国外大佬用 AI 三小时做游戏，两周赚 48万，马斯克也盯上了这个赛道

正文

请到「今天看啥」查看全文

Muse 是一种 「世界与人类行为模型」，本质上是一个神经网络游戏模拟器。Muse 通过学习 3D 游戏世界和物理规则，可以 「基于 AI 生成符合游戏规则的玩法」 。

与 xAI 试图直接用 AI 生成游戏不同，微软的目标是 用 AI 赋能游戏开发者，提高玩家体验 。

作为辅助工具，而非直接的创意工具，还体现在微软和 Xbox 合作，重现经典老游戏的计划。

那些因时间与硬件进步而被遗忘的游戏，Muse 或许能帮助优化旧游戏，让它们能够适应任何设备，将来可以在任何一台 Xbox 设备上重现。

都是 AI，但两种路线

xAI 和 Muse 都在用人工智能，但思路却截然不同。

xAI 的目标是，将 AI 生成的游戏逻辑与高保真视觉效果相结合。这意味着生成式 AI 将在用户提示或 AI 推理的指导下处理游戏创作的许多方面，从代码到美术。

比如，xAI 设想游戏能够动态叙事，能够实时适应玩家的选择。由 AI 策划的挑战根据个人技能进行调整，还有根据玩家互动，而不断演变的虚拟世界。

这和马斯克对「游戏」的认识有紧密的关系。他设立游戏工作室的一大原因，是因为反感现实问题投射、进入游戏当中， 他认为游戏就是为了娱乐，应该为了逃离世界 。

xAI 策略是用 AI 颠覆传统游戏开发， 瞄准的寻求新鲜和体验感的玩家群体，而微软的重点则有所不同。

微软想要通过多方合作，以一种更具支持性和基础设施驱动的方式将 AI 整合到游戏中。

以 Muse 项目为例，这是微软研究院与 Xbox 合作开发，Ninja Theory 为 Muse 提供了数据。

训练自 Xbox 游戏 Bleeding Edge，Muse 使用了超过 10 亿帧的游戏画面数据及其对应的玩家输入， 相当于 7 年以上的连续游戏数据 。

这让 Muse 的物理一致性更为可靠，而且能理解 3D 世界与物理——这是 Muse 的重要突破，它能够从纯观察数据中学习 3D 游戏环境的丰富内部模型。

微软表示：「Muse 的突破性在于它对 3D 游戏世界的详细理解，包括物理规则以及游戏如何对玩家的行动做出反应」，这意味着 Muse 不仅仅是创建随机视觉效果，而是生成遵循游戏规则的帧。

例如，如果玩家在 Bleeding Edge 中按下跳跃和攻击按钮，Muse 可以生成一个可信的帧序列，显示角色在跳跃时进行攻击，跳跃和攻击效果的物理效果与真实游戏引擎匹配。

请到「今天看啥」查看全文