专访 Studio Atelico：用艺术家授权的本地 AI 模型，重塑玩家驱动的游戏创作
Studio Atelico 正在开发两个紧密关联的项目：一个为游戏开发者打造的端侧道德 AI 引擎，以及 Bobium Brawlers —— 一款移动端卡牌与骰子对战游戏，玩家通过文字描述创造生物。游戏会将每段描述转化为符合其既定视觉风格的头像，以及一副遵循开发团队所编写规则的可用卡组。
该工作室由来自 Uber、Meta、SEGA 和 Creative Assembly 等公司的 AI 与游戏行业资深人士组成，将生成式技术视为面向玩家的机制，而非主要是生产捷径。其图像模型使用了从参与艺术家处委托创作的美术作品进行训练，同时其公开发布的 艺术家权利契约（Artist Rights Contract） 提出了明确同意、项目特定使用授权、预先补偿，以及持续分享项目的成功。
这种方法仍然需要大量实验。在制作了十多个原型后，Studio Atelico 发现，赋予 AI 更大的控制权并不一定能让游戏更有创意或更令人愉快。过度的可变性可能会使其规则显得随意，并阻碍玩家通过建立游戏规则的思维模型来掌握游戏。我们采访了 Studio Atelico 的 CEO 兼联合创始人 Piero Molino 以了解更多信息。
Studio Atelico 正在同时构建一个 AI 引擎和使用它的游戏。是什么让你决定并行开发技术和游戏，而不是先构建一个，再验证另一个？
Studio Atelico 首席执行官 Piero Molino：从一开始，我们就相信引擎和游戏会相互促进。开发 Bobium Brawlers 不断带来新的游戏机制想法和技术挑战，而引擎的每项改进都扩展了游戏的可能性。
我们从不认为引擎会先“完成”然后再应用。游戏是我们发现哪些机制真正有吸引力的地方，而引擎提供了实现这些机制的工具。并行开发会形成一个持续反馈循环，如果隔离开发则很难实现。
同时，我们已经在与其他使用该引擎的工作室合作，这给了我们更广阔的视角，并有助于确保我们构建的是广泛有用的东西，而不仅仅是为某一款游戏量身定制的。
游戏业很多关于 AI 的讨论都聚焦于加速现有工作流。你的主张更多是创造以前不可能实现的体验。你在实践中如何定义这种区别？
Piero Molino：大多数关于 AI 的讨论都聚焦于它能否让游戏开发更便宜或更快。我们更感兴趣的是，AI 让哪些以前不存在的游戏成为可能。
这是一种截然不同的设计理念。我们不是替代现有工作流，而是用 AI 创造以玩家创造力和个性化为中心的机制。在 Bobium Brawlers 中，玩家不是从预定义的生物列表中选择，而是创造自己的生物，游戏会立即将这些想法转化为美术和游戏玩法，且都在设计师编写的框架内。
此外，AI 还提供了以前不可能的新输入方式（文本、语音、绘画）以及更无脚本、涌现式的游戏体验。这就是我们觉得兴奋的机会：扩展游戏的可能性。
当你开始构建 AI 原生游戏技术时，团队最初有哪些假设后来被证明是错误、不完整或比预期更复杂的？
Piero Molino：我们早期有一个假设：给 AI 的自由越多，游戏就会变得越有趣。我们发现事实要微妙得多。
我们制作了十多个原型，探索了光谱上的不同点。有些基本上是传统游戏加上一点 AI，有些则让 AI 对体验有更多控制权。但两种极端都不是最有趣的。AI 太少无法创造真正新鲜感，AI 太多则常让游戏显得随意，玩家也难以通过建立游戏规则的思维模型来掌握游戏。
我们的突破在于意识到，AI 与强大的游戏机制搭配时效果最佳。设计师定义规则、创作方向和约束，而 AI 在这些边界内提供个性化、创造性和惊喜。我们不认为 AI 应该取代人工设计的核心作用，而是在其中扩展可能性。
这一认识塑造了 Atelico AI 引擎和 Bobium Brawlers 的研发。如今我们认为，最令人兴奋的 AI 原生游戏不会是那些最大化 AI 的游戏，而是那些利用 AI 赋予玩家此前从未拥有过的创造与表达形式的游戏。
AI 对艺术家、创作者和开发者来说显然是一个非常敏感的话题。你的技术会生成内容吗？如果是，训练数据是什么？
Piero Molino：是的，我们的技术会在游戏过程中生成内容，但我们认为模型的构建方式与产出物同样重要。
对于 Bobium Brawlers，我们的图像生成模型是在我们自己艺术家创作的美术作品上进行训练的，并由他们参与，专门用来捕捉游戏的视觉风格。目标不是模仿整个互联网或取代艺术家，而是让玩家能够即时创造自然融入游戏世界的生物。
更广泛地，我们还公开了 ARC，我们的艺术家权利契约（Artist Rights Contract），因为我们相信同意、透明和公平参与应是 AI 开发的一部分。我们认为创作者应该有权了解自己的作品如何被使用，并在作品为训练模型做出贡献时分享价值。
许多开发者对游戏中的 AI 持怀疑态度，尤其是当它像是一种削减成本的工具或取代创意劳动的手段时。你如何回应这种担忧？又如何确保技术始终服务于开发者和玩家？
Piero Molino：我们理解这些担忧，而且在许多情况下我们也认同。我们自己就是热情的玩家，没有人希望游戏里充斥着泛泛的、低质量的 AI 内容。
这就是为什么我们围绕一种截然不同的理念来构建引擎。我们不认为 AI 应该取代创意团队，或在没有方向的情况下生成内容。开发者定义世界的规则、基调、角色和人工创作内容，AI 在这些边界内运作。一种理解方式是，它只是更高级的程序化内容生成（procedural content generation）。
我们认为“AI 垃圾”不是 AI 的必然结果，而是没有创意意图或控制地使用 AI 的结果。如果你为开发者提供能在忠实于他们创作愿景的同时产生动态、个性化体验的系统，他们就会感到被赋能。
最终，我们希望开发者能构建出没有 AI 就不可能实现的游戏，而不是让现有游戏更便宜地生产出来。
能否分享一个 AI 引擎在游戏内实现的、传统流程很难或不可能实现的例子？
Piero Molino：我们的 Bobium Brawlers 生物创造系统可能是最明显的例子。玩家可以输入一段想象出来的原创生物的简短描述，几秒钟内游戏就会生成一个符合游戏美术风格的头像，以及一副既符合描述又遵循设计师编写规则的游玩卡组。
每个玩家最终都会得到一个完全个性化的收集品，反映他们自己的想象力，这意味着没有两个玩家会有完全相同的体验。用传统内容流程支持这种程度的创造与个性化根本不可行。
当 AI 系统成为玩家体验的一部分时，你如何看待创意控制？你希望 AI 在哪些方面带来惊喜，哪些方面需要严格遵守设计师设定的边界？
Piero Molino：这确实取决于所构建的游戏类型。纵观市场和历史，游戏一直分为两类：一类更强调作者的意图，另一类则因“玩具”般的特质而有趣。
我觉得一个好的类比是沙盒游戏。在这些游戏中，开发者向玩家提供工具，玩家按自己想要的方式组合这些工具来创造乐趣。设计师为体验编写规则，提供边界，让游戏保持一致。
为实现这一点，我们为设计师提供机制，向 AI 提供示例、结构、人工内容和清晰的护栏，使其在惊喜玩家的同时不丢失游戏的创作愿景。我们希望 AI 在解释玩家输入、创建组合或引入变化方面充满创造力，同时在人类有意识设计的边界内运作。
最佳状态是：玩家感觉自己发现了意想不到的东西，而设计师依然确信体验与游戏玩法、基调和世界保持一致。
团队还在探索端侧 AI。这到底是什么意思？为什么它对你想要构建的体验很重要？随之而来的最大技术或设计挑战是什么？
Piero Molino：端侧 AI 意味着模型直接运行在玩家的硬件上，而不是向云服务器发送请求。
这当然带来了技术优势，如更低的延迟、可预测的性能和更好的隐私。但对我们来说，更大的好处是它在创意上解锁的东西。如果每次 AI 交互都附带成本，开发者就不可避免地会围绕这个限制进行设计。我们认为这会限制你能构建的体验。
本地运行 AI 消除了这些经济约束，允许开发者将 AI 视为核心游戏玩法系统，而不是玩家只能偶尔互动的东西。当然，工程挑战在于让这些模型足够高效，能在各种硬件上运行，同时仍交付高质量结果。这正是 Atelico AI 引擎设计要解决的核心问题之一。
AI 原生系统会产生很多不可预测性。当输出每次可能不同时，你如何测试、调试和评估面向玩家的 AI 行为？
Piero Molino：我们并不试图消除可变性，而是围绕它进行设计。我们不评估 AI 是否总是产生完全相同的输出，而关注每次输出是否都处于游戏的创意和玩法约束之内。实践中，这意味着用统计方式评估系统，就像评估机器学习系统或临床试验那样，以获得统计置信度，因为确定性可能无法实现。这是一个迭代过程：通过寻找离群值并逐步调整目标，每次重复都会更好。
清单也是很好的工具：你预先定义希望或不希望出现的行为，然后对照检查 AI 系统，这能让你对在最明显和严重的情况下系统按预期工作建立基线信心。
最后，为了防止不适当行为，红队测试是压力测试系统的最佳方式。
鉴于 AI 系统的统计本质，你常常需要找到最佳折衷方案，而且不可能事先发现所有问题，所以需要将开发期间的最大努力与发布后的快速反应相结合。
当设计师、编剧、工程师和美术师围绕 AI 系统构建时，生产流程是什么样的？与更传统的游戏团队结构相比，这会如何改变协作？
Piero Molino：我以 Bobium Brawlers 生物生成功能的开发为例。游戏卡组生成系统也遵循了非常相似的迭代过程。
与我们合作定义生物视觉风格的美术师 José Luna 不可能画出游戏中每一种可能的生物。玩家总能想出我们从未见过的描述。因此，他先是绘制了约 20 个生物的小集合。我们用这些图像训练图像生成模型，并将其集成到早期开发版本中。
当 José 在游戏中看到模型输出后，他很快发现了问题。有些情况下模型过度泛化。例如，它开始把每条龙都生成成紫色，因为初始数据集中唯一的龙是紫色。其他情况下，它又泛化不足。它并不能始终理解每个生物（包括被描述为无生命物体的生物）都应有眼睛。
这些结果指导了下一轮美术创作。José 专门绘制了额外生物，以给模型提供它所缺失的示例，然后我们重新训练。当我们发布第一个测试版、玩家测试者发现了内部未遇到的新边界情况时，这一过程仍在继续。José 现在大约画了 100 个生物，他可能在发布后还会画更多。越多人试验这个系统，我们就发现越多奇特的案例。
与此同时，更广泛的试玩帮助我们评估内容安全。我们发现能阻止大部分不当请求，但并非全部。我们建立了统计指标来跟踪平衡：希望尽量减少漏网的不当内容（假阴性），同时避免因安全机制过于严格而拦截合法玩家请求（假阳性）。随着更多玩家游玩，我们收集了更多数据，也更清楚希望把边界设在哪里。这类系统总是涉及权衡，而让更广泛的玩家暴露其中往往是揭示其弱点的唯一途径。
更广泛地说，开发 AI 驱动的功能需要创意人员与工程师更密切、更频繁地协作。还需要持续迭代，配合定量指标和定性评估方案，让团队能够衡量系统是否真正在改进。
回顾过去一年，哪些方面超出了预期，哪些没有达到预期，你围绕 AI 原生游戏开发的整体理念是如何演变的？
Piero Molino：过去一年，我们的理念变得更加细致深入。早期我们专注于从技术角度证明 AI 可以在游戏中发挥作用。如今，我们更关注的是证明它可以被负责任且富有创造性地使用。
我们越来越确信，成功的衡量标准不是游戏使用了多少 AI，而是玩家是否根本不会想到 AI。最好的 AI 原生游戏应该只是让人感觉是好游戏，其机制在没有 AI 的情况下无法实现。
有一件事比预期效果更好，那就是我们能非常可靠且一致地让 AI 系统的输出与设计者的意图对齐。我们让模型变得高度可控。这也揭示了一件与最初预期不符的事：我们最初期望 AI 能提供生成内容的多样性，但当你施加强力控制时，AI 系统会过于严格地遵循你的指令。
我们发现了控制与多样性之间的根本矛盾，不得不添加更多机制来恢复多样性。这可能是我们学到的最艰难的一课。
Piero Molino，Studio Atelico 首席执行官兼联合创始人
采访者：David Jagneaux
喜欢这篇内容吗？