今天的Nature：AI游戏设计师问世，自学成功，不需要以前的任何知识。

在当今的数字时代，创意产业正在经历一场生成式人工智能。（AI）引发的变化。由文字、图像到音频、视频，AI 各种内容都是以前所未有的速度和规模生成的，为创意工作者提供了全新的工具和思路。

然而，将这些技术无缝融入到创意实践中并不容易，尤其是在游戏开发这个复杂而富有创意的行业。。

游戏开发不仅需要产生新颖的内容，还需要维持游戏世界一致性、多样性与用户修改持续性实现高度平衡的方面。

最近，发表了一篇文章 Nature World上的研究论文。 and Human Action Models towards Gameplay 如何揭露Ideation？运用生成式 AI 模型促进游戏玩法创意的产生。。

论文链接：

https://www.nature.com/articles/s41586-025-08600-3

论文报道了一个由微软研究所领导的研究团队，开发的生成式游戏可以帮助电子游戏设计师迭代设计游戏。 AI 模型——世界和人类的行动模式（World and Human Action Model，WHAM），其产生的鲁棒 3D 在电子游戏中，世界可以遵循设计机制。

因为他们认为，WHAM 不需要以前的任何知识，只需要通过游戏训练就可以学会生成序列。，该工具可以很容易地转换成其它电子游戏的副本，给游戏开发行业带来新的可能性。

视频｜WHAM 一致性、多样性和持久性的案例以及WHAM演示的功能。

AI 也能做好游戏创意开发？

电子游戏占娱乐业的最大份额，世界上有数十亿人玩和购买电子游戏。然而，游戏开发是一个从设计理念、角色建模到关卡设计、游戏机制编程，涉及多学科、多技能的复杂过程。每个环节都需要创造者投入大量的时间和精力。。传统的游戏开发过程通常受到人力和时间成本的限制，很难快速迭代和产生多样化的游戏内容。

生成式 AI 提供了解决这个问题的可能性。通过训练 AI 理论上，模型可以学习大量的游戏数据，生成新的游戏玩法序列、关卡设计甚至角色行为，从而帮助创作者更高效地开发游戏。

但是，现有的生成式 AI 在游戏开发应用领域中模型仍然面临着许多挑战，例如产生内容的一致性、多样性以及对用户修改的持续支持不足等。

所以，在这项工作中，研究小组的目的是开发一种能更好地支持游戏开发创意实践的生成式 AI 模型。

研究小组邀请了来自不同网络游戏工作室的创意小组，以深入了解游戏开发创意人员的实际需求。 27 著名的电子游戏设计师进行了半结构化的采访，这些电子游戏设计师包括工程、设计和艺术等多个领域的游戏开发。

研究小组在采访过程中使用了一个名字。“设计探针”工具，通过模拟一个虚构但具体的游戏开发场景，激励参与者对生成模式进行激励。 AI 探索游戏创意中的潜在应用。

参与者积极与他们分享。 AI 帮助游戏创意的观点和期望，感觉目前用来打造电子游戏的 AI 该计划缺乏产生许多不同想法(发散思维)的能力，并指出实现多元化创意的重要性，在保证游戏世界一致性的同时，通过设计过程(迭代实践)不断微调游戏的各个方面。的重要性。

具体而言，参与者认为，生成式 AI 在游戏开发过程中，应该能帮助他们获得下列目标：

提供多样化的内容：AI 为了激发创意人员的灵感，模型应能产生各种不同的游戏玩法序列和关卡设计；

维持一致性：产生的内容应与游戏的整体风格和机制保持一致，避免出现与游戏世界不协调的元素；

对迭代实践的支持：创意者希望通过直接修改产生的内容来迭代，而不仅仅依赖于文本提醒；

持续性：在后续生成过程中，用户应能够持续保留生成内容的修改，而非消失。

研究小组根据用户需求调查的结果，开发了一个 WHAM。

图｜WHAM 模型(来源：论文)

WHAM 模型使用了 3D 多玩家战斗模拟器《嗜血边缘》中大量的人类玩家玩法数据，包括游戏视觉画面和控制器动作。选择 Transformer 结构作为其序列预测的骨干网络，并且使用 VQGAN 图像编码器将图像编码分散。 token 序列，练习真实的人类游戏玩法数据，WHAM 能准确预测游戏环境？ 3D 结构，控制器的动作效果，以及游戏的时空结构。

为游戏开发提供全新的工具

研究小组发现，WHAM 能制作出符合《嗜血边缘》预存在制度的复杂性 3D 电子游戏序列，其关卡设计也有一定的多样性，创意人员可以迭代调整导出。他们还开发了 WHAM 作为供用户操作和定制的示范器 WHAM 输出可视化界面。

为了评定 WHAM 他们还有性能为生成式提出了一套针对生成式的建议 AI 模型评价方法，重点关注模型在三个关键能力上的表现：一致性、多样性和持续性。

就一致性评价而言，他们使用 Fréchet Video Distance（FVD）用指标来衡量生成的游戏玩法与真实游戏玩法在视觉和时空动态上的一致性。通过将 WHAM 将游戏画面与真实玩家的游戏画面进行对比，发现随着模型规模的增加和计算资源的增加，FVD 结果逐渐下降，说明模型产生的内容与真实游戏数据的一致性不断提高。

就多样性评价而言，他们选用 Wasserstein 测量模型产生的动作分布与实际玩家动作分布的差异。结果表明，WHAM 能产生类似于真实玩家行为的动作序列，并且在训练过程中，Wasserstein 距离逐渐缩小，说明模型在保持一致性的同时，能够产生多样化的游戏玩法。

图｜WHAM 多样化的模型评估

就持续评估而言，研究人员将不同的游戏元素(如道具、人物和地图元素)插入手动编辑游戏图像，并让出。 WHAM 为了评估模型对用户修改的持续支持，在这些编辑后的图像环境中生成新的游戏画面。实验数据显示，当模型基于更多编辑后的图像生成时，插入元素在生成图像中的持续比例明显增加，说明 WHAM 能很好地将用户的修改融入到游戏内容中。

总的来说，通过对用户需求的深入研究和严谨的模型开发和评估，研究团队成功开发了一种生成式的模式，可以支持游戏开发的创意实践。 AI 模型。该模型在三个关键能力上表现出色:一致性、多样性和可持续性，能够生成与真实游戏玩法高度一致、多样化的游戏内容，有效支持用户对生成内容的修改和迭代。

研究小组指出，WHAM 它的出现为游戏开发行业提供了一种全新的工具，能够产生多样化、一致性强的游戏内容，激发创作者的灵感，有望在未来的游戏中创造更丰富、更创新的游戏体验。。与此同时，这项研究也是生成式的。 AI 它为其他创意应用领域提供了有益的参考和启发， AI 技术与人类创造力的深度融合。

尽管 WHAM 它已经在游戏开发应用领域取得了显著的成就，存在一些局限性和挑战。例如，收集和处理大量真实的人类游戏玩法信息是一项复杂而耗时的任务，需要大量的时间和资源；此外，培训和优化生成 AI 该模型需要大量的计算资源和专业知识，并且对研究团队的技术能力提出了更高的要求。

然而，研究小组也指出， AI 随着技术的不断进步，WHAM 模型架构和训练方法也可以进一步改进，不仅可以低成本、高效率地生成更复杂、更智能的游戏内容，还可以探索如何将其 WHAM 为了提高整个游戏开发过程的效率和创意，可以更好地集成其他游戏开发工具和流程。

在不久的将来，我们有理由相信，AI 它将在游戏开发乃至整个创意产业中发挥更重要的作用。

本文来自微信微信官方账号“学术头条”（ID：SciTouTiao），作者：木木，36氪经授权发布。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com