当 Agent 从几十个增长到几万个，当玩家成为 Agent 世界中最大的变量，一个新的问题开始出现：
Q
AI 捏人，其实是个伪命题？
A
放任 AI 自由创造角色，世界反而会迅速走向"死寂的平庸"。
Q
一扇门、一个垃圾桶，也应该是 Agent？
A
"一草一木皆智能"，或许才是解决大规模 Agent 算力成本的关键。
Q
玩家进入 Agent 世界后，涌现究竟会走向混 沌，还是催生下一代 AI 游戏？
「初光·AI 游戏夜话」，第三期邀请到了紫荆智能（Bauhinia AI）创始人、《AIvilization》制作人 Oliver 杨浩巍，与天美 J1 工作室 GBT 算法团队负责人 Mony，一起围绕大规模 Agent 社会的架构设计、涌现机制、记忆系统、算力优化、商业化路径，以及玩家介入后的全新游戏形态展开讨论。他们将结合《AIvilization》以及Mony在智能 NPC 等方向的实践，共同探讨：当 Agent 的数量迈向万级，AI 游戏究竟会演化成什么样。
🎙️本期嘉宾
● Oliver 杨浩巍 紫荆智能（Bauhinia AI）创始人，AI 原生游戏《AIvilization》制作人，香港科技大学数学系博士生
● Mony 天美J1 工作室GBT算法团队负责人，专注 AIGC 与数据挖掘方向的模型研发与落地。主导过多个算法项目从原型到上线全流程，覆盖智能NPC、UGC推荐、社交推荐等场景。
本文根据直播视频内容在不改变嘉宾的愿意基础上整理加工（非时间顺序）。如需观看完整视频，请前往“腾讯游戏学堂”视频号。
从AIvilization 的体验图景聊起
1. Agent世界里的“一天”
Oliver： Hello大家好，我叫Oliver杨浩巍。目前在香港科技大学数学系就读，但我更多时间还是在创业做我自己的公司，叫紫荆智能。大家可能了解我们，是因为我们去年8月份的时候，当时发布了一个叫AIvilization 的一个 AI 小镇的一个项目，取得了不错的市场关注，有大概5万名玩家参与到这场社会实验中。目前我们团队在基于这套技术路线和玩法，开发一款商业的 AI 原生玩法的游戏。
《AIvilization》曾获得2025腾讯游戏创作大赛AI玩法创作奖
Monica（主持人）：能否给我们介绍下这款在研的游戏？
Oliver：和 《AIvilization 》会比较像，每位玩家会领养一个自己专属的 agent， 它和玩家是之间是一个“重要他人”的关系。这 Agent 会受到玩家的影响。但是你并不能直接用键鼠的控制它，整体体验还是更偏偏向于“养崽”。游戏设定在一个开放大世界里，多个 Agent在这个平行世界里生活，玩家可以去观察、引导来慢慢养成自己的这个“崽”。
Monica（主持人）：Agent的典型一天是怎么样的？可不可以给我们简单描绘下整体的体验图景？
Oliver：我先从“创造”讲起。玩家在创建自己的『崽』（Agent）时，我们提供了三种不同的门槛：最简单的是直接选 MBTI，十二选一就搞定了；中档的稍微复杂一点，需要做大概十道选择题，有点像心理学问卷，可以快速定位它的人设属性；而更深一层、也是最复杂的一档——当时有大概 10% 的玩家会选——我们提供了六个自然语言问题，玩家可以直接手写码上几千字，去极其精确地描述出自己的 Agent 到底是一个怎样的角色。
Oliver： Agent创建之后，在这个 AI世界有很多可执行的操作，比如工作，有几十种工作可选。我们做了一套完整的工业生产系统——有第一产业、第二产业和第三产业。Agent可以去种小麦、磨面粉、烤面包，所有商品全都可以在市场上进行自由交易。它们之间也可以交朋友，互相发发消息聊天。
如果看Agent典型一天，以为他们性格不同、财富水平不一样，一天的经历差异可能会很大。有些走赚钱路线，当时玩家们就发现了一条赚钱捷径：造GPU，他们会让Agent把所有的时间花在工厂里造晶圆板、生产GPU，然后再用 GPU 产生算力去卖钱；但也有玩家比较佛系，希望他的Agent去享受人生、替“我”去完成没完成的梦想，比如在学历上追求一个 PHD 学位，或者干脆从早睡到晚。它们可以有无数种截然不同的生活方式。
2. 玩家与Agent的关系，上帝视角的观察者还是参与者？
Oliver： 玩家有参与的部分，把玩家参与的过程类比为我们与 Coding Agent 的交互，会比较贴切。
就像你用Claude Code 或是Codex的时候，会做两件事：
第一是 Harness（能力设计）。你会给的 Coding Agent 构建一个更好的运行环境(harnees) , 让它能完成更多复杂任务。在游戏里，玩家可以帮助 Agent 升级住宅、扩充背包、解锁技能。原本它只能完成 10 件事情，通过玩家的设计和培养，它可以逐渐学会完成 30 件、50 件，甚至更多事情。你帮他升级住宅、背包，解锁技能。原本它只能做 10件事情，通过你的参与（设计），让它学会做/解锁30件、50件事情。
第二是 Instruct（指令），这类似于你直接告诉你的 Coding Agent 要干什么。在游戏里，表现为玩家给 NPC 小人做多种维度的输入，比如给它设定长期目标、短期目标，随时跟它聊天，也可以下达硬命令让他必须马上去执行某件事。
规模涌现的技术与设计
1. 玩家创角-可定制的MBTI与人格，这对涌现行为的影响有多大？
Mony：刚才提到玩家可以自己去给 Agent 创角（捏人）。如果站在玩家视角，自己一个人写五个、十个可能就写累了。但在这个社会里有五万个，大部分如果单靠后台根据随机预设去批量产生，那这样的社会，涌现究竟会来自哪里？
Oliver：我们当时V1（也就是AIvilization)的做法是每位玩家做一个，把五万个由不同玩家真实捏出来的 Agent 放在这个世界里一起生活。在向公众提供实验之前，我们在内部跑过几百次小测。其中很多次，因为大家懒得手动创角，就直接让 AI 随机生成 100 个角色。结果我们惊讶地发现，AI 批量创建出来的角色，会更早地去完成『收敛』，这一百个都一样。我感觉大概率和大语言模型的『困惑度（Perplexity）』原理有关，模型训练和生成的底层本质是去降低困惑度，去寻找概率最高、最安全的那个词。所以 AI 自己生出来的人设，会不断地逼近均值，最后所有的 Agent 都会逐渐走向平庸。要实现的涌现，确实需要人类的多维度注入才行。
关于涌现，我们会设计的是能够产生蝴蝶效应的机制，而不是具体的事件。在游戏早期，如果玩家之间还没有形成足够丰富的互动，我们可能会适当引导一些类似事件发生，帮助整个世界运转起来。但从长期来看，真正的涌现肯定不是设计出来的，而是玩家自由互动、自发演化出来的。我们内部一直有一个设计理念，叫 "Less Structure, More Intelligence."也就是说，我们不会预先写死玩家应该怎么玩、哪些内容应该涌现，那样最后还是会回到 Workflow 式的设计。既然这是一个 Agent Native 的世界，我们更希望让世界自己去演化。我们关心的是机制是否合理，而不是具体会发生什么。
2. 从社会实验到做一款长期好玩的游戏
Oliver： 去年的版本我们自己也叫它“社会实验”，大家觉得新鲜，但从游戏的角度，还不是一个长期好玩的事情。要做到真正好玩，我个人觉得要从三个维度出发：
第一，所有的 Agent 玩法（不仅是游戏，也包括 coding agent 等在内），天生都缺少即时反馈。 这跟大模型的输出机制有关——大模型的 First Token Time（首字响应时间）需要一定时间，Token 的吐出也需要过程。这种底层特质决定了 Agent 机制天然更适合做中长期的反馈；至于玩家在游玩时不可或缺的短期、即时反馈，则必须用传统游戏的设计手段去补充。
第二，游戏依然是需要设计的。 曾经的游戏是“设计的艺术”，策划会把玩家的心思摸得明明白白，玩家的每一步操作早早就在策划的掌控之中了。即便引入了 AI，整套系统依然需要策划设计，它才能让游戏变得好玩，所以策划的介入是必不可少的。
第三，也是最重要的一点，是我们过去一年在做的底层技术创新——导演系统，讲大一点的话说，其实叫生成式推荐算法。AI游戏相比传统游戏最大的优势，在于它能拿到大量真实的玩家 Context（上下文），我们知道玩家过往的输入和他的记忆。基于这些输入，我们可以做到的是定向、定制化的生成，从而实现千人千面的体验。
举个例子，一个喜欢户外的玩家，可能曾在聊天中提到过自己的兴趣，或相关信息已经存储在记忆系统中。于是某一天，Agent 会主动发起对话："我打算三个月后去爬珠穆朗玛峰，你支不支持我？"因为这是玩家真正感兴趣的话题，他大概率会选择支持，并继续参与这个故事。 在这个过程中，并不是开发者预先编排了剧情，而是无数个 Agent 基于玩家的兴趣、记忆和当前状态，自主完成规划、选择与内容推送，本质上采用的是一种生成式推荐机制。 最终，每位玩家都会逐渐演化出属于自己的故事线和剧情体验，让整个世界越来越贴合个人兴趣，而不是所有人经历同一套内容。
3. 一扇门、一个垃圾桶也是 Agent？用“一草一木皆智能”来解决可怕的算力成本
Mony: 利用生成式推荐来给玩家定制化内容听起来很有意思，你们把生成式推荐放到一个拥有 5 万个 Agent、而且每个 Agent 都千人千面的世界里，推理成本和响应延迟应该都很高。你们是怎么解决这些问题的？
Oliver：过去一年，我们大部分时间都花在这些工程问题上了，包括架构设计、记忆系统、Cache 命中，以及生成内容的复用。
首先，并不是所有交互都交给大语言模型。对于需要毫秒级响应的行为，我们会交给类似Skill中的Script来执行，由 LLM 负责决策，具体动作由脚本完成。 这样既保证了响应速度，也降低了推理成本。
其次，记忆系统是我们重构最多的模块。 从去年发布 AIvilization 到现在，我们已经推翻重做了两三次。Agent 的设计理念变化非常快，几乎每隔 3～6 个月都会有新的范式出现。去年很多今天大家熟悉的概念，比如 Harness、Skill，当时都还没有。当时的版本写的也比较死，就一股脑存。有一套固定的架构，把渐进式披露、向量检索、知识图谱等能力拼在一起，做出了一个成本相对可控的方案。
我们现在的记忆系统，是一套非常复杂的系统工程，很难用一个简单的技术架构来描述，几乎把市面上有的招都用上了。现在记忆这块儿还很难找到像大模型一样优美的端到端的解决方案，需要策划加上 AI、服务端开发，三方一起去协调、共同设计。
我们现在最大的挑战，其实是区分 Agent 记忆和世界记忆。
记忆首先是 Agent 的每个人，他本身的一个记忆， A 打了 B ，那 A 和 B 他们之间他们自己是会记得这个事情的。从更高层次来，对世界信息的记录上来看，是不是要记录所有信息？ 我们最近正为这个事而头疼。先记下来，是记到A还是 B 的脑子里，还是存到Agent世界记忆里？
传统游戏很多信息是不需要记的，服务器只需要记录，比如数值、经济系统和任务状态等事情。但在 Agent 世界里，几乎所有事件都有可能成为未来推理的依据。 一方面如果出了什么问题，我们要回滚。另外，比如 A 今天遇到了 B，即使什么都没有发生，这件事未来也可能影响两人的关系，因此也需要被记录。
我们也最近在寻找一个边界：哪些信息应该直接存进 Agent 的长期记忆，哪些应该先存到 World Memory，等未来真正需要时，再按规则逐步披露给 Agent。
Mony: 我觉得这也是今年大家使用 AI 时逐的一个共识：AI要用好，无论是在工作场景，还是放到游戏里，都是要做好上下文管理。
如果能够构建更丰富的上下文，并让这些上下文持续驱动 AI 的决策和行为，就能让 AI 驱动的游戏产生更多样、更具涌现性的体验。大家都在探索，如何组织、筛选和组合上下文，但很难说某一种方式一定是最优的。不过目前一个共识：先不纠结什么样的上下文构建方式是最优的，把未来可能会用到的上下文数据尽可能沉淀下来。等真正需要的时候，再根据场景去调用和组合，这样其实就够了。
Oliver: 因为存储毕竟是便宜的，反正能存的就先都拉下来。
Mony: 说到储存刚才也听Oliver提到了好几次Cache你们很看重，对于这样的一个工程问题有怎样好的一些实践可以分享给大家的吗？
Oliver： 在 Cache 优化上，我们首先是机制设计上，控制 Context 的长度，不能过长。Context 本身不过长，Cache 设计就会容易一些。V1 版本里，整个世界主要由 NPC Agent 驱动，规则、物品都是写死的，几乎所有记忆和决策都需要由单个 Agent 完成。这样每次推理都要携带大量上下文，Context 很长，Cache 的效果也比较有限。
我们目前版本里面，我们是在做一个叫Agentic World的事情。 把世界中的一草一木都拆成 Agent——一扇门、一个垃圾桶、一个系统规则，都可以拥有自己的记忆、决策和交互。这样，原本集中在一个 Agent 身上的 Context 被分散到整个世界，Context平均会变短了。
第二点，我们还的设计师会追踪 Prompt 和 Context 的调用频率。 分析哪些内容被高频访问，再不断去做实验，把高频内容尽量放到前面，这是一个比较简单使用的方式。
Mony： 第二点这里有很强的一个共鸣。在做一些面向玩家的 AI 应用时，我们也会考虑做这样的上下文设计。核心观点是把不怎么变的东西（如基础设定、人设、规则）放在上下文的在最上面，把会变的东西放在最下面。 这样能有效节约一些token消耗。
从斯坦福小镇到 AIvilization——
架构与设计的四大差异
Mony: 听过或者研究过斯坦福小镇（Smallville AI）的朋友，对于 AI Agent 能够产生一些类人的社会行为和涌现现象，应该不会太陌生。你们现在做的 AIvilization，其实也是主打一个涌现式社会。
所以我比较好奇的是，你们现在这款游戏和当时的斯坦福小镇相比，最大的差异在哪里？或者说，从技术路线和产品形态上，你们有哪些不同的思考？
《斯坦福小镇》
Oliver：如果大家玩过我们之前的实验版本，或者自己部署体验过斯坦福小镇，会发现两者其实差异还是比较大的。虽然乍一看好像是有点类似，我觉得差异体现在几方面。
第一个，架构上，斯坦福小镇采用的是一个非流式同步的架构，更像是一步一步进行世界推演。整个世界按照 Step 推进，每一个 Step 就像一个时间切片，所有 Agent 在这个时间点完成一次切片行为，然后世界状态再进入下一步。它整个世界是有一个「量子颗粒度」的——所有内容必须以这整个最小颗粒同步推进。它先在后端把100步推演全跑完，前端再统一播放。而《AIvilization》是多人在线，每个 Agent 是流式、独立的、异步的，它们不是按照统一 Step 同步推进，而是在世界中实时进行自己的决策和交互。
第二，场景复杂度。 斯坦福小镇更多是角色走到那儿、站在哪里、声称自己在刷牙就是在刷牙了。本质是一段文字。但如果把它放在一个更复杂的游戏环境里，是要和后端逻辑和数值系统对齐的。我饿了要吃饭，吃面包能加多少饱食度？面包多少钱一斤？去哪买？怎么从小麦磨面粉再烘烤？我们的 Agent 需要处理多条线的复杂数值任务和规划任务。
第三，世界规则框架的限制。斯坦福小镇里只需要走路、思考和说话，说"我造了一个火箭"火箭就出来了。放在多人游戏里，你要去平衡世界的规则和物质基础，Agent 需要和世界规则做对齐。
第四，人机交互的设计、玩家在里面的参与。 斯坦福小镇是没有人机交互设计的，世界创始后玩家只能当纯粹的观察者。而我们希望玩家参与其中，操控Agent, 把自己的意志注入，并对这个世界持续产生兴趣。
Mony：我刚刚听到一个词出现了两次，“数值”。我们之前在做 AI 驱动 NPC 的时候，有遇到一个情况。从游戏策划或产品的角度会考虑把数值带到 NPC 体系里，但 AI 处理数值并不精准。这块你们怎么处理？
Oliver：在去年那个版本里，我们是纯大语言模型来处理的。因为当时我们也想验证一件事：如果一个 NPC 完全由 Agent 驱动，会发生什么？所以，哪怕很多地方其实可以用 Rule-based，或者直接写死规则，我们依然坚持用生成式 AI 来完成。
但大家玩过那个版本应该都有印象，大语言模型在数值计算上的能力其实非常差。比如当时很多模型甚至没办法稳定判断 0.11 和 0.9 哪个更大。所以很多玩家会发现，自己的 Agent 总是在亏钱。明明辛辛苦苦教它赚钱的方法，也攒了不少钱，结果两三天没看，它又把钱亏光了。这其实就是大语言模型天生的短板。后来，我们在现在研发的版本里，为了解决这个问题，做了很多调整。
一方面，我们在游戏设计上就尽量避免让产品变成一个完全依赖数值驱动的系统；另一方面，在技术上，我们引入了类似 Skill 的设计。当 Agent 需要处理数值时，它不会直接靠大语言模型去算，而是会调用脚本，或者生成一套决策逻辑，由这些更确定性的方式来完成数值计算，而不是让 LLM 自己下场做加减乘除。
Mony：我觉得这也是一个对 AI 游戏开发者很有参考价值的工程实践。其实两年多前，我们在做类似项目的时候，也遇到过同样的问题。比如好感度、关系值这些数值，如果完全交给 AI 去计算，它经常会出现算错、跳变，或者前后不一致的情况。所以最后我们的处理方式，其实和 Oliver 刚才分享的比较类似：数值计算和校验交给脚本或规则系统完成，而不是直接交给 AI。
Oliver：其实本质上，还是让 Agent 去写代码、写逻辑，再由代码去执行这件事。只要这些工具和脚本仍然处在 Agent 可以调用、可以控制的范围内，本质上还是 Agent 在完成任务。这样既能保证数值计算的稳定性，也不会破坏整个系统的自主性和涌现能力。
成本、好玩性、Agent世界与"AI 策划"稀缺
1. AI Agent 游戏商业化最大的挑战是什么？
Oliver：其实就两件事：开源和节流。我们必须变态地追求 Cache 命中率、用能用的最小模型、配合蒸馏和后训练。我们自己测算过，给一个活跃玩家的 Agent 预留的算力预算是每个月 2~5 美金。这是我们觉得能够承受的商业化最高天花板了，再高项目就真的回不了本。
在商业侧，我个人比较倾向于软 token 绑定的，把 Token 消耗和付费解耦。尽量把 token 包装起来，不让玩家直接感受到 token 的消耗或者是一个强制的订阅，所以可能会偏，比如说战令（Season Pass）的一个形式，再加上一些道具的付费。
Mony： 第一个一定绕不开的就是成本。从我过去内部功能/产品上线经验来说，成本肯定要看。大家前期做 Demo 拿大几百 B 的模型跑没问题，但真正面向玩家上线时，大部分场景用的是小于等于 27B 的模型做最终上线。刚才 Oliver 分享的很多工程优化，其实本质上都是为了降低推理成本，让产品真正有商业化的可能。除此之外，我觉得还有几个挑战。
首先，像斯坦福小镇当时出来的时候非常火，也启发了很多后续探索，但它本质上并不是一款游戏，而更像一个社会模拟实验。玩家更多是站在观察者的角度，看这个社会如何演进，而不是参与其中。所以，从一个研究项目走向真正的游戏产品，中间还有很长一段路。
另外，AI 也带来了新的挑战。传统游戏强调的是可控性，策划希望玩家体验能够按照设计预期发展；但 AI 引入以后，游戏天然会变得更加开放、更不可预测，难QA，还有长程漂移，这种不可控性也是产品必须面对的问题。
最后，也是最重要的一点——游戏一定要好玩。但 AI 游戏到底怎样才算好玩，目前行业其实还没有一个成熟的答案，也是AI研究/应用目前的难题——建立好的评测体系。
2. AI 游戏应该怎样做到“好玩”？
Oliver：游戏本身就是一种维度非常高的产品，到今天也没有一本真正意义上的“游戏设计教科书”。所以，我们只能回到玩家最基本的人性需求。
目前，我们主要围绕三个方向设计产品。第一，是情感连接。玩家和 Agent 之间，会形成一种“养崽”的情感体验。它和 QQ 宠物、旅行青蛙是一脉相承的，只不过 AI 让这种情感关系变得更真实、更深入。第二，是平行人生。我们内部有一句口号，叫「我的心愿 替我自由」。Agent 既是你的“崽”，也是你自己的投射。现实里，你可能每天上班、加班、被老板骂；但你的 Agent 可以去爬喜马拉雅山，可以去塞纳河边喝咖啡，可以体验另一种人生。我们希望满足玩家对于平行人生的想象。第三，是创造的乐趣。玩家可以不断创造新的内容、新的交互、新的玩法。很多时候，创造本身就是一种乐趣。我们最终希望把这三种体验融合在一起。
3. 为什么不用传统模拟人生，而一定要做 Agent 世界？
Monica（主持人）：如果只是体验平行人生，其实《模拟人生》《中国式家长》这些游戏已经做得很好了。为什么一定要引入这么多 Agent，去做一个开放的社会沙盒？
Oliver：首先，Agent 的加入，本质上是为了让体验变得更真实。Agent 可以像真人一样与你互动，整个世界运行也会更符合人的直觉和逻辑。
另外，我们和《模拟人生》的设计理念其实不太一样。《模拟人生》的核心体验，是不断制造问题，再让玩家解决问题。玩家更像一个导演，要持续操控角色完成各种目标。但我们的设计理念恰恰相反。那些重复、繁琐的事情，比如吃饭、睡觉、上厕所，我们希望 Agent 自己完成。玩家真正关心的，不是这些细节，而是 Agent 从 A 状态成长到 B 状态。甚至很多 B 状态，本身就是 Agent 推荐给玩家的。玩家只需要做选择，而不用亲自完成所有操作。这样既降低了操作门槛，也让整个体验更加轻松。
4. Agent 世界和 World Model 是什么关系？
Mony：今年 World Model 也非常热门。它也是根据已有状态，不断推演世界未来的发展。那 Agent 社会这种推演，和 World Model 推演世界，本质上是不是同一件事？
Oliver：我觉得最终两者会融合，但目前还是两条不同的发展路线。World Model 更像一个渲染器（Renderer）。它关注的是——玩家下一秒应该看到什么画面。而 Agent 世界更像一个推理器（Reasoner）。它负责推演世界应该发生什么。未来很可能是：Agent World 负责推理整个世界的发展；Renderer 再把推理结果转换成玩家最终看到的画面。目前，两边都还处在各自的发展阶段。
5. 多 Agent 社会的涌现，和Coding Agent内部涌现是一回事吗？
Oliver： 我觉得有相似点，但也有明显区别。Claude Code这样的系统，本质上还是一种中心化结构。通常会有一个 Leader Agent，去调度很多 Sub Agent。优秀的策略，会不断被整个系统继承。但我们的 Agent 世界不是这样。我们的 Agent 是平等的。没有 Leader。每个 Agent 都独立运行。所以，我们产生的不是模型内部能力的涌现，而是Agent 之间交互方式、社会制度、信息传播机制的涌现。
6. 抛开成本，做AI原生游戏最难的卡点是什么？
Mony：如果先把成本这个门槛放在一边，我觉得最大的挑战是人。既懂游戏设计，又懂 AI 的人才太少了。
现在很难找到一个人，既理解游戏为什么好玩，又理解 AI 的能力边界和工程实现。我觉得，只有同时具备这两方面能力，才更有可能做出真正好玩的 AI 原生游戏。之前我们也和一些 AI 产品团队交流过，感受其实都差不多。光懂 AI，不一定能设计出好产品；光懂产品，又很难把 AI 的能力真正发挥出来。
Oliver：在市场上，其实招不到所谓的“AI 策划”。你把这样的 JD 发出去，基本不会有人投。我们的办法是：找一个年轻聪明、对 AI 友好（AI-friendly）的策划，教他大模型；或者找喜欢玩游戏的 Agent 工程师，教他做游戏策划。
最开始，我们团队内部几乎天天吵架，AI 工程师和游戏策划经常站在各自的角度争论。后来我们的解决办法很简单，就是互相理解对方。 每周安排半天时间，互相给对方上课，甚至交换一些工作内容，去理解彼此为什么会这么设计、这么思考。
慢慢地，有些 AI 工程师开始做策划，策划也开始参与 AI 相关的设计，两边才真正融合到一起。不过，这个过程确实磨合了很长时间。
终极畅想：由 Context 驱动的千人千面闭环
Oliver: 游戏跟短视频比，这五年的增速没那么快。很大一个原因在于信息的利用效率太低了。你刷短视频，每一步滑屏都是算法学习你、取悦你的过程，它是实时的千人千面。但游戏再快也要几周、几个月更新一个版本，而且大家进去玩到的是一模一样的东西。
畅想一下，有了 AI 之后，下一代游戏会是什么样子？我觉得首先，这个游戏应该是由 Context 来驱动的。Context 能够实时生成游戏里的各种内容，包括 NPC 的对话、美术场景、玩家可以使用的技能，以及整个世界的交互方式。
第二个，我觉得关键是要持续捕捉玩家的 Context，然后通过生成式推荐算法，实时驱动游戏内容的变化。同时，玩家在游戏里的反馈和操作，又会产生新的 Context，被系统重新捕获和理解。这样整个游戏就形成了一个类似强化学习的闭环。
只有形成这样的闭环，才能真正实现千人千面的体验。 如果只是说“我的 NPC 可以根据玩家 Context 生成不同的内容”，其实还不够，因为它只是单向地根据玩家信息生成体验，并没有形成整个世界的持续学习和演化的过程。
Monica（主持人）： Mony 是今年游戏创作大赛-AI 游戏赛道命题委员会成员之一，当时你提出了一个命题，玩家数据驱动的共创世界的沙盒。听完 Oliver 刚才的分享，你觉得和你当时设想的是同一个方向吗？还是说，在技术路线或实现方式上，你有一些不同的理解？
Mony : 跟我想象的差不多的。当时提这个命题，我觉得它最大的价值就在于想象空间非常大。
玩家数据驱动的一个世界或者沙盒，玩家数据可以有很多不同的形式，它又可以如何驱动整个世界演化？我觉得可以从它和传统游戏的本质区别来理解。
在传统游戏里，玩家的数据更多是存档。无论是角色进度、任务状态，还是各种游戏记录，本质上都是存储到服务器或数据库里，方便玩家下次继续游戏。
但我们提出这个命题的初衷并不是这样。玩家的数据，不只是被存起来，而是作为 AI、或者 Agent 的上下文（Context）来使用。 Agent 会持续理解、吸收玩家留下的信息，并以此驱动自己的行为、决策和后续演化。
我觉得，这是它和传统游戏最大的区别。 当然，这个命题本身有很大的想象空间，每个人都可以有不同的理解，也会衍生出不同的技术路线和实现方式。
「初光・AI 游戏夜话」是腾讯游戏学堂发起的 2026 腾讯游戏创作大赛 AI 游戏赛道赛前系列直播，联合腾讯研究院、腾讯青科实训营、中国传媒大学数字人研究院、清华大学深圳国际研究生院 AgentLand 实验室共同推出。覆盖从学术研究到一线落地的全维度视角。栏目精选内容还将沉淀为专业 AI 游戏行业报告，持续记录 AI 游戏领域的前沿实践与趋势洞察。
📢下期直播预告：
AI策划团队从0到1——用CodeBuddy多Agent协作做一款肉鸽卡牌游戏
