AI可能比想象中的更深入游戏行业……

一

几年热潮下来，AI好像还是做不了大秘书，只能做一个小实习生。

所有问题都可以归因到一点：大模型现在还没想象中的那么聪明。

这两天聊了圈AI怎么参与游戏开发，聊到一个意料之外的方向：AI怎么参与最基础的游戏数据工作。

为什么说看到AI参与游戏数据，意料之外？因为这个领域事关两个变化。

一是AI渗透度，游戏数据+AI就像一个窗口，能观察到AI落地游戏行业的进程。

二是AI和企业的关系：AI是否不再是个人试试的小玩具，而是到了企业级，真撼动了行业多年的开发习惯。

渗透愈深，撼动越猛，意味着很多流程要变。

大家对AI做数据的许愿是什么？

AI能跟个超级秘书一样，一秒处理海量玩家数据，另一头给到产品的分析指导。

如果一个行业的地基都能接上AI，那真是自下往上地改变行业习惯。

不少人觉得游戏吃创意，这有啥用。

关键要看它在长期所能释放的人力精力和成本。

如果你身处要从零敲游戏代码的时代，也不会嘲笑第一个搭3D游戏引擎的约翰·卡马克。

盘了一圈，真不少了，做这件事的人。

最早能追溯到2017年的网易雷火伏羲，他们那时就在用AI研究用户数据，还出了好几个应用。

近一些，字节的火山引擎、之前专门做游戏行业数据的数数科技，大家在去年一起默契地推出「Data+AI」的概念。

据说投资人这两年也催得紧，要投资对象赶紧把AI落地。

但大好事肯定没那么好搞定。

一阵热度后，许愿不灵，大秘书在游戏数据这块好像没大家想象中的那么好使。

实测下来，AI做基础数据有两件事难搞。

第一，市面上的大模型仍以大语言模型为主，都是看文本的，他们处理数据没预期那么厉害。

第二，大部分模型是通用类，它们做不来太专业的东西，和黄磊做饭一样，样样通样样松。

结果是，AI上岗游戏数据，平均也就20-30%的正确率。

大家都很忙，没功夫慢慢给AI查错，错上一次两次就受不了了，不如自己上手做。

不过，AI领域有句话：每个人都想确保在浪潮来的一瞬间自己站在第一排。

意味着，AI做基础数据还有空位，就看谁能在第一时间接住。

所以大秘书做不成，大家也没开了它，先给他做小实习生做做。

做好准备，静待它脑子变聪明的那个时刻。

二

有必要这么早做准备吗？先说引入AI做游戏数据，能改变什么。

以前，大家做数据是从一个工具到另一个工具，找中台拉数据，塞excel拉表，拖到程序写SQL分析……

而引入AI后，变化分别体现在「工具」和「交互」。

这是一个不同于个人的，企业级变化——

所有工具，会合并到一处，打通数据，变成一个超级中台，几乎一切工作都能在这里实现。

而交互，不用写代码，甚至不用图表点拽，就像和助手对话一样跟AI说想法就好。

变化堪比七八十年代的交互革命，电脑从敲命令行的时代，一下迈入点击拖拽图标的图形时代。

关键AI做事不是黑盒，像DeepSeek思考栏一样，它一步步做什么都一清二楚，沟通纠正起来也清晰。

于是，AI的价值出来了：一个AI能衔接起所有步骤，甚至像一个大脑一样，串起整个团队的人。

这是AI带给企业的一体性。

唯一的问题在于，AI能不能识别人的意图，然后把想法执行出来。

所以大家都在做什么准备？

翻一圈总结下，现在推AI参与游戏数据，大致分两派，一派做技术，一派做应用。

技术派主张「更聪明的大脑」。

他们提升大模型质量，砸资源抢人，做研究，写paper，努力赶上全球一线的AI水平。

推出toB的应用，更像大模型向市场延展的触须，在研究之余，快速在市场找到验证场景。

像字节火山引擎背靠的Seed，以及腾讯AI Lab后面的混元，都算代表案例。

这个暂时按下不表，毕竟是和全球大模型赛跑，比科技的前沿度。技术的事，没个准数。

应用派则主张「更优质的教材」。

这一派研究AI怎么落地，既然现在大模型日新月异，赶又赶不上第一梯队，那不如做好接机准备——

这边把「怎么做游戏数据」写个指南，标准化，再做个开放接口，谁聪明就接谁，AI一进来就能直接工作。

像网易雷火伏羲的中台，以及数数科技的数据引擎，做的便是这方面工作。

用他们的话来说就是，做一个AI直通业务的桥，打通最后一公里。

不过，难点也是这最后一公里并不好接上。

三

有人问，AI不就做数据出身吗？这有啥难的。

问题在于，游戏数据不是坨等着被处理的excel，它是一套涵盖三部分的系统：数据开发、数据分析、数据治理。

• 数据开发，纯技术活，可以理解为平台维护，日常是写代码，做插件之类的工作；

• 数据分析，算研究员，平时要从数据里找到产品问题，比如能分析用户流失原因，还能提前预警；

• 数据治理，得懂产品设计，要明白怎么收集数据，要琢磨排除数据干扰的办法。

近几年厂商在乎口碑了，所以这套系统一分为二，既指产品内的行为数据，也涵盖到产品外的舆情数据。

这是一个AI如何与人造老系统相处的问题。

数据开发还好，现在AI写程序挺麻溜的，能写能查，再不济也能写个思路给到参考。

到了数据分析，开始费时费力，也是大家花比较大力气去琢磨的模块。

就像刚才说，AI要进专业领域，得给它一个教材，教材质量关系到AI的可靠度。

现在分两种教材：一个是傻瓜版的Flow，AI跟着流程一步步做就行；一个是聪明版的Agent，教AI懂自主决策。

Flow是给AI一个严谨的工单list。游戏专家一步步做事，AI一步步学，步骤清晰，不容易出错。

不止小任务的Flow，如果好几个小Flow串一块能成大Flow，完成一个麻烦的任务链。

看着笨了点，但意味着，你可以把那些机械重复任务，丢给便宜的小模型去处理。

Agent 是教AI理解任务。AI自己找解题思路，想调什么工具也自己去找。

现在大模型还在进化，不大靠谱，所以先做个行业指南，把过去的经验做成Prompt库，做好准备。

等聪明的AI出来，接进来就不用从零费力训练，拿着指南直接干活。

现在大模型的问题是：不够聪明，随机应变不好，也不管适不适配，拿着教材硬做。

加上它做数据也没那么拿手，现阶段就是错误百出。

但等AI变聪明，不能干等。

一边等，一边得把行业经验总结成教材，做好迎接AI足够落地的时刻。

数据分析的教材准备如何，现在拼谁离业务最近，看谁能调取足够多的数据去总结经验。

别看事不大，但不同团队的结构和做事方式，直接决定了教材质量——

比如网易强调AI的实用主义，但依旧存在差别，雷火伏羲有力量做主导新研究项目，互娱AI Lab更侧重业务辅助。

再如字节的火山引擎和数数科技，前者强调通用和覆盖全行业，后者则侧重做垂类，在游戏这条线做了十年。

所以，如何准备，同样是考验人的阶段。

四

至于数据治理，它遇到的问题最大，说是人类从草台爬进AI时脚上戴着的桎梏，也不为过。

人为，是最大的阻碍。

不管是埋点埋哪里，还是命名叫什么，过去都是很人为的事，和写代码随便命名还不写注释一样。

人为因素越大，人都不一定看得明白，AI更费劲了。

说一个大家做AI测试真遇到过的情况：数据表格不统一。

你让AI分析上个季度三个版本的付费，结果调出来数据怎么都不对，一查发现，三个版本埋点的命名不一样。

人家AI找付费表格，结果12月的叫「Payment」，11月「Pay.11」，10月「FUFEI10」，一个都调不出来。

那所有数据管理标准化不就得了？还真不好做。

你说的付费和DAU好做标准，但国内基本都是做长线，每个版本东西都不一样，怎么标准化？

至少目前没有统一标准。

现在数据治理比较顺利的场景也有。

一个是「无菌实验」。

去年，数数科技想做AI，拉上游戏厂商做了两三周的测试，AI的准确率从20%提到88%。

但就像把无菌实验室的活搬到大院里做一样，没那么简单。

在实验环境下，数据简单，可能就这么几个版本的数据要治理，好解决。

可一搁大院里，环境变了，数据杂质多，一下就变得很不可控。

不过思路挺好：或许无菌实验室，能扩建成一个无菌大工厂呢？排除人为的脏乱差。

另一个是「单一场景」。

某上海中大厂的中台给我举过例子。

如果我手里只负责舆情的客服，加上公司项目不多，用户类型相似，那要治理的数据就简单多了。

打个比方，原本玩家反馈问题就是填个框，再上传个图片就得了。

可我要用AI参与的话，就要拉成一层层拆解的问题——

你要反馈的问题，是游戏卡死？是进度卡关？是充值失败？再往下拆三四个小选项栏，做好数据分类。

你上传的图片，是截了订单页面？还是游戏截图？这决定了AI识别图片的办法。

思路是，与其让AI直接接手复杂的人为信息，可以先让人来预处理成AI好理解的数据。

或许有别的路子，但这两个案例已经指出了，两种游戏开发如何与AI相处的逻辑。

首先你懂不懂业务？只有懂，才能一层层拆清楚业务，和AI聊处理思路，而不是一股脑地丢过去。

其次你了不了解模型？比如读截图，看个订单号大可以调小模型，分析游戏截图再用高级模型。

这关系到实用和成本两件大事。

据说，有团队打算让AI也参与到数据治理，AI给一轮梳理尝试，专家纠正一轮，如此往复，两头互勉。

如果顺利的话，AI能和项目一起搭一套治理数据的标准出来。

数据治理妥了，才能给AI搭一个够好的工作环境，后面的数据分析，乃至更上层的工作也才靠谱。

五

等模型，缺环境，两个问题叠一块，让AI做游戏数据一下放缓了脚步。

但不代表现在完全是等待状态，成果也是有的。

游戏数据+AI有两个概念：Data+AI，AI+Data。

Data+AI，是老流程加点AI赋赋能，属于人才引进，来点新鲜血液加活力。

刚提到数据三个模块所遇到的问题，就是典型的新老冲突，反复磨合。

AI+Data是以AI做基础，完全是AI-Native，整个流程都建立在AI上。

意思是，既然现在AI在某些地方很牛了，那与其硬凹它不擅长的地方，为什么不直接用它很牛的部分来落地呢？

相比行为数据，舆情数据就是那个能在AI-Native试水的方向。

前段时间和数数科技那边聊，他们就在做这块，而且当下效果确实比把AI用到数据分析来得实在。

舆情数据，是刚需，但不好做的需求。

市场和运营要看社区，要么靠人肉看，等平台出数据，要么只能爬出一些比较片面的关键词。

有条件的用算法搓一个系统，但项目多变，算法没那么灵活，匹配不同项目时，得各种修改算法。

那时数数也做过舆情系统，后来停了，一来难维护，二来那时候大家也不怎么看重舆情。

最近市场慢慢重视起社区反馈，他们重启舆情，但没用老一套，而是完全在AI上重做了一个。

LLM大语言模型和舆情完全是两口子，本来社区都是文本数据，舆情要的分析也只需大致归纳和呈现。

而且LLM比传统算法灵活太多，能看懂黑话，懂口语表达，不会卡死在某个关键词。

你可以理解为，舆情系统之前很难成立，但靠AI获成了真能落地且被实用的项目。

这个选择，是与其在老路拥抱AI，不如先跟着AI走新路。

六

谁也不知道AI的第一波浪潮什么时候会袭来游戏行业。

但敏锐的人都在做着准备。

保持敏感度，是数数那边现在的策略，据说现在公司要求所有员工都要用上AI，要熟悉和AI的对话方式。

连和数据比较远的市场岗，也建议了每个月要消耗的Token数量，不管用啥都好，至少得让AI参与进来。

深度参与业务，是网易做AI的策略，雷火和互娱两个工作室都深度参与到各自事业群的项目里面。

除了自己研究paper外，不少研究人员得像项目组成员一样，跟着项目跑。

每一个人都不能掉队，但这股浪潮也需要每一个人都做好准备，一起向前推。

AI参与基建，做底层的游戏数据，可能不是最性感的AI用法，听起来就不够高大上。

但就像朴实地拿出高性能、低价格算力Rubin平台的黄仁勋一样。

朴实无华的自下而上变革，或许才是迎接改革最有力的准备。