一句话让AI生成游戏，是真的还是吹牛逼？

你刷到的AI游戏，可能不是游戏。

文/王丹&大田

10月22日，在Unreal Fest Shanghai 2026上，月之暗面Kimi开发者关系负责人及高级研发工程师唐飞虎，带来了主题为「眩晕瘫坐？一句话生成3A游戏 哪些是真的哪些是假的」的技术演讲。

还记得一两年前，AI掀起第一波讨论热潮时，我身边有些朋友对于「AI生成游戏」这事持怀疑态度，甚至有人说这是泡沫——能生成，不代表生成出来的东西能被称为游戏。

但如今，随着AI大模型飞速迭代，怀疑的声音逐渐变少。前不久，一项覆盖Steam近5.4万款游戏的统计显示，2024年新游中披露使用生成式AI的比例为10.9%，2025年升至19.9%，今年前7个月进一步达到30.8%。

图源Sulka Haro

毋庸置疑，AI生成在当下游戏创作中变得越来越普遍。而承载这一变化的根基，在于AI大模型能力的不断迭代。最早凭借长文本处理能力受到关注的Kimi，如今也已经在AI编程、智能体执行复杂任务等领域有了更多布局：今年7月，月之暗面发布了拥有2.8万亿参数的Kimi K3，并重点展示了长程编程、游戏及交互内容生成等能力。

这些变化对游戏行业意味着什么？唐飞虎提到，不同开发者对AI的掌握程度，正在拉开越来越大的产能差距——能接触到新模型，或是能够熟练使用模型的人，往往能花更少的时间，完成原本需要成倍工作量的创作任务。

不过，唐飞虎也表示，即便AI能大幅缩短游戏原型的开发时间，最终决定作品能否脱颖而出的，仍然是开发者对游戏玩法的理解。

以下为唐飞虎演讲内容整理，部分技术术语及口语表达经过转写与适当润色，可能与演讲者原意存在细微出入，仅供参考：

大家好，今天我想跟大家聊聊AI生成游戏的话题：一句话让AI生成游戏，到底可不可行。

这里先给大家展示几个案例。第一个，是通过UE引擎制作的视觉特效，这里的车辆会爆炸；第二个是第二个是我们团队自己搓的一个Demo；第三个是「老奶奶GTA」，可能很多人在网上刷到过相关视频；第四个是最近社媒上比较火的「小王子」作品。

左右滑动查看

这几个案例，哪些是真的？哪些是假的？哪些是一句话用AI生成的？哪些是用了一个星期、一个月做出来的？

在AI时代下，这些作品背后的工作量，变得不那么容易确定了。像现在，网上铺天盖地讨论的有两种情况：一种是今天谁又把哪个Switch游戏移植到了iPhone 上，或者是又把哪个PlayStation游戏移植到了PC上；还有一种情况，是很多独立开发者，对于把Demo视频发到社媒上，变得越来越谨慎，因为抄袭者就可能利用AI把你的玩法做完，赶在你前面把作品上架Steam，这是非常可怕的一件事情。

这些现象其实告诉我们，目前业内不同的创作者，对整个AI管线的掌控程度是参差不齐的。有些人会用到最新的模型，或者是内部模型；有些人则不屑于使用模型，或者可能他们使用模型的方法有问题，导致大家最终在产能上产程了非常大的Gap。

特别是在最近半年，这个Gap造成的差距，变得越来越明显。

前Google首席科学家 Jeff Dean，在离职之前接受采访时就提到，最近半年里，他感受到的自己最大的误判，就是他之前没有料想到，AI现在能独立运行写那么久的代码。

在我们的测试里面，AI优化GPU的Kernel（内核）算子后，已经可以连续工作数十小时。

目前整个AI行业的趋势，我觉得可以总结为几点：第一，SOTA模型变得越来越智能，最典型的例子就是最近AI解决了很多前沿的数学问题。

第二，如前面聊到的，模型迭代周期变得越来越短。我们创作相同主题的内容，可能隔两周就得更新一次，因为可能模型又更新了。

第三，之前的SOTA模型在不断被下放，变成次SOTA模型。它们的价格变得越来越便宜，对应的，有越来越多人能用得起上一代SOTA模型。这是英特尔等芯片，以及算法的不断的进步所造就的。

第四，现在AI模型能够执行越来越久的长程任务。像这次活动现场我们演示的一个Demo，就是单个AI人力连续工作四天生成的，这里面除去我们购买来的资产，剩下所有工作都是AI完成。

这个过程中，开发者大部分时间只需要下达命令，隔几个小时来检查一下，看看AI执行得有什么不对的地方。相比于传统开发模式，这显然轻松了很多。这可能也解释了为什么现在Twitter上能搜到海量的AI宝可梦、AI吸血鬼幸存者、AI自走棋游戏。几乎可以说，你能想到的所有玩法，都能在网上找到AI翻版。

第五，原先大家主要用AI生成代码，但现在AI可以直接操作软件界面，直接交付最终产物。它可以帮你做Slide、游戏。

第六，AI开发的覆盖率也在不断提升。之前大家还会讨论要不要自己手写代码，现在很多开发者则已经不去看AI写的代码了，而是去看AI最后交付的成果。

第七，AI协同的效率越来越高，这里包括一些人机协同，以及AI和AI之间的协同。

先来聊聊第一个特点：SOTA模型变得越来越智能。下图列出了比较知名的benchmark，大家可以看到，随着新benchmark被提出，AI解决问题的速度也在不断变化。

像最近新出的Blender的benchmark，它专门用来测量模型在生成3D资产方面的能力。

下图是一个叫做Agents’ Last Exam的benchmark，它可以操作Unity、Unreal、Blender、FSLeyes等各种具体的软件。

可以看到，这里面的模型性能，也是在不断变化的，Agents’ Last Exam测评模型的维度也在不断的发生变化。它现在不仅测每个模型的最高得分，还会评估不同模型组合之后，执行任务花费的总价。

除此之外，其实还有非常多的长程任务案例，包括现在各种AI for Science，比如让AI自己去发现定理；GitHub上有一个叫AutoResearch的开源框架，可以让AI自动进行研究和实验；还有像GPU Kernel优化、GPU编译器开发，以及Reverse Engineering（逆向工程） 等任务——比较简单的加密手段，对游戏来说可能已经没太大作用了，借助AI和逆向工程工具，别人有机会把你游戏里的资产直接解包出来。

最近PlayStation上的一些游戏，包括《战神3》，已经被网友移植到了PC 上，而且获得了更高的运行性能；还有一些Switch游戏被移植到iPhone 上，甚至还产生了一些新的交互体验。

还有一个就是CTF（Capture The Flag，网络安全竞赛）。大家最近应该也有看到，网络安全领域又出现了不少新的漏洞，有些数据库公司遭到了攻击。其中可能有不少漏洞就是借助AI挖掘出来的。Telegram之前就用K3模型发现了一些零点漏洞。

除此之外，AI 也已经被应用到芯片设计、视频剪辑等领域。

这里有一个很有意思的现象：人类觉得难的问题，对 AI 来说未必同样难。

比如优化GPU Kernel，这事对人类开发者而言可能相当复杂，相比之下，设计软件框架看起来更容易；但在 AI 眼里，前者反而更简单，因为Kernel的优化结果更容易验证——改动对不对、性能提升了多少，跑一下测试就能知道，而一个软件框架有没有深层次的设计问题，可能要运行几天，甚至用上一段时间后才能发现。

所以，人类衡量任务难度的方式，和AI衡量任务难度的方式，可能并不相同。一个关键区别在于，任务结果能不能被迅速验证、量化。

像Kernel优化就是比较典型的例子。我们也在Kimi K3的技术报告里展示了GPU Kernel优化任务的评测结果。

还有一个明显变化，出现在算法竞赛里。去年，前沿模型与人类顶尖选手还各有胜负，而且模型往往需要专门设计的Harness来辅助。到了今年，模型在这类高难度编程题上的表现已经有了很大提升，部分任务甚至可以胜过顶尖人类选手。

比如在今年AtCoder World Tour Finals的人机表演赛中，OpenAI的智能体就取得了非常突出的成绩。大家从这张榜单也能看到，AI已经具备与顶尖选手正面竞争的能力。

我还看到过一个很有意思的ICPC区域赛案例：据说出题人会用模型辅助审题、验题，结果题目难度定得很高，参赛选手觉得不同难度的区分度不够。有人就说，GPT都能做出来，为什么人类做不出来？这个例子至少说明，模型在解决高难度算法问题方面，已经达到了相当强的水平。

更厉害的是，AI已经开始参与前沿数学研究。比如OpenAI此前公布过数学与理论计算机科学领域的十项定理进展。最近，围绕千禧年大奖难题，以及与黎曼猜想相关的问题，也出现了AI参与的重要研究成果。

AI推进问题的速度，已经远远大于人类能够应用的速度了。

而且，之前发现这十个定理，需要大模型开一个智能体集群，连续不断地工作。但现在，大家用平常订阅的ChatGPT Pro，就能在30分钟内发现这些未知的数学定理和猜想。

另一个趋势是模型迭代周期越来越短。看下图这张模型发布时间线，大家应该能感受到，前沿模型接连推出，更新节奏比过去快得多。

把模型的性能、价格放到一张图上，看它们的帕累托前沿，变化就更明显了。有的模型刚推出不久，就可能被新的模型在性能上超过，或者被价格更低、能力接近的模型替代。把不同时点的数据连起来看，前沿模型的位置变化非常快，开发者能选择的模型也越来越多。

我们也看到一些开发者会组合使用不同模型。比如，让Kimi K3这样能力较强的模型充当Master Model，负责规划、分配任务；再让Agent调用更小的模型完成具体工作。这样既能节省Token成本，也可能提高整体执行速度。

因为Token越来越便宜，最近全网的Token消耗也显著增加。以前成本高得难以持续运行的任务，现在可以反复尝试，也更容易让多个智能体协同工作。

举个例子，2022年，DeepMind在《Science》上发表AlphaCode相关论文，展示AI如何解决算法竞赛中的编程问题。那时候，为了解出一道题，系统往往需要生成、筛选大量候选答案，反复采样和测试，才能找到可用的解法。

但现在，前沿模型已经能够更直接解决不少类似问题。有时，它们还能找到原先连人类选手都没有发现过的复杂度，用更好的视角提供新解题思路。

再看AI for Science的成本。OpenAI之前公布的那十项数学与理论计算机科学研究成果，按照当时给出的估算，求解过程所消耗的Token总成本大约是2000美元，这是一笔不小的成本。

在更大规模的数学研究里，消耗就更吓人了。OpenAI曾让近100个智能体协作约50小时，先在欧拉方程正则性问题的一个变体上取得结果，随后又推进到纳维–斯托克斯这一千禧年大奖难题。根据他们公布的数据，仅纳维–斯托克斯相关研究，就涉及约270万条智能体消息、约1300亿个输出 Token。

但到最近，OpenAI又公布了新的数学研究进展。按他们提供的估算，ChatGPT Pro思考三个小时，就可以解决一个问题。所以模型能力整体是在不断下放的。

新的模型推出后，也能组合出更多协作方式。比如Claude Haiku 5.5这样的快速、低成本模型，可以在一些子任务上配合更强的模型工作，从而降低整体调用成本、提高响应速度。

甚至还有一些走得更极端的路线。比如TypeSafe AI的Jev，它是一个System One决策模型，主要负责给出选择、评分或概率等结构化判断，而不是像传统聊天模型那样生成大段文本。在合适的任务里，这种直接输出决策结果的方式，可以减少开销，提高系统响应速度。

这种「先做出性能最强、成本最高的产品，再不断优化，逐步降低成本」的路径，其实并不罕见。比如特斯拉早年的标准说明书就提出，先造高价跑车，再利用积累的能力去生产更大众化的汽车。AI 模型能力的普及，也有点类似的逻辑。

模型能力不断进步，也在改变程序员、游戏开发者的工作方式。这里聊几个游戏相关的例子。

第一个，是今年的Cursor Vibe Jam 2026冠军作品。它基本还原了《疯狂出租车》的玩法，也带着一些老式PlayStation游戏的味道。不过它还尝试做了一些更现代的设计，比如玩家可以单独购买城市中的广告牌，还有竞价之类的设计。

先用AI快速制作原型后，再加一些小创意。这样的创作流程，比较适合现在的AI快速生成。

下图是我朋友熊托尼老师做的《星舰狩猎者》。他在今年元旦前后，花了大约一个月在家里完成了这款游戏。这款游戏不只有关卡编辑器，还有敌方舰队编辑器。熊托尼先让AI帮忙搭建编辑器，再通过编辑器调整关卡和舰队，减少了每次都要用自然语言向AI反复描述需求的成本，开发效率也随之提高。

再看游戏移植。现在已经有不少开发者和社区，借助AI加快移植与原型制作。有人把 Switch上的《暗黑破坏神》版本尝试移植到iPhone，也有开发者社区用类似方法制作自己的游戏原型。

并且在这个过程中，开发者不一定需要掌握Coding技能。比如我们在这次Unreal Fest Shanghai现场展出的三款作品，就是由此前没有游戏开发经验、也没有写过代码的同事，通过和模型不断交流做出来的。

开发者也不一定非得坐在电脑前。你可能晚上睡觉之前，直接在手机上给AI下达一个任务，到第二天再回来检查它执行得怎么样。

最后，再回过头看开场展示的几个案例：

第一个汽车爆炸的视觉效果是真的，是我们团队自己用AI做的，大约只花了两个小时。

「小王子」也是真的，其创作者已经在社媒上公布过自己的制作过程，他前后用了大概一个月，把作品打磨到现在的程度。这说明即便有了AI工具，要真正做出一款脱颖而出的作品，最后比拼的还是创作者对Gameplay的理解。你可以用一句话做出一个游戏原型，但如果想把它打磨得更精致，往往还需要投入大量精力。

「老奶奶GTA」是假的，它是视频生成模型做的，尽管画面看起来比较逼真，但它背后没有一套真正可玩的玩法和代码。

不过有意思的是，做完这个PPT后，我又在GitHub上发现一个中国台湾成员做出来的可运行版「老奶奶GTA」。他花了大约两个星期。虽然模型精细程度没有视频那么高，但确实实现了可以玩的Demo，还加进了一些新玩法。

以上就是我今天想分享的内容。最后我想说，AI确实可以优化我们的工作流，让很多重复性的工作变得更高效，让许多独立开发者把原来停留在脑海里的Idea更快做出来。但对游戏开发者来说，真正值得投入才华的地方，仍然是游戏玩法本身的设计，仍然是你对游戏的理解。

以下为现场提问环节：

Q：不同模型的能力和使用场景不同，如何判断用哪个模型最合适？

唐飞虎： 不同模型擅长的事情很不一样。虽然在前面展示的帕累托前沿图上，有些模型看起来已经被新模型超越，但不意味着它们在所有场景里都没用了。我觉得最终还是要看具体的使用需求。

现在也有团队基于已有模型，结合自己的数据和场景继续训练垂直模型。比如Cursor此前就以Kimi K2.5为基础，结合自己的数据与训练流程，开发出了Composer系列模型。

所以哪种模型最适合，我觉得这个话题很像「小马过河」：听别人分析当然有用，但不如自己实际试一试，感受会更直接。

Q：你们内部是怎么评估模型在游戏开发场景下的能力的？

唐飞虎： 第一，我们会看公开的Benchmark。现在针对软件操作、游戏制作等场景，已经有不少相关评测。

第二，我们自己也会直接用模型做游戏，再拿这些作品和其他前沿模型的结果对比，看它是不是做得更快，最后做出来的内容是不是更符合玩家需求。

Q：AI理解问题的困难程度和人不一样，比如我们不能理解底层机器码，但AI不会遇到这样的问题，那会不会未来AI把中间层的对接产物给逐渐淘汰掉？游戏引擎会不会受到影响？

唐飞虎： 很多中间层已经被淘汰了。比如有些开发者现在已经不再直接用高级编程语言写代码，而是通过自然语言指挥模型完成工作。那再过一段时间，学习某些编程语言还有没有原来那么重要？它们是否会像过去的一些中间工具一样，被新的交互方式逐步替代？

我觉得随着大模型能力持续提升、成本持续下降，编码方式一定会发生非常大的变化。目前这在软件开发领域表现得最明显，游戏引擎也可能经历类似的变化。

Q：以前做贴图、模型资产，往往要用专门的生成工具，现在可以用大模型直接生成内容。这种能力是模型通用能力泛化出来的，还是经过专门训练得来的？你觉得以后大模型直接生成资产的方式，会不会替代专用工具？

唐飞虎： 这取决于具体的使用场景。

大家可以看我的GitHub，我最近做过不少Vibe Coding小游戏。有些游戏资产来自现成的3D模型，有些是AI自己生成的，效果会不太一样。

至于你刚才问的，这种能力是泛化出来的，还是专门训练出来的，我觉得最初主要是通用能力的泛化，后来通过进一步的后训练，把这方面的能力强化了。

举个例子，我前段时间做过一个类似《过山车大亨》的游戏，里面的角色、旋转木马、过山车、鬼屋等游乐设施，都是模型自己生成的。它并没有拿到原版游戏的美术资产，只参考了一个开源版本的代码。所以它的画面风格、界面与原版很不一样，但玩法却相当接近。模型能在没有原始美术资源的情况下，生成这么多可用资产，我觉得已经挺有意思了。

再举个例子，前段时间Steam上有一款图书馆整理游戏很受欢迎，我就让模型做了一个整理房间的原型，还可以切换不同主题。里面各种室内家具，你还可以像玩《模拟人生》一样，单独往房间里添加家具、调整摆放。

用AI来做游戏原型，效率很高，能快速验证玩法。等你确认玩法方向没有问题，再用游戏引擎、Blender和质量更好的资产去打磨作品。我觉得这可能是一种更适合当下的开发方式。

游戏葡萄招聘内容编辑，

（星标可第一时间收到推送和完整封面）