律师很贵。所以，如果你可以节省10%的请律师审核的时间，那就相当于数百万美元。”

但是，当玩家与AI互动的时候，他们的互动次数是数千次，在一个模型上每分钟都有数千次调用，这是非常不同的应用场景，是有根本差距的。

Gibbs甚至提到，我们对人类级别的智能是有偏见的，作为开发者，所有人都知道游戏里根本不需要人类级的智能。哪怕是大多数玩家都觉得，这个真实模拟的世界感觉很鲜活，但每个开发者都知道，游戏并没有那么做，因为有LOD系统、有很多东西可以做到这个效果。

他开玩笑说，如果用户的互动方式和使用频率相当，苹果公司甚至都跑不起Siri。

“一个消费者应用和一款游戏，规模化有很大的差别。如单个体验可能每秒3000次请求，每分钟5亿、10亿Token，这远远超过了AI领域的任何其他运用，哪怕是在ChatGPT当中这么做都很难。如果是50万DAU、数百万DAU，每秒钟数千次请求，这与企业级AI的应用是完全不同的，按照这个成本，苹果连Siri都跑不起。”

陷阱二：什么都想自己干，可玩家并不在意用什么模型

Ahmed表示，用AI做游戏最忌讳的就是什么都想内部实现，尤其是对于小团队而言。他指出，模型的迭代更新太快了，未来使用模型的价格会更便宜，不要在这上面给自己制造挑战， 不如让做模型的公司去解决。

他坦言，“我说一句可能不讨喜的话，包括我们的技术团队也在这里，很多人都想要一切都内部做，要控制一切的技术堆栈，从模型到剧情再到游戏体验，可我们只有5个人！作为开发者，我们可能有能力去做这一切，但是，我们在训练自己模型的时候，下个月可能就有新模型出来，比我们的还好，这时候怎么办？整个模型就浪费了，我们本可以把时间用来将游戏体验做到更好。你不必控制游戏的一切，你只需要做一个人们想玩的游戏就好了。”

Kylan Gibbs指出，如果只是问答，那么ChatGPT这样的模型是对的答案，但应用到游戏的时候就完全不同了。

《吸血鬼幸存者》游戏截图

他甚至开玩笑说，对于Inworld AI来说，如果自己做GPU，那可能模型使用成本会大幅降低，“但这需要多久？可能要20年，投入至少1000亿美元，而且做出来的时候，早就有更先进的了。而且每个人对于乐趣都有不同的定义，不管是在不同游戏还是同一款游戏里。就像在玩《吸血鬼幸存者》的时候，我和我的总监Brian有着完全不同的策略，而且玩一款游戏的方式有很多种。

提到文本、对话、角色动作等内容，每一种都有玩家认为它很有趣，所以你要让AI适应用户，给他们提供不同类型的乐趣。AI训练目前就是为了在任何问题上都给你一个精准答案，但是，当我跟游戏NPC聊天的时候，却并不需要一个精准答案。”

虽然新技术很令人兴奋，但他认为，玩家并不会在意你用了什么模型，开发者需要考虑的是如何在模型之上构建一个层，在使用模型的时候将体验交付给玩家。“没有人在意你用什么模型，玩家只需要享受乐趣就行了。”

陷阱三：新模型一个月就过时，容易被套牢

Kylan Gibbs表示，每个月都有新模型出现，这也改变了消费者的预期。当ChatGPT出现的时候，所有人都很兴奋，说它很强大，但是，现在回过去用ChatGPT 3，你会发现体验很差，因为所有人现在都用新模型了。

“所以，这是云服务供应商、模型供应方的事情，他们在不断迭代模型，推动技术发展。但到了游戏中，这就成为了游戏开发者的事情，因为你的游戏要运营很久，半年后、一年后，消费者对于游戏AI有了更高的预期，你的游戏内可能会看起来过时了。”

对此，Far Nur讲述自己经历的时候说，有些模型供应商会告诉你，用他们的模型可以获得很大的流量，当你只是个小团队的时候，他们希望留住你。

“但这是没有意义的，模型现在每周都会变得更好，被锁在一个模型中是不可行的。这也是跟Inworld合作比较好的原因，他们可以帮我们找到适合我们的方案，他们知道哪些模型在用户与角色互动的时候有什么优势和问题，这给我们打开了新世界。”

Kylan Gibbs表示，这其实不只是小企业或者游戏开发者遇到的问题，Inworld在签合同的时候也会遇到，比如“使用某个模型一年”这样的条款。

“你敢想象明知道2周就可能过时的模型要用一年吗？这很愚蠢，这是硬件生态系统采用的方式。还有定价问题，这个月的价格，到下个月可能就会下降，你不可能接受固定的价格。包括3A公司也会遇到，他们签约的时候可能会写‘使用某个模型4年’。

这期间可能有几十个新模型出现，当时的模型可能早就过时了，所以这也是个挑战。所以在选择模型的时候，我们需要保持灵活性，这样才能对我们的客户保持灵活。但这需要很艰难的谈判，因为他们不想这样。”

用AI做游戏还有哪些“硬伤”？

前面提到，游戏玩家与应用的用户和AI互动的方式有很大差异，除了兴趣、偏好以及互动方式不同外，用AI做游戏还有一些硬伤是目前的技术无法解决的。

比如时延，如果一个反应循环用的时间太长，就会破坏游戏体验。特别是在玩一款FPS游戏的时候，如果你要寻求AI的帮助，可这需要2秒钟才能反映，你就被人击败了，这是绝对不能被不允许的。哪怕是比较快的模型，给出完整的回答可能也需要4秒钟，完全跟不上游戏里的速度要求。

Kylan Gibbs指出，另一个问题就是控制与观察。

“当你在使用大量的东西时，你不知道后端发生了什么，所有开发者都知道，你需要遥测、需要debug，当你做玩法测试的时候，要知道是在哪里失败的、问题在哪里？AI是个黑盒子，你可能提交一个请求，但很久都没有回馈，因为可能有数百万用户在排队。

这个问题会一直存在，因为发布一款游戏的时候，你不会想要希望它能运行，而是要确保能行得通。如果不能实时观察发生了什么，那就很容易出问题。”

还有就是数据问题。新模型总是在不断出现，开发者需要收集自己的数据，然后带到不同的模型中训练，这就会带来法律和成本方面的问题。“如果你的数据供应商、数据库或者数据结构有了问题，那么它的价值就没了。当然，拥有权之外，数据能使用也很关键，如果每次使用的代价很昂贵，那用起来就可能很不划算。”

另一个问题是体验的品质，开发者需要再成本与玩家游戏体验之间做好平衡。Ahmed指出，哪怕没有宣布该换了模型或者微调了东西，人们都会问，“你们改了什么吗？它不再有趣了”。

“其实，我们是基于玩家数据进行了训练，然后模型变小了，所以玩家得到的回应可能越来越接近，但他们的预期是每次都有不同。所以我们发现，必须以不同的方式训练数据，或者在不同的模型上训练，这也是我们在投入的事情，或许以后的模型会更便宜。”

在使用AI的时候，Ahmed表示自己团队遇到最大的挑战是让AI有记忆，以便保持AI敏锐、连贯和情景感知的个性。

“最大的挑战是保留他们的记忆。哪怕是用ChatGPT，如果对话超过20次，它可能也会忘记你最开始的提问。这对游戏也很关键，如何让AI记住玩家互动，并给出连贯的行为？还有，要保持低成本，因为我们不是一直用所有的情境。”

Nur补充称，除了记忆，AI角色使用的语音也很重要。“因为我们的用户大部分都是GenZ，切换了更便宜的模型之后，他们觉得角色语音听起来像妈妈辈在说话，所以我们需要解决这个问题。”

Inworld的解决方案：“受控的进化”

Gibbs表示，他们这样做的原因有两个：你有不同的用户，这些用户的兴趣会发生变化，你还想要适应每个的需求来提升他们的参与度；你还需要做到经济实惠。目前有很多的公司在模型领域竞争，成本是不断下降的。所以需要在特定时间里找到性价比最高的，并且未来能对其做出改善。”

换据说，就是找到适合特定功能的小模型，然后确定合适的模型组合，并根据游戏和玩家的变化不断做出改变。只不过，这种环境下，开发者就需要将任务分解成小模型能胜任的小任务，通过模块化的方式实现自己想要的体验。

例如指令，你需要将之前大长段的指令变成多个短指令，这样小模型才能更容易消化你给的信息，带来同样质量的输出。

Gibbs说，“当人们使用AI的时候，由于一些模型很强大，我们倾向于把所有事情放到一个问题中，直接让模型给5种不同类型的输出，如果是做分析报告，这种方法是很好用的。然而到游戏的时候，我们就需要细分，一个任务当中，我们需要模型做的是什么？然后评估哪个模型最适合执行某个任务。

这意味着你实际使用的模型可能没那么多，因为所有这些事情并不是并行的。所有的模型都是为了通用任务设计的，但游戏设计并不是，我们有资产数、技能树、UI等等，我们需要找到符合自己品质标准的模型，然后将这些功能、任务模块化，然后减少使用的模型量。”

与游戏开发者合作时，Inworld提供很多的在应用内构建的逻辑层，也就是其所谓的框架，还可以加入很多的遥测和观察工具，实时收集数据。

“你在做的是两件事，基于实时收集的数据，我该如何调整模型适应当时的用户？所以不一定是做什么训练。而且，你还在收集所有数据，确保用这些数据带来长线提升。

例如，我该如何调整实时拿到的5个用户偏好标签？我该如何将这个信息传递给模型，以便让它对不同用户做出不同反应？然后，有些特定的因素是我们都重视的，如何获得对不同用户的整体理解？如何选择可用的最佳模型并降低它的成本？”

开发者可以从模型评估开始，确定某个特定时刻最合适的模型是什么，测试让用户与之互动，收集测试数据。基于数据得到很多细节，然后进行评估当前的模型表现如何，随后看可用的第三方模型，是否有可能在特定任务上的表现更好，训练第一方模型的差距在哪？

“比如我们跟Little Umbrella合作中的语音模型，11 Labs的品质不错，但成本并不友好，所以我们需要训练自己的模型。与Wishiroll的合作中，主要是用户参与度问题，比如Fai提到的切换模型听起来像妈妈辈的问题。

有了这些，我们可以做到人力完不成的事情，比如我们不可能了解50万DAU每个人的偏好，但通过模型可以做到。随着时间的增长，你的用户参与度也在不断增长。所以，我们需要有一个不断进化，不断适应用户期待变化的解决方案，如果不这样做，那么很可能一款AI游戏只能持续数周或者一个月，但从来做不到存在数月或者很多年。”