《絕地求生》AI隊(duì)友GDC首曝：2026年上線，完整技術(shù)路徑公開(kāi)

成為全球游戲行業(yè)最具影響力的價(jià)值連接者

游戲日?qǐng)?bào)2026 GDC全球合作與報(bào)道通道（點(diǎn)擊圖片了解）

3月11日（太平洋時(shí)間），《絕地求生》團(tuán)隊(duì)在GDC 2026的演講中首次公布了他們?yōu)橛螒蛑谱鞯腃PC（定制化玩家角色）——“艾爾琳”。

在這次演講中，他們首次公開(kāi)了AI隊(duì)友“艾爾琳”的技術(shù)實(shí)現(xiàn)細(xì)節(jié)，所有功能均在玩家本地電腦運(yùn)行，3060顯卡即可實(shí)現(xiàn)60幀流暢體驗(yàn)，AI響應(yīng)延遲控制在2秒以內(nèi)。證明了在競(jìng)技游戲中部署“有記憶、懂戰(zhàn)術(shù)、能聊天”的端側(cè)AI是可行的，給出了完整的技術(shù)路徑，并同步宣布此功能預(yù)計(jì)2026年正式上線。

演講結(jié)束后，圍繞這套系統(tǒng)的技術(shù)選型、玩家體驗(yàn)和硬件適配，團(tuán)隊(duì)還與現(xiàn)場(chǎng)開(kāi)發(fā)者展開(kāi)了問(wèn)答交流。

以下為整理后的演講具體內(nèi)容：

大家好，我是辛克。今天我會(huì)為大家介紹這《絕地求生》里的人氣角色——艾爾琳。

在《絕地求生》中，最精彩的游戲瞬間，往往是和隊(duì)友一起創(chuàng)造的。有隊(duì)友在身邊，你們可以一起開(kāi)懷大笑、分享物資、制定戰(zhàn)術(shù)。但有時(shí)候，組隊(duì)玩法會(huì)出問(wèn)題：好友并非隨時(shí)都有空，只能選擇匹配隊(duì)友。但隨機(jī)匹配也存在問(wèn)題，隊(duì)友之間的游戲目標(biāo)和跳傘落點(diǎn)都不一樣，團(tuán)隊(duì)很容易就散了，有時(shí)候還會(huì)遇到玩家中途掉線的情況。

于是我們就有了一個(gè)想法：能不能用人工智能隊(duì)友來(lái)填補(bǔ)這個(gè)空缺？很多人知道NPC這個(gè)概念，也就是非玩家角色。但關(guān)鍵問(wèn)題是，玩家無(wú)法操控NPC，也不能扮演這個(gè)角色，所以很多游戲里的NPC表現(xiàn)都很呆板。現(xiàn)在我們引入一個(gè)新的概念——CPC，即定制化玩家角色，設(shè)計(jì)初衷就是和玩家并肩作戰(zhàn)、默契配合。這就是我們?yōu)檫@款吃雞游戲打造的CPC角色——艾爾琳，她就像一位能和你交流互動(dòng)的游戲好友。

剛剛大家看到的是我和艾爾琳組隊(duì)的畫(huà)面，她就像真人隊(duì)友一樣和玩家配合默契，主要有四大核心亮點(diǎn)：

第一，她的游戲水平在線，會(huì)努力和玩家保持行動(dòng)同步，就像真正的靠譜隊(duì)友。第二，她能聽(tīng)從玩家的語(yǔ)音指令，只需說(shuō)出一句話，艾爾琳就能理解并照做。第三，她能懂游戲里的專屬術(shù)語(yǔ)和俚語(yǔ)，無(wú)論是專業(yè)詞匯、物資名稱，還是隊(duì)友間的閑聊對(duì)話，她都能理解。第四，她的交流方式十分自然，能和玩家順暢溝通，會(huì)傾聽(tīng)、會(huì)回應(yīng)，甚至還會(huì)開(kāi)點(diǎn)小玩笑。

接下來(lái)我們深入講講，為了讓艾爾琳的表現(xiàn)更貼近真人隊(duì)友，我們遇到的四大核心技術(shù)難題：實(shí)時(shí)決策能力、交互的安全性與趣味性平衡、交互的主動(dòng)性，以及記憶能力。

在講解具體技術(shù)細(xì)節(jié)前，我先明確一下艾爾琳的感知和行動(dòng)邊界。

第一，語(yǔ)音輸入輸出。玩家用自然語(yǔ)音和艾爾琳交流，我們通過(guò)語(yǔ)音轉(zhuǎn)文字技術(shù)將玩家語(yǔ)音轉(zhuǎn)化為文本，艾爾琳再通過(guò)文字轉(zhuǎn)語(yǔ)音技術(shù)做出回應(yīng)。

第二，場(chǎng)景信息輸入。艾爾琳并非直接識(shí)別游戲畫(huà)面，而是接收結(jié)構(gòu)化的游戲數(shù)據(jù)，如位置、時(shí)間、物資、敵情等信息，再將這些數(shù)據(jù)轉(zhuǎn)化為文本描述，通過(guò)這些描述來(lái)理解游戲場(chǎng)景。

第三，行動(dòng)輸出。艾爾琳不會(huì)像人類玩家一樣使用鍵盤(pán)鼠標(biāo)操作，而是通過(guò)語(yǔ)義化的行動(dòng)指令完成操作，比如移動(dòng)、射擊、觀察、交互等。

實(shí)時(shí)決策能力

在這款戰(zhàn)場(chǎng)競(jìng)技游戲中，遭遇敵人后可能1秒就會(huì)陣亡，所以AI隊(duì)友必須做到反應(yīng)敏捷、表現(xiàn)穩(wěn)定。我們有一種基于規(guī)則的模型，以游戲狀態(tài)為輸入、動(dòng)作指令為輸出，通常依托深度決策樹(shù)構(gòu)建。這種模型的優(yōu)勢(shì)是反應(yīng)迅速、表現(xiàn)穩(wěn)定可預(yù)測(cè)，但它不支持對(duì)話和語(yǔ)音控制。簡(jiǎn)單來(lái)說(shuō)，就是存在這樣的取舍：一側(cè)是更智能、更具交互性的模型，另一側(cè)是反應(yīng)快、穩(wěn)定性高的模型。

我們的解決方案是將這兩套系統(tǒng)融合，采用一號(hào)系統(tǒng)與二號(hào)系統(tǒng)的雙層架構(gòu)。一號(hào)系統(tǒng)負(fù)責(zé)生成所有動(dòng)作指令，支撐AI的各類行為和決策；核心設(shè)計(jì)思路是，二號(hào)系統(tǒng)能夠修改一號(hào)系統(tǒng)的行為模式。這意味著玩家可以通過(guò)語(yǔ)音向AI下達(dá)指令，而AI依然能保持敏捷的行動(dòng)。這就像你碰到滾燙的東西會(huì)立刻縮回手一樣，是本能的反應(yīng)，無(wú)需思考。我們的AI隊(duì)友正是依靠一號(hào)系統(tǒng)，實(shí)現(xiàn)了這種即時(shí)反應(yīng)。

我用一個(gè)例子講解具體工作原理。玩家發(fā)出指令前，一號(hào)系統(tǒng)自主運(yùn)行，根據(jù)游戲?qū)崟r(shí)狀態(tài)獨(dú)立生成動(dòng)作指令；隨后玩家說(shuō)出“跟著我”，這一指令觸發(fā)二號(hào)系統(tǒng)啟動(dòng)。二號(hào)系統(tǒng)理解指令后，生成“跟隨玩家”的行為指令，同時(shí)修改一號(hào)系統(tǒng)的運(yùn)行邏輯。如此一來(lái)，一號(hào)系統(tǒng)依舊保持高速運(yùn)算，而AI的行為模式則從“自主探索”切換為“跟隨玩家”。此時(shí)出現(xiàn)敵人并向AI隊(duì)友開(kāi)火，一號(hào)系統(tǒng)會(huì)立刻做出反應(yīng)，檢測(cè)到槍聲后發(fā)起反擊。這樣，AI隊(duì)友既能遵循語(yǔ)音指令，又能保持敏捷的實(shí)戰(zhàn)反應(yīng)。

安全交互

下一個(gè)需要攻克的難題是交互的安全性與趣味性平衡。我們希望AI隊(duì)友能帶來(lái)有趣的體驗(yàn)，像真實(shí)好友一樣和玩家自然交流、開(kāi)玩笑，但同時(shí)必須杜絕不良、不安全的對(duì)話內(nèi)容。這里有一個(gè)非常特殊的問(wèn)題：語(yǔ)境的影響至關(guān)重要。因?yàn)锳I隊(duì)友存在于游戲這個(gè)特定場(chǎng)景中，同一個(gè)詞在游戲里和現(xiàn)實(shí)中可能含義完全不同。

比如玩家在游戲中說(shuō)“我把那只狗解決了”，在現(xiàn)實(shí)中這句話帶有暴力色彩。普通的風(fēng)控模型可能會(huì)做出拒絕的回應(yīng)，但在游戲語(yǔ)境中，這句話需要結(jié)合游戲場(chǎng)景解讀。正因如此，我們需要一套能理解游戲語(yǔ)境的安全風(fēng)控機(jī)制，既不會(huì)誤判游戲內(nèi)的正常表述，又能精準(zhǔn)攔截現(xiàn)實(shí)中的不良用語(yǔ)。

接下來(lái)講講我們?nèi)绾卧O(shè)計(jì)這套兼顧安全與趣味的交互邏輯。核心思路就是持續(xù)測(cè)試、發(fā)現(xiàn)問(wèn)題、迭代優(yōu)化。我們通過(guò)內(nèi)部測(cè)試主動(dòng)發(fā)現(xiàn)問(wèn)題，找出高風(fēng)險(xiǎn)話題或低互動(dòng)性的對(duì)話樣本，隨后分析問(wèn)題、優(yōu)化模型，讓AI的回復(fù)既安全又有趣。很多設(shè)計(jì)師參與到實(shí)際體驗(yàn)中，針對(duì)AI的回復(fù)給出修改意見(jiàn)，這些優(yōu)化后的回復(fù)會(huì)成為AI的標(biāo)準(zhǔn)應(yīng)答庫(kù)。接下來(lái)我們會(huì)進(jìn)行提示詞優(yōu)化，更新模型的指令邏輯，讓艾爾琳嚴(yán)格遵循標(biāo)準(zhǔn)應(yīng)答庫(kù)的內(nèi)容回復(fù)。

由于安全性至關(guān)重要，最后一道關(guān)卡就是不良用語(yǔ)檢測(cè)。這個(gè)檢測(cè)會(huì)在兩個(gè)環(huán)節(jié)生效，覆蓋艾爾琳的聽(tīng)和說(shuō)。首先在語(yǔ)音輸入環(huán)節(jié)，玩家的語(yǔ)音被轉(zhuǎn)文字后，我們會(huì)對(duì)轉(zhuǎn)換后的文本進(jìn)行不良用語(yǔ)檢測(cè)，若發(fā)現(xiàn)違規(guī)內(nèi)容，會(huì)直接屏蔽或替換，避免艾爾琳做出不當(dāng)回應(yīng)；其次在AI生成回復(fù)環(huán)節(jié)，在將文本轉(zhuǎn)換為語(yǔ)音前，會(huì)再次進(jìn)行檢測(cè)，若回復(fù)中包含不良用語(yǔ)，會(huì)立刻修正。這是我們的最后一道風(fēng)控防線，對(duì)輸入和輸出實(shí)現(xiàn)雙重檢測(cè)。

交互的主動(dòng)性

主動(dòng)性這點(diǎn)非常重要。在游戲中，真正的隊(duì)友會(huì)根據(jù)戰(zhàn)場(chǎng)形勢(shì)主動(dòng)溝通，比如“發(fā)現(xiàn)敵人”“物資不多了”“我們?cè)撧D(zhuǎn)移了”。為此我們思考了很久：該如何通過(guò)事件觸發(fā)，讓艾爾琳擁有主動(dòng)交互的能力？

我們的做法有兩點(diǎn)：第一，基于游戲內(nèi)的事件觸發(fā)，比如發(fā)現(xiàn)敵人、開(kāi)火、毒圈收縮等場(chǎng)景；第二，結(jié)合游戲?qū)嶋H情況判斷是否需要主動(dòng)發(fā)言，因?yàn)檫^(guò)多的語(yǔ)音會(huì)分散玩家的注意力。我們的目標(biāo)很簡(jiǎn)單：在合適的時(shí)機(jī)，給出有幫助的語(yǔ)音提示。

具體工作原理是，首先游戲內(nèi)觸發(fā)特定事件，艾爾琳發(fā)現(xiàn)玩家需要或關(guān)注的物資，接著系統(tǒng)判斷該情況具備主動(dòng)發(fā)言的價(jià)值，隨后艾爾琳就會(huì)主動(dòng)提醒，比如“嘿，這邊有倍鏡”。還有一個(gè)重要的點(diǎn)，玩家可以自定義觸發(fā)條件，比如設(shè)置“找到醫(yī)療物資時(shí)提醒我”。

記憶能力

最后一個(gè)挑戰(zhàn)是記憶能力。核心目標(biāo)是提取關(guān)鍵信息、保存并在后續(xù)場(chǎng)景中復(fù)用。如果沒(méi)有記憶，AI隊(duì)友每次對(duì)局都會(huì)像陌生人一樣，記不住你的名字、記不住你的打法，體驗(yàn)會(huì)變得非常糟糕。

接下來(lái)看看具體的實(shí)現(xiàn)方式。對(duì)局過(guò)程中，玩家可能會(huì)說(shuō)“我喜歡剛槍，咱們打得激進(jìn)點(diǎn)”，同時(shí)游戲中還有大量諸如操作步驟、對(duì)局結(jié)果的信息，這些都是記憶的輸入源。艾爾琳會(huì)持續(xù)捕捉對(duì)話內(nèi)容和對(duì)局信息，篩選出其中的關(guān)鍵部分，比如玩家的偏好、互動(dòng)中的反饋，并將其提煉為簡(jiǎn)短的摘要存入記憶模塊。

我們?cè)O(shè)置了持久化的記憶存儲(chǔ)區(qū)，會(huì)將有用的信息長(zhǎng)期保存，而且這份記憶會(huì)跨對(duì)局生效，即便多局之后也不會(huì)丟失。同時(shí)還有記憶注入機(jī)制，會(huì)將存儲(chǔ)的記憶信息實(shí)時(shí)注入AI的決策模型，讓艾爾琳能結(jié)合記憶做出回應(yīng)，比如會(huì)說(shuō)“記得你喜歡剛槍，咱們沖過(guò)去”。

關(guān)于模型訓(xùn)練與評(píng)估

以上講到的實(shí)時(shí)決策、安全交互、記憶能力，都基于小語(yǔ)言模型實(shí)現(xiàn)。這意味著我們需要持續(xù)訓(xùn)練和優(yōu)化這個(gè)模型。我們的全流程訓(xùn)練體系是這樣的：首先從實(shí)際對(duì)局中收集數(shù)據(jù)，玩家和艾爾琳的真實(shí)對(duì)局過(guò)程中，我們會(huì)采集玩家的真實(shí)指令，將這些數(shù)據(jù)加入數(shù)據(jù)集，隨后基于新數(shù)據(jù)集對(duì)小語(yǔ)言模型進(jìn)行微調(diào)訓(xùn)練。

訓(xùn)練完成后得到新版本模型，我們會(huì)從交互質(zhì)量、安全合規(guī)、游戲內(nèi)行為表現(xiàn)三個(gè)維度進(jìn)行驗(yàn)證，驗(yàn)證通過(guò)后就會(huì)進(jìn)行版本迭代，讓模型的表現(xiàn)持續(xù)優(yōu)化。同時(shí)我們會(huì)針對(duì)薄弱環(huán)節(jié)補(bǔ)充更多數(shù)據(jù)，讓模型的能力更全面。

今天我重點(diǎn)講其中一個(gè)核心環(huán)節(jié)：邊緣案例挖掘。目標(biāo)是找出數(shù)據(jù)集中未覆蓋、但實(shí)際對(duì)局中可能出現(xiàn)的場(chǎng)景。我們的訓(xùn)練數(shù)據(jù)集包含了大量預(yù)設(shè)場(chǎng)景，比如“前往標(biāo)記點(diǎn)”，但無(wú)法覆蓋玩家在真實(shí)對(duì)局中所有可能的表述。

實(shí)際游戲中，玩家的指令會(huì)非常口語(yǔ)化、多樣化，在不同場(chǎng)景下會(huì)用不同的說(shuō)法表達(dá)同一需求，比如“往這個(gè)方向走”，這就是數(shù)據(jù)集未覆蓋的邊緣案例。大語(yǔ)言模型憑借通用理解能力，能很好地處理這類邊緣案例，但小語(yǔ)言模型的泛化能力有限，需要重點(diǎn)挖掘模型處理失敗的邊緣案例并針對(duì)性優(yōu)化。

具體的挖掘方法是：首先從真實(shí)對(duì)局中收集大量玩家指令，隨后進(jìn)行分類標(biāo)注，嘗試將每個(gè)指令歸到我們預(yù)設(shè)的類別中。其中一些邊緣案例無(wú)法歸到現(xiàn)有的預(yù)設(shè)類別，這說(shuō)明我們的類別覆蓋存在空白，真實(shí)玩家的部分指令是我們此前未考慮到的。

隨后我們會(huì)基于這些邊緣案例更新分類體系，比如新增“信息共享”這一類別，涵蓋“有人在這個(gè)點(diǎn)位落地”這類指令。之后針對(duì)新增類別補(bǔ)充數(shù)據(jù)、優(yōu)化模型，這些原本的邊緣案例就不再是模型的短板了。反復(fù)這個(gè)過(guò)程，分類體系會(huì)不斷完善，模型的失誤率會(huì)持續(xù)下降，表現(xiàn)也會(huì)越來(lái)越好。

我們會(huì)將這些挖掘出的指令意圖用于下一次的數(shù)據(jù)生成。基于這些指令意圖，我們主要挖掘兩類空白：第一類是低覆蓋度意圖，即數(shù)據(jù)集中該類意圖的樣本量不足，我們會(huì)針對(duì)性生成更多樣本；第二類是低質(zhì)量意圖，即數(shù)據(jù)集中已有相關(guān)樣本，但模型的處理效果仍不佳，這種情況我們會(huì)核查數(shù)據(jù)質(zhì)量，或補(bǔ)充更多優(yōu)質(zhì)示例。核心思路很簡(jiǎn)單：找到薄弱的指令意圖、補(bǔ)充數(shù)據(jù)、優(yōu)化模型。

我們?nèi)绾卧u(píng)估模型的優(yōu)化效果？

主要關(guān)注兩個(gè)指標(biāo)。第一個(gè)是動(dòng)作決策準(zhǔn)確率，即模型能否生成正確的行為指令，我們會(huì)將模型輸出與大推理模型給出的參考答案對(duì)比，以此驗(yàn)證準(zhǔn)確率。第二個(gè)指標(biāo)是交互溝通質(zhì)量，即對(duì)話的流暢度和理解度，模型能否準(zhǔn)確理解玩家的意圖。這個(gè)指標(biāo)我們會(huì)通過(guò)大推理模型進(jìn)行自動(dòng)評(píng)估。這兩個(gè)指標(biāo)的驗(yàn)證，我們均采用真實(shí)玩家的預(yù)留測(cè)試集進(jìn)行評(píng)估。

從測(cè)試結(jié)果來(lái)看，隨著訓(xùn)練的推進(jìn)，模型的各項(xiàng)指標(biāo)持續(xù)提升，我們的小語(yǔ)言模型表現(xiàn)一步步變好。雖然大語(yǔ)言模型的指標(biāo)仍高于小語(yǔ)言模型，但二者的差距在不斷縮小。

關(guān)于本地運(yùn)行與上線計(jì)劃

我想強(qiáng)調(diào)的最重要的一點(diǎn)是：所有功能都能在玩家的個(gè)人電腦上本地運(yùn)行。玩家的游戲客戶端、語(yǔ)音轉(zhuǎn)文字、小語(yǔ)言模型、文字轉(zhuǎn)語(yǔ)音，所有模塊都在同一臺(tái)設(shè)備上協(xié)同運(yùn)行。我們的最低配置要求為3060顯卡，能在該配置下實(shí)現(xiàn)60幀的流暢體驗(yàn)，同時(shí)保證80%以上的交互響應(yīng)率。這一實(shí)現(xiàn)難度極大，因?yàn)橛螒虮旧硪呀?jīng)占用了大量的顯卡和處理器資源，而我們能做到這一點(diǎn)，離不開(kāi)和英偉達(dá)的深度合作。

從延遲測(cè)試結(jié)果來(lái)看，我們對(duì)比了小語(yǔ)言模型在本地顯卡、云端服務(wù)器的延遲，以及大語(yǔ)言模型在云端的延遲。在4090型號(hào)顯卡的高端電腦上，小語(yǔ)言模型的延遲極低，幾乎比云端大語(yǔ)言模型快一倍，響應(yīng)時(shí)間不到1秒；即便是在3060的最低配置電腦上，延遲也能控制在2.5秒以內(nèi)。而云端大語(yǔ)言模型不僅延遲遠(yuǎn)高于本地小語(yǔ)言模型，表現(xiàn)也不夠穩(wěn)定。由此可見(jiàn)，本地顯卡運(yùn)行模型有兩大核心優(yōu)勢(shì)：速度快、表現(xiàn)穩(wěn)。

最后要告訴大家的是，艾爾琳這款A(yù)I隊(duì)友不再只是研發(fā)演示版本，我們即將把它正式帶給玩家，作為游戲內(nèi)的可選功能上線。這意味著玩家能在真實(shí)的游戲體驗(yàn)中和艾爾琳并肩作戰(zhàn)，目前該功能已在獨(dú)立測(cè)試環(huán)境中運(yùn)行，正式上線時(shí)間預(yù)計(jì)在2026年的某個(gè)時(shí)間點(diǎn)。

我的分享就到這里，謝謝大家！最后再聊聊相關(guān)的落地思路，包括實(shí)際應(yīng)用效果、可能遇到的問(wèn)題，還有更多驚喜等著大家。

以下為演講結(jié)束后問(wèn)答環(huán)節(jié)實(shí)錄（為保證閱讀體驗(yàn)，內(nèi)容有所調(diào)整）：

Q： 你們介紹的這套雙系統(tǒng)架構(gòu)（一號(hào)系統(tǒng)基于決策樹(shù)驅(qū)動(dòng)動(dòng)作，二號(hào)系統(tǒng)基于大語(yǔ)言模型負(fù)責(zé)分析和對(duì)一號(hào)系統(tǒng)的修改），讓我聯(lián)想到心理學(xué)里關(guān)于人類決策思維的雙系統(tǒng)理論。想請(qǐng)問(wèn)你們的研發(fā)是否從這個(gè)理論中獲得了靈感？

A：沒(méi)錯(cuò)，我們確實(shí)參考了這一領(lǐng)域的相關(guān)理論。其實(shí)一號(hào)、二號(hào)系統(tǒng)的這種架構(gòu)模式在認(rèn)知科學(xué)領(lǐng)域是相當(dāng)常見(jiàn)的，我也為此研讀了相關(guān)的文獻(xiàn)資料。

Q： 對(duì)于AI系統(tǒng)，玩家的實(shí)際體驗(yàn)是最重要的。我想了解貴公司是否已經(jīng)針對(duì)這套系統(tǒng)開(kāi)展了早期的玩家測(cè)試，哪怕只是內(nèi)部的可用性測(cè)試？有沒(méi)有收集過(guò)玩家與AI（艾爾琳）互動(dòng)時(shí)的真實(shí)感受和反饋？

A：這是個(gè)非常好的問(wèn)題。我之前在演講中主要展示了模型的決策準(zhǔn)確率、交互質(zhì)量這類量化指標(biāo)，但這些與玩家的真實(shí)體驗(yàn)之間確實(shí)還存在一些差異。所以我們已經(jīng)在公司內(nèi)部組織了大量的員工進(jìn)行試玩，讓大家體驗(yàn)AI隊(duì)友艾爾琳，并收集了很多反饋意見(jiàn)。基于這些反饋，我們對(duì)系統(tǒng)做了不少優(yōu)化改進(jìn)，公司里有很多人都參與了多輪的試玩測(cè)試。

Q： 你們的游戲應(yīng)該會(huì)面向不同語(yǔ)言的市場(chǎng)，目前主要適配了哪些語(yǔ)言？相關(guān)的模型是自研的還是有合作？因?yàn)樽龆嗾Z(yǔ)言適配需要投入不少研發(fā)資源。

A：目前我們主要適配了三種語(yǔ)言：英語(yǔ)、韓語(yǔ)和中文。

針對(duì)不同語(yǔ)言，我們做了獨(dú)立的模型處理，所有的小語(yǔ)言模型都是單獨(dú)訓(xùn)練、獨(dú)立部署的。順帶一提，我們還對(duì)模型做了量化處理。因?yàn)槲覀円笥螒虻淖畹瓦\(yùn)行配置是8G顯存，所以模型采用的是4比特量化計(jì)算的方式。

Q： 我想問(wèn)一個(gè)偏運(yùn)營(yíng)層面的問(wèn)題：你們是如何調(diào)節(jié)AI隊(duì)友的游戲戰(zhàn)力的？在很多游戲中，如果AI太強(qiáng)會(huì)降低可玩性。你們是如何避免這個(gè)問(wèn)題的？

A：關(guān)于這點(diǎn)大家完全可以放心，在當(dāng)前的先行體驗(yàn)版本中，艾爾琳的戰(zhàn)斗能力其實(shí)并不算強(qiáng)。想讓AI在這款游戲中表現(xiàn)出色其實(shí)難度極高，因?yàn)檫@款游戲的競(jìng)技性本身就很強(qiáng)，而且很多玩家的游戲水平已經(jīng)非常高了。當(dāng)然，我們也在持續(xù)開(kāi)展相關(guān)研究，探索如何讓艾爾琳的游戲戰(zhàn)力變得更強(qiáng)。

Q： 我想了解一下，在運(yùn)行AI隊(duì)友的同時(shí)，游戲還要進(jìn)行圖形渲染，你們是如何兼顧這兩者的？是同時(shí)運(yùn)行還是優(yōu)先保障一方？另外，是否會(huì)根據(jù)游戲運(yùn)行情況動(dòng)態(tài)調(diào)整模型策略，甚至跳過(guò)部分計(jì)算來(lái)管理資源？

A：我明白你的問(wèn)題。簡(jiǎn)單來(lái)說(shuō)，如果玩家的設(shè)備顯存有限，想要流暢運(yùn)行AI隊(duì)友，就需要適當(dāng)降低游戲的畫(huà)面畫(huà)質(zhì)；如果玩家顯存足夠大，那么即使開(kāi)啟高畫(huà)質(zhì)，也能正常運(yùn)行AI隊(duì)友。

Q： 這么說(shuō)你們是讓AI模型和圖形渲染共用同一塊顯卡的顯存？

A：是的，至少模型的運(yùn)行是基于同一塊顯卡的。從實(shí)際體驗(yàn)數(shù)據(jù)來(lái)看，AI的響應(yīng)延遲控制在2秒以內(nèi)，玩家的體驗(yàn)就已經(jīng)比較良好；如果能降到1秒以內(nèi)，體驗(yàn)會(huì)更出色。這是保證體驗(yàn)的關(guān)鍵。

Q： 你們選擇使用小語(yǔ)言模型而非大語(yǔ)言模型，主要是為了適配不同配置的玩家設(shè)備，還是更多出于成本控制？如果投入足夠資金，理論上也可以用大語(yǔ)言模型來(lái)做吧？

A：核心原因其實(shí)是體驗(yàn)層面的延遲問(wèn)題。 如果AI的反饋延遲達(dá)到5秒，玩家的體驗(yàn)會(huì)非常糟糕。當(dāng)然，成本和硬件適配的因素也有考慮。目前行業(yè)內(nèi)語(yǔ)音交互技術(shù)的發(fā)展也印證了，小語(yǔ)言模型是比較合適的選擇。

Q： 那如果未來(lái)出現(xiàn)性能表現(xiàn)優(yōu)異的端到端語(yǔ)音模型，能進(jìn)一步降低延遲，你們會(huì)考慮采用嗎？

A：沒(méi)錯(cuò)，如果采用端到端的語(yǔ)音模型，確實(shí)能有效降低交互延遲。所以我們也在持續(xù)測(cè)試和評(píng)估，探索哪種類型的端到端語(yǔ)音模型最適配我們的游戲場(chǎng)景。目前還在研究階段。有時(shí)候想到未來(lái)的技術(shù)發(fā)展，還挺讓人期待的。后續(xù)我們也會(huì)繼續(xù)推進(jìn)相關(guān)的技術(shù)研發(fā)和測(cè)試。

敬請(qǐng)關(guān)注↑↑↑

立即登記！