商学院不雅察

刘劲 段磊／文

永久以来，社会公众和政府监管对游戏抱有种审慎致使负面的气派，原因在于游戏行业如实存在青少年易千里迷、部安分容有不良价值不雅向、部分交易化步地有争议等问题。但层的原因在于产业定位：游戏永久被视为“不创造实体价值”的捏造行业，难以与芯片、能源、东说念主工智能等“硬科技”等量皆不雅。

关系词，东说念主工智能的快速发展正在从根底上重塑咱们深远游戏价值的底层逻辑。游戏畴前还是为AI的算力基础设施和算法发展提供了垂危助力。当今跟随AI进入新阶段、靠近新挑战，游戏很可能在智能体（Agent）试验、具身智能以及粗俗数据缺少等面，提供为环节的基础设施价值。

游戏对AI发展的历史孝敬

游戏产业在多个环节节点上，为AI的飞跃提供了不可或缺的要求。

次首要动发生在算力层面。在20世纪90年代，游戏玩对实时渲染、复杂光影和帧率的需求，催生了种全新的狡计架构——图形处分器（GPU）。GPU的现实是大鸿沟并行狡计。

到了21世纪初，AI研究者发现，本来为游戏画面行状的GPU相等稳当试验度神经网罗——矩阵乘法这类度学习的基本运算，在GPU上的实行速率比传统CPU快数十倍致使上百倍。

从那刻起，游戏产业培植出的算力体系，成为度学习更动的垂危基础设施。不错说，莫得游戏产业捏续数十年的图形狡计插足，就莫得今天AI大模子试验所依赖的GPU算力集群。

这段历史在英伟达的财报里留住了明晰的印章。2016财年，英伟达的游戏业务收入约28.2亿好意思元，数据中心业务唯一3.4亿好意思元，前者是后者的8倍多。到2025财年，数据中心已占总营收约88，游戏只剩8.7。这条从游戏引擎到AI引擎的弧线，是游戏为AI运输算力的好注脚。

二次首要动则发生在算法层面。2015年，DeepMind在《当然》杂志发表了DQN（度Q网罗）研究，次大鸿沟地把度学习和强化学习胜利聚合起来——让AI在几十款雅达利（Atari）游戏中我方摸索操作战略，终达到接近业东说念主类测试员的水平，宣告了“度强化学习”时期的到来。

2016年，AlphaGo通过学习海量东说念主类行状棋谱，再辅以强化学习，打败围棋寰球李世石，成为AI史上的里程碑。那场对局中的“37手”，恰是AI跳出东说念主类训诫、自主创新的经典时刻。

2017年的AlphaGoZero跨越，毁灭东说念主类棋谱，仅靠“我方和我方棋战”延安铁皮保温施工，在几天试验后就达到越东说念主类的水平，把这种“立想考”的身手向了致。这确认，游戏不仅能匡助AI师法东说念主类，还能让AI在轨则明晰、反馈明确的环境里，发现连东说念主类都想不到的新战略。

可见畴前十来年，游戏赋能AI算法发展的环节词是“强化学习”。原因在于两者的底层逻辑度契合：游戏现实上是个轨则明晰、反馈实时、励明确的环境系统，偶合为强化学习“在试错中凭据励调整举止”提供了明确的辩论、可叠加的交互和明晰的励信号。

跟着大模子、智能体、具身智能乃至寰球模子的兴起，游戏对AI的赋能还是法只用算力和强化学习来界说，这种赋能正在变得加平淡和入。其逻辑不错从两个维度来深远。

其是环境维度：游戏过头引擎手艺是套质料、低本钱的环境系统，为AI提供了个不错反复试错、快速迭代的试验场和实验室，这对智能体、智能驾驶、具身智能的试验与测试都有度价值。

其二是数据维度：游戏通过东说念主与游戏的互动、玩之间的博弈、乃至AI在其中的自我对弈等多样交互式，延绵不息地产生海量、质料、低本钱的数据。

这两个维度不是浅易的比肩关系，二者犹如工场与产物：游戏环境是出产数据的系统，数据则是环境产出的中枢钞票。中枢价值的终落点诚然是数据，因为数据是驱动AI发展的燃料；但唯一从环境和数据两个维度同期解析，才能实在看清游戏中数据的特色，以及游戏对AI的价值。

环境维度

今天的大模子，主要依靠海量的静态数据试验而成——互联网上的文本、图像、等。这类数据让AI学会“看懂”“听懂”这个寰球。

但要让机器智能跨越，具备“能有运筹帷幄、能脱手”的身手，仅靠静态数据是不够的：它必须在与寰球的捏续交互中学习。

问题在于，让AI径直在实在寰球里交互学习，代价其昂。游戏过头引擎手艺所构建的捏造环境，偶合提供了个盼愿的替代案。比较实在寰球，它至少有五个面的势。

，本钱低。实在寰球的试错，时常既贵又危急。自动驾驶域次失实的有运筹帷幄，可能就意味着场实在的事故；在捏造环境中，相通的试错简直不需要付出代价。以盼愿汽车公开的智能驾驶测试数据为例：2023年该公司实车路测每公里本钱约18.4元，而到2025年上半年，其借助寰球模子进行仿真测试，完成约4000万公里仿真里程（实车仅约2万公里），单公里本钱降至约0.53元，仅为实车路测的约三十五分之。本钱的量相反，径直决定了试验能否鸿沟化。

二，度可控、可叠加。在实在环境中作念对比实验，频频受制于不可控的外部变量。比如，要考据不同天气对算法的影响，你只能被迫恭候相应天气的出现；在捏造环境里，研究东说念主员只需调整底层参数（光照强度、车流密度、降水概率等），就能快速生成自便辩论场景。AI试验由此从“被迫恭候”转向“主动生成”，率大幅擢升。

三，风险可控，能提前浮现问题。AI在部署到现实寰球之前，需要充分的安全考据，但实在环境中的安全测试代价——不可能为了测试自动驾驶的碰撞反映而刻意制造事故，也不可能在实在电网中开释挫折代码来检测裂缝。游戏沙盒绕过了这些适度：研究者不错在捏造环境中主动构造端天气、传感器故障、坏心输入等旯旮场景，风险地探伤AI的举止范畴，不雅察其是否极度或无益。这种提前浮现问题、不休风险的机制，对行将大鸿沟进入现实的AI系统不可或缺。

四，具备的可评释。面前AI受诟病的问题之是“黑箱”。模子输出个恶果，但东说念主类研究者很难说清它为什么作念出这个决定。游戏环境为破解这辛勤提供了特要求：在游戏中延安铁皮保温施工，每个状况变量都不错被精准记载、暂停、回放和复现，研究者得以逐帧追问“AI此刻看到了什么、为何这么有运筹帷幄”。这种在实在寰球中简直法实现的因果可回首，让游戏成为可评释研究的实验室——它不仅让AI“作念题”，还让东说念主看清AI的“解题经由”。

五，实时交互、有反馈。与静态的图像或文本数据不同，游戏环境的中枢特征是“交互”：AI在游戏中不仅“看”到了什么，管道保温施工垂危的是它约略“作念”什么，况兼坐窝看到举止带来的恶果。下摇杆，角就出动；踩下刹车，车辆就延缓；选错战略，比分就逾期。这种即时的“动作—反馈”闭环，是试验有运筹帷幄智能的必要要求。在反复锻练中，AI得以学会判断时机、深远空间、制定战略——这些身手在纯静态数据上法习得。

游戏环境对AI的价值有两个层面：是支配现成的交易游戏手脚试验环境，二是支配游戏引擎手艺构建用的仿真平台。前者虽是文娱产物，物理章程和社会运转机制可能被夸张处分（如赛车游戏戏剧化的碰撞果），但依然可用来试验AI的通用有运筹帷幄身手。

举例，腾讯“悟”AI初是为《者荣耀》这类复杂多东说念主在线对战游戏研发的有运筹帷幄智能系统——它需要在实时、不信息、多智能体互助的难度环境中作念出有运筹帷幄。

研究者发现，“悟”在游戏中历练出的旅途运筹帷幄身手，不错挪动到病理全片扫描会诊域：腾讯AILab据此研发的RLogist系统（发表于AAAI2023）将病理切片的扫描旅途化，转换为近似游戏中的“探索—有运筹帷幄”问题，有运筹帷幄率比较传统式擢升约400，在保证会诊准确率的同期镌汰了病理阅片的恭候时辰。

后者则是支配游戏引擎手艺，搭建度逼近实在物理寰球的用仿真场景——比如个与实在施工现场1:1的矿山、条与实在城市说念路致的街区。这种式既保留了游戏环境低本钱、可控、可交互的中枢势，又通过精密的物理建模弥合了“捏造—现实”之间的鸿沟。

以Unity和Unreal为代表的游戏引擎，为AI的产业仿真提供了保竟然物理仿真、实时色泽跟踪和可编程的环境参数系统。举例腾讯出的自动驾驶仿真平台TADSim，即是个典型的“游戏引擎到用仿真”挪动案例：该系统支配游戏引擎的厘米三维重建、工业车辆能源学模子和AI驱动的交通流仿真手艺，不错在云表支捏上千辆自动驾驶主车及上百万辆交通车同步运转，日均测试身手过1000万公里，远远冲突了实在路测的适度。

数据维度

环境的价值终要通过它产出的数据来杀青。游戏数据的特价值体当今两个属和两个数据源流上。

个属是的“多模态对皆”。要擢升AI对现实寰球的深远，必须依赖多模态数据，因为现实寰球自己即是多模态且自动对皆的。东说念主类深远寰球，从来是视觉、声息、动作、物理反馈的概述，AI也需树立起不同模态之间的关系。

关系词现实中，多模态数据往交往源踱步，视觉、声息、动作很难同期辘集，即便辘集完成也需大批东说念主工标注对皆，难以鸿沟化。

游戏则不同：它运转时同期产生画面、声息、动作、物理反馈，且处于同期间轴、同场景中，彼此自动对应。对AI而言，这极度于套图像、音频、动作与环境状况同步的“多模态教科书”，恰是当下试验“视觉—言语—动作”大模子等所急需的环节原材料。

二个属是明晰的“状况—动作—反馈”因果结构。AI要实在深远寰球，不成只知说念“发生了什么”，还得深远“为什么会发生”，即某个举止怎样致某个恶果；唯一树立起这种因果关系，AI才能造成实在的有运筹帷幄与理身手。

但这种数据在现实中难辘集和标注：现实变衡量复杂，个恶果时常受多个举止共同影响，环节反馈也容易遗漏。游戏具备这种结构，会齐全记载“看到什么（状况）—作念了什么（动作）—获取什么恶果（反馈）”，任何次失败都能精准回放。这就好比给AI本带齐全解题措施和谜底的“教科书”，让它学习因果章程、调整战略。

游戏数据的另个特在于，它既有东说念主类训诫的千里淀，又不错有机器智能的探索。

面，东说念主类与游戏交互产生的数据，是东说念主类训诫的数字千里淀，不错撑捏AI的师法学习。这就像让AI站在数顶东说念主类玩的肩膀上看寰球，快速习得那些“只能相识、难以言传”的训诫战略。以开脱度的沙盒游戏《我的寰球》（Minecraft）为例，AI通过“看东说念主类怎样玩”来师法，就能学会大批难以用轨则描写的训诫。

东说念主类的数字千里淀还不错匡助AI好地实现“东说念主类偏好对皆”，让有运筹帷幄逼近东说念主类的价值判断。早在2017年，OpenAI与DeepMind就在雅达利游戏等捏造环境中作念过个经典实验：东说念主类只需对AI的不同操作片断（比如赛车游戏中的驾驶涌现）抒发“这个好、阿谁差”的偏好，模子就能慢慢骤整战略，让举止越来越相宜东说念主类的判断尺度，并终擢升任务涌现。论是师法学习如故偏好对皆，东说念主类交互数据的中枢价值，都在于把东说念主类的训诫“喂”给AI，让它得以站在东说念主类灵敏的肩膀上快速进化。

另面，AI与游戏交互产生的数据，是机器智能与环境互动产生的合成数据，对AI发展相通垂危。支配算法和游戏引擎批量生成的合成数据，不错秘籍现实中稀缺的长尾场景——生分的端天气、危急路况都能在捏造环境中大批“造”出来，弥补实在数据在旯旮场景上的稀缺。

而AI在游戏中“自我博弈”产生的数据则可用于强化学习试验：AI躬行下场，我方和我方对，每局的赢输都转换为新的训诫数据，驱动模子在需东说念主类监督的情况下捏续自我进化。前文的 AlphaGoZero恰是例证——依靠自我博弈，终冲突了东说念主类训诫的身手范畴。不错说，自我博弈产生的数据，是AI迈向东说念主类涌现的环节驱能源。

归来

正如英伟达早已不是游戏卡公司，游戏产业的价值坐标也正在超过文娱产业的范畴，向科技基础设施的向挪动。

在环境维度，它为AI提供了低本钱、可交互、有即时反馈的捏造系统，让智能得以反复试错、快速成长；在数据维度，它捏续产出结构化、多模态自对皆的海量数据，为智能提供延绵不息的养料。

诚然，捏造终究不成替代现实，游戏环境像是实在寰球的放大器而非替身。但跟着AI向具身智能与寰球模子演进，游戏承载的这两重价值会跨越凸。

这也教导咱们是时候疗养看待游戏的视角：不再只盯着它的文娱外壳，而是看清它手脚AI隐基础设施的内核。

领有专家大的游戏市集和活跃的游戏产业生态，在出动游戏、电竞、游戏AI等域还是集合了厚的手艺储备与东说念主才梯队。若能越“游戏即文娱”的单贯通，系统地动游戏手艺向AI基础设施转换，这很可能成为在专家AI竞争中个特的势源流。

（刘劲系长江商学院司帐与金融学讲授、投资研究部主任，段磊系之度连接搭伙东说念主）手机：18632699551（微信同号）相关词条:铁皮保温    塑料挤出机     钢绞线    玻璃卷毡厂家    保温护角专用胶

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定延安铁皮保温施工，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。