游戏如何成为AI的隐性基础设施

游戏产业正从「娱乐产品」向「AI基础设施」重新定位。从 GPU 算力的诞生，到深度强化学习的标志性突破，再到当下智能体、具身智能训练对低成本虚拟环境的渴求，游戏与 AI 的关系早已不是简单的「相互关联」，而是深度嵌套、相互支撑。

算力与算法：游戏对AI的两次历史性推动

游戏对 AI 的贡献最早可追溯到 20 世纪 90 年代。玩家对实时渲染、复杂光影与高帧率的极致追求，催生了图形处理器（GPU）这一大规模并行计算架构。21 世纪初，研究者发现 GPU 高度适配深度神经网络的矩阵运算，速度比传统 CPU 快数十倍乃至上百倍，成为深度学习革命的算力基石。

英伟达的财报清晰记录了这条产业曲线：2016 财年其游戏业务收入约 28.2 亿美元，数据中心仅 3.4 亿美元；到 2025 财年，数据中心已占总营收约 88%，游戏仅剩 8.7%。从「游戏引擎」到「AI 引擎」的迁移，正是游戏为 AI 输送算力的最佳注脚。

算法层面同样如此。2015 年 DeepMind 在《自然》发表 DQN 研究，首次将深度学习与强化学习大规模结合，让 AI 在多款雅达利游戏中自学至接近专业人类水平。2016 年 AlphaGo 击败围棋世界冠军李世石，2017 年 AlphaGoZero 完全抛弃人类棋谱、仅靠自我博弈在数日内超越人类，宣告 AI 已能在规则清晰、反馈明确的环境中独立发现新策略。

环境维度：低成本、可交互的训练场

要让 AI 从「看懂世界」走向「能决策、能动手」，仅靠静态数据远远不够，必须在与环境的持续交互中学习。真实世界的试错代价高昂，而游戏引擎构建的虚拟环境恰好提供了理想替代：

• 成本极低：以理想汽车公开数据为例，2023 年实车路测每公里成本约 18.4 元，2025 年上半年借助世界模型仿真后单公里成本降至约 0.53 元，仅为实车测试的约 1/35。
• 高度可控、可重复：天气、光照、车流等参数可任意调节，训练从「被动等待」变为「主动生成」。
• 风险可控：碰撞、电网攻击等极端场景可在虚拟环境中零成本复现，提前暴露问题。
• 可解释性强：每个状态变量都可被记录、暂停、回放，便于逐帧追溯 AI 决策因果。
• 实时交互与有效反馈：动作与结果形成闭环，是训练决策智能的必要条件。

腾讯基于《王者荣耀》研发的「绝悟」AI，在复杂多人在线博弈中锤炼的最优路径规划能力，被迁移至病理全片扫描诊断领域——相关 RLogist 系统发表于 AAAI 2023，将扫描路径优化转化为「探索—决策」问题，效率相比传统方式提升约 400%。其自动驾驶仿真平台 TADSim 基于游戏引擎技术，可在云端支持上千辆主车与上百万辆交通车同步运行，日均测试能力突破 1000 万公里。

数据维度：多模态对齐与因果结构

环境的价值最终要通过数据兑现。游戏数据具有两个天然属性：多模态自对齐与清晰的「状态—动作—反馈」因果结构。游戏运行时画面、声音、动作、物理反馈天然处于同一时间轴与场景中，无需额外标注即可作为「视觉—语言—动作」大模型的关键训练素材；同时每一次失败都可精确回放，相当于带完整解题步骤的教科书。

数据来源则兼有「人类经验沉淀」与「机器智能探索」两条路径。人类玩家交互数据可用于模仿学习与偏好对齐——早在 2017 年，OpenAI 与 DeepMind 即在雅达利游戏环境中验证，仅靠人类对 AI 操作片段的偏好反馈即可让模型逐步对齐人类价值判断。AI 自我博弈产生的合成数据则可用于强化学习训练，覆盖现实中稀缺的长尾场景，驱动模型在无需人类监督下持续自我进化。

中国游戏产业的潜在优势

正如英伟达早已超越「游戏显卡公司」的标签，游戏产业的价值坐标也正在越过娱乐边界，向科技基础设施方向迁移。中国拥有全球最大的游戏市场与最活跃的产业生态，在移动游戏、电竞、游戏 AI 等领域积累深厚。系统性推动游戏技术向 AI 基础设施转化，可能成为中国在全球 AI 竞争中一个独特的优势来源。