Meta 考虑裁员 20%，涉及约 16000 人。Epic 裁了 1000 多人，CEO Tim Sweeney 专门在内部信里强调「这次裁员跟 AI 没关系」。
你信吗？
我后台这个月收到最多的私信，几乎全是同一个问题的变体：
「老板让我在项目里推 AI，有没有什么好的实践？」
「有什么好用的 AI 工具推荐？」
「其他项目组是怎么做的？」
一边在裁人，一边在推 AI。这两件事同时发生在 2026 年的 3 月，不是巧合。
我理解这些私信背后的焦虑。但今天这篇文章不聊焦虑，聊实操——按照游戏项目的三个阶段，把 AI 怎么融入讲清楚。
先说背景：为什么是 2026 年？
三个变量在同一个时间点成熟了。
工具端的跃升。 2025 年下半年到现在，AI 工具经历了一轮能力跳变。
程序侧，Claude Code 成了使用量最大的 AI 编程工具，GDC 2026 的调研显示 90% 的开发者在使用 AI，95% 的程序员每周都在用 AI 辅助写代码。
美术侧，Tripo 3D 的 3.1 版本让 AI 生成的 3D 粗模第一次达到了「可以直接往下走流程」的水平。Lora 训练门槛从 30-50 张图降到了不到 10 张。角色服饰一致性的问题被基本解决。
这些变化意味着 AI 工具已经从「能看个效果」进化到了「能嵌入生产管线」。
成本压力倒逼。 GDC 的数据显示，94% 的开发者预期 AI 长期会降低研发成本。
但更准确的说法是：AI 提高的是每一分钱的试错效率。当你的竞争对手把迭代周期压缩到你的一半，你验证一个想法的时间里对方已经验证了两个。这个差距会随时间持续放大。
组织端的认知差。 GDC 三年追踪数据显示，47% 的管理层在使用 AI，但只有 29% 的一线开发者在用。老板们已经意识到了价值，但「怎么落地」还没有被系统性地解决。你收到的「去调研一下 AI」这种任务，本身就是这个认知差的产物。
一、Demo 期项目：AI 是你最大的杠杆
Demo 期的核心诉求不是品质，是速度。
你需要用最短的时间验证一个核心玩法是否成立，让团队和管理层看到「这个东西大概长什么样」。
在这个阶段，AI 的价值可以用一句话概括：让一个 5 人团队做出以前需要 20 人才能做的 Demo。
程序侧：AI 写代码已经是标配
不管你用 Claude Code 还是 Cursor，程序员在 Demo 期应该把 AI 当成结对编程伙伴。原型代码、编辑器工具、基础框架搭建，这些 AI 都能高效完成。实际情况是，有经验的程序员用 AI 之后，原型开发速度大概能提升 2 到 3 倍。
一个值得关注的实践：
有些 UE 项目团队已经跳过蓝图环节了。策划提完需求，AI 直接生成脚本代码，用 Git 管理。
蓝图复杂了之后是二进制、看不懂、改不动，AI 生成脚本恰好绕过了这个痛点，迭代效率比蓝图高出一个量级。
还有一个方向是 AI 辅助技能配置。技能编辑器里的攻击力、触发条件、buff 效果这些配置，AI 读完编辑器代码后可以直接生成 JSON 配置。特别适合逻辑驱动型游戏。
UI 白模也是一个高性价比的场景——把设计图喂给 AI，AI 生成引擎脚本代码，执行脚本自动生成 UI prefab。简单 UI（背包、聊天界面）五分钟搞定，程序可以直接在白模上做功能开发。
美术侧：概念验证阶段，AI 可以做 80% 的事
Demo 期的美术需求主要是概念图和白模。
概念图生成，用 liblib 或 Banana Pro，一次生 4 张，命中率大约 20%-30%。
效率的关键是「多生快选」——不要在一张图上较劲，大量生成快速筛选。
如果项目有明确的美术风格，训练一个 Lora 模型，现在不到 10 张图就能训练出来，之后生成的一致性会好很多。
白模和场景物件，用 Tripo 3D 或混元 3D。
AI 生成的角色粗模，布线基本 OK，可以作为后续精修的起点。场景里的石头、栏杆、地表贴花这些静态资产，可行性更高，有团队已经把 AI 生成的场景物件直接放进了游戏。
真实案例：2000 元做一条概念 PV
我了解到一个小团队，在立项阶段一个人用 AI 做了一条完整的概念 PV。2 个月，每天投入 3 小时，总花费约 2000 元。
工作流：
- 世界观构建：用 Gemini 的 GEM 功能逐步构建世界观设定，带上下文记忆的长对话，不会随着对话变长而遗忘前面的设定
- 概念图生成：liblib 生成 100 多张概念图，一次生 4 张，命中率约 20%-30%
- 视频片段：海螺 AI 生成 6-10 秒视频，命中率约 12%-15%——生 8 条大概有 1 条能用。剪辑技巧：AI 视频头尾容易出问题，取中间稳定段
- 剪辑：手动完成。剪辑涉及节奏感和叙事结构，当前 AI 做出来偏平铺直叙
- 对白和音效：Minimax 完成
这个 PV 定位是内部展示和概念对齐——让团队快速理解「这个游戏大概是什么感觉」。对外发布细节上还需要打磨，但作为验证工具，2000 元 + 100 小时的投入产出比已经相当夸张。
Demo 期 PM 该做什么？
主动推动团队使用 AI。 Demo 期团队小、试错成本低、节奏快，是建立 AI 使用习惯的最佳时机。不要等人来问你，主动把好用的工具推给团队。
关注「验证速度」而不是「资产品质」。 Demo 期的每一个资产理论上都是一次性的。AI 生成的东西够用就行，先跑通再说。
用 AI 帮自己提效。 会议纪要、需求文档、进度跟踪、风险评估——这些 PM 日常高频做的事，AI 都能辅助完成。省出来的时间用在更重要的事情上：和人沟通、做判断、推动决策。
这也是我自己每天在做的事——从会议纪要到工作汇报到风险识别，AI 已经深度融入了我的日常工作流。
二、研发中项目（切片/量产期）：AI 融入生产管线
过了 Demo 阶段，正在切片或量产的项目，情况复杂很多。
核心矛盾是：项目已经有了成型的工作流和团队习惯，AI 要融入不是「加一个工具」那么简单，而是要嵌入现有的生产管线。
最普遍的问题：AI 停留在「个人技能」，没有变成「团队流程」
某项目组有一个美术 AI 负责人，个人能力很强，各种 AI 工具玩得很溜。他定期跟大家分享新工具新平台。然后发生了什么？身边半径一米内的人在用，远一点的人不太用。过了一段时间，团队就形成了一个奇怪的局面——会用 AI 的几个人效率飙升，其他人还是老办法，大家搞不清楚「到底哪个工具该在哪个环节用」。
后来他们做了一件事：把所有验证过好用的 AI 工具整合进了一个统一入口，配套写了 Wiki 说明书，新人入职培训直接看。使用率从「AI 负责人周围的几个人」扩展到了整个美术组。
启示：AI 工具的落地，本质上是一个流程设计问题，不是工具选型问题。 你选 Tripo 3D 还是混元 3D，这些选择当然重要，但不是最重要的。最重要的是：这个工具在你的团队工作流中，嵌入在哪个环节？谁来用？输入是什么？输出给谁？
回答不了这几个问题，工具再好也只是个人玩具。
方向一：美术资产生产——用「资产清单」评估 AI，而非「标杆资产」
评估 AI 工具的时候，团队的本能反应都是拿最难的东西去测——最复杂的角色、最精细的衣服、最高标准的过场。然后得出结论：「AI 还不行。」
做得好的团队思路完全相反。他们的问题是：「在我们游戏里所有需要做的资产中，有哪些是 AI 现在就能搞定的？」
你的游戏里有多少 NPC？有多少场景物件？有多少不需要骨骼绑定的静态道具？把这些全部列出来，逐一评估哪些 AI 现在就能覆盖。你会发现可覆盖的比例远超预期。
有项目组用 AI 加自训练 Lora 生成 NPC 立绘。判断很清醒：付费角色原画师必须亲手画，非付费角色 AI 生成加人工精修，覆盖大约 70% 的产能。效率差距：人工画一张 4-6 天，AI 生成加精修快的时候一天 1-3 张。
方向二：「可编辑的中间产物」思维
大部分人对 AI 的期待是一步到位的——给一张概念图，出一个可以直接用的 3D 模型。做不到，就说「AI 还不成熟」。
但做得好的团队追求的不是最终成品，而是一个「可编辑的中间产物」。
用 Tripo 3D 生成角色粗模：布线基本 OK，但贴图不行——UV 是乱分的，很多视觉上看着没问题的细节实际上是靠法线贴图「伪装」出来的。把贴图去掉，你会发现模型本身很粗糙。
但它的价值在于：把「粗模」这个阶段从 1-1.5 周压缩到了几分钟。 贴图不行？贴图本来就是后面的环节。UV 不对？重新分 UV 本来也是精修该做的事。AI 替代的是流程中最前面那个最粗糙的环节——而这个环节恰恰最耗时间。
AI 蒙皮绑定是另一个典型场景。几秒钟完成，1-3 万面的模型能达到 90% 以上的效果，衣服两三层的复杂度可以处理。主要问题区域在肩膀附近精度和双层布料大幅度旋转时的穿模。花 1-2 小时人工精修就能用。对低复杂度的角色（NPC、小怪），甚至都不需要怎么修。
你不需要 AI 给你 100 分的成品，你只需要它给你一个 70-90 分的半成品。从 90 分修到 100 分的时间，远少于从 0 分做到 100 分。
方向三：工种边界正在模糊化
传统流程：原画画概念图 → 交给 3D 建模 → 3D 做完交给原画确认 → 不对，改 → 再确认 → 再改。中间的来回沟通成本非常高。
现在有团队在试新流程：原画画完概念图 → 原画自己用 AI 工具升成 3D 粗模 → 确认没问题后直接交给 3D 精修。
2D 的同学可以在自己的环节里完成「这个东西 3D 做出来大概长什么样」的验证，不再需要等 3D 做完才知道。如果发现有问题，当场改 2D 概念图再重新生成。中间那个「2D 和 3D 来回确认」的环节，被大幅压缩了。
场景线变化尤其明显。过去场景概念设计必须原画出图、地编搭白盒，现在有团队变成了场景原画直接搭建——用 AI 生成伪 3D 效果图，甚至直接生成可用的场景物件和地表贴花。过去原画不会建模、不会做 3D，但 AI 把这个门槛抹平了。
对 PM 的启示：重新审视你的资产生产流程图。哪些环节的工种边界在模糊？哪些「交接节点」可以被合并？关注的重点不是某个人效率提高了多少，而是协作中的信息损耗和来回确认被减少了多少。
当前主流 AI 工具在游戏研发中的成熟度参考
截至 2026 年 3 月：
| 环节 | 工具/方向 | 成熟度 | 适用场景 |
|---|---|---|---|
| 代码开发 | Claude Code / Cursor | ⭐⭐⭐⭐⭐ 可大规模使用 | 写代码、修 Bug、编辑器开发、DCC 脚本，工具类功能可完全覆盖 |
| 2D 概念/设定 | Banana Pro / liblib / Lora | ⭐⭐⭐⭐ 可融入流程 | 三视图生成、草图细化、姿势参考、NPC 立绘、漫画分镜、风格 Lora |
| 3D 模型生成 | Tripo 3D / 混元 3D | ⭐⭐⭐ 可替代粗模环节 | 角色粗模、场景物件（静态）。贴图/UV 仍需人工处理 |
| 蒙皮绑定 | AI 蒙皮工具 | ⭐⭐⭐⭐ 可大幅提效 | 低中复杂度角色可达 90%+ 效果，高复杂度需精修 1-2h |
| 动画/动捕 | 深度摄像头 / 关键帧插帧 | ⭐⭐ 可做 Demo/过程资产 | NPC、载具、小动物、呼吸等简单动画可用；3C/主角动画不行 |
| 视频/PV | 海螺 AI / Minimax / C-Dance | ⭐⭐⭐ 可做内部展示 | 概念 PV、运镜参考、风格验证。对外发布仍有细节问题 |
| 技能/配置 | AI 读代码生成 JSON 配置 | ⭐⭐⭐⭐ 逻辑型游戏可大规模使用 | 适合战棋、回合制等逻辑驱动型技能；表现驱动型（帧精确特效）仍需人工 |
| UI 生成 | AI 生成引擎脚本 | ⭐⭐⭐ 可做白模 | 简单 UI（背包、聊天）5 分钟出白模，程序可直接用来做功能 |
这个表不是定论，AI 工具进化极快，每隔几周就可能有新模型改变某个环节的判断。但它给你一个框架：按环节评估，按成熟度分级使用，不要全有或全无。
量产期推广 AI 的节奏建议
阶段一：先用起来。 不要等有了完美的工具链才开始推广。哪个好用先用哪个，哪怕大家各自登各自的账号。这个阶段的核心是让团队建立 AI 使用习惯。习惯一旦建立，后面的优化才有基础。
阶段二：标准化。 当团队用了一段时间、筛选出了每个环节最好用的工具后，PM 牵头做一件事——把「散装经验」整理成标准文档。哪个环节用什么工具、怎么用、有什么坑、最佳实践是什么。不需要做技术平台，一份 Wiki 就够了。
阶段三：平台化。 如果团队确实有需求（账号成本控制、夜间自动化跑批）且有人力，再考虑做统一入口或 API 整合。
多数团队应该把精力集中在阶段一和阶段二。阶段二做扎实了，对效率的提升其实已经非常大了。
PM 在量产期的三个角色
流程的整合者——当某个 AI 工具被验证好用后，推动它从「个人技能」变成「团队流程」。定义它在工作流中的位置、输入输出、使用规范。
务实的判断者——不被「AI 做不到最难的事」困扰，持续评估「AI 当前能做哪些事，这些事占总工作量的多少」。推动团队先把能用的用起来。
变化的观察者——AI 工具进化极快，一个月前不好用的工具现在可能突然好用了。保持关注，在变化发生时快速评估对项目流程的影响。
三、线上项目：从玩家看不到的地方开始
线上项目融入 AI，逻辑和研发期完全不同。研发期 AI 解决的是「怎么更快地做出游戏」，线上期要解决的是「怎么让玩家玩得更好、留得更久」。
方向一：AI 驱动的智能 NPC 和动态内容
这是行业里落地最多的方向。逆水寒的智能 NPC 系统、和平精英的 AI 战犬布鲁斯、王者荣耀的 AI 教练——这些不是实验室的 Demo，是已经上线的功能。腾讯已经有 40 多款游戏应用了 AI 技术，GDC 2026 上贡献了 21 场 AI 相关议题。
核心思路是用 AI 让游戏世界更「活」。NPC 能听懂自然语言、能根据玩家行为做不同反应、能提供个性化体验。更进一步的方向是 AI 作为「Game Master」——不参与游戏，而是管理游戏。一个 AI 在后台持续评估游戏状态：是否公平、是否有趣、节奏是否拖沓，并在适当时机做出干预。这和传统的动态难度调整不一样，它在更抽象的层面理解「这场游戏的整体体验」。
但需要特别警惕安全风险。
2025 年 Epic 在 Fortnite 里推了一个 AI 驱动的 Darth Vader 角色，玩家可以语音对话和招募组队。上线几个小时内，玩家就成功诱导 Vader 说出了不当言论。Epic 在 30 分钟内推了热修复，但随后被曝光了更隐蔽的操控方式——让 Vader 贬低特定语言和族群，这类操控太隐晦，AI 自己无法检测。
比「说脏话」更值得警惕的是 AI 操控玩家消费行为。Agent 可能通过「建立友谊」或「威胁你输掉比赛」来诱导付费——这是通过长期关系和情感操控实现的，比弹窗广告精准得多，现有的合规框架可能无法有效识别。
如果你的团队在考虑引入 AI Agent 到产品中，安全和伦理边界必须从立项阶段就定义清楚。 需要提前回答：Agent 在什么情况下会拒绝回应？谁来审核 Agent 的输出？如何检测微妙的操控行为？玩家举报 Agent 的机制是什么？
方向二：AI 辅助的 LiveOps 优化
线上运营本质上是持续的 A/B 测试。AI 可以在三个层面帮助你：
活动策划效率。 用 AI 辅助生成活动方案、文案、配置数据，把策划从重复性工作中解放出来。一场活动从策划到配置到上线，中间有大量模板化的工作，AI 可以大幅压缩这部分时间。
数据分析和预警。 AI Agent 可以实时监控关键运营指标，在数据异常时主动预警。比「玩家投诉 → 客服反馈 → 运营才知道」这个链路快得多。对于 DAU、付费率、留存率这些核心指标的异常波动，AI 可以做到分钟级的响应。
个性化推荐。 根据玩家行为和偏好推送个性化内容和活动。技术上已经成熟，关键是怎么做得自然——不像广告、不让玩家反感。
方向三：AI 辅助的版本迭代
线上项目也需要持续出内容。AI 在这里的价值和研发期类似——辅助生成美术资产、加速代码开发、优化测试流程。
区别在于线上项目对稳定性要求更高。任何 AI 生成的内容，在进入正式版本之前都需要经过严格的质量验证。这一点和 Demo 期的「先跑通再说」逻辑完全不同。线上项目一个 Bug 的代价可能是大量玩家流失和舆论危机，容错空间极小。
方向四：客服和玩家沟通
AI 客服已经是一个比较成熟的方向。但游戏客服有它的特殊性——玩家的问题涉及复杂的游戏机制，情绪化程度比普通客服场景更高。
做得好的团队是分层处理：简单问题（密码重置、充值查询）AI 直接回复、中等问题（游戏机制解释、活动规则说明）AI 辅助人工、复杂问题和情绪化投诉（账号异常、误封申诉）由人工处理。分层的关键是准确识别问题的复杂度和玩家的情绪状态，这一点 AI 已经做得比较好了。
线上项目的核心门槛：信任
线上项目融入 AI 最大的风险不是技术，是信任。玩家对 AI 生成内容的接受度还在建立过程中。如果玩家发现「这个 NPC 的对话是 AI 生成的」而且体验不好，反噬可能比不做还严重。
建议：先从玩家感知不到的地方开始。 内部工具、运营效率、数据分析——这些应用不直接触达玩家，风险可控。等团队积累了够多的经验和信心之后，再考虑面向玩家的 AI 功能。
GDC 的数据也印证了这个判断：81% 的开发者用 AI 做研究和生产力提升，47% 用于编程，19% 用于资产生成，只有 5% 用在面向玩家的功能上。这个比例不是因为开发者保守，是因为面向玩家的 AI 功能确实还有很多问题没有被解决。
四、跨阶段的共性认知
87% 到 5% 的落地鸿沟
87% 的游戏开发者已经在使用 AI（Google Cloud 和 Harris Poll 的调研甚至给出了更高的数字），但 BCG 的追踪报告显示只有约 5% 的公司从 AI 投入中产生了可衡量的业务价值。McKinsey 2025 年的全球调查也印证了类似图景：88% 的组织在使用 AI，但只有约 6% 真正实现了有实质意义的 EBIT 影响。
这个差距的核心原因不是工具不好。
是大多数团队把 AI 硬塞进了旧流程。你用 Midjourney 出概念图，但概念图之后的评审、修改、定稿流程完全没变。你用 AI 辅助写策划案，但策划案的评审标准和通过机制完全没变。
发动机换了，但车的结构没变。跑不快是正常的。
McKinsey 的数据验证了这个判断：被定义为「AI 高绩效公司」的企业，有近三倍的概率从根本上重新设计了工作流。不是微调，是重新设计。
问自己一个问题：因为有了 AI，我们做游戏的方式改变了什么？如果答案是「工具换了，流程没变」，你大概率在那 87% 里面。
开始衡量 AI 的实际效果
不是笼统地说「效率提升了」。而是具体到：这个环节的交付周期变了多少？质量达标率变了多少？迭代频率变了多少？需要返工的比例变了多少？
没有衡量，就没有改进。没有改进，就永远停留在「用了但没用好」的状态。
约四分之一的开发者承认很难准确衡量 AI 投入的 ROI。很多团队的 AI 使用更像是「跟风」——大家都在用，我也用。但没有人在追踪具体的效果数据。
管理团队对 AI 的情绪
GDC 三年追踪数据显示一个矛盾的趋势：52% 的开发者对 AI 持负面态度，但 36% 的人在稳定使用 AI。分职能看，64% 的美术师对 AI 持负面态度，63% 的游戏设计师也是。而管理层的使用率（47%）远高于一线（29%）。
如果你强行在美术团队推行 AI 工具，可能引发的不是效率提升，是团队信任危机。
正确的做法是先在愿意尝试的岗位形成示范效应。程序侧通常是最积极的——他们对 AI 的接受度最高，实际使用效果也最明显。让大家看到实际效果，再通过内部案例分享逐步影响持保留态度的团队。用事实说话，比任何说教都有用。
AI 不是目的，游戏才是
这是今年 GDC 上一篇报道的标题，也是我最想强调的一句话。
不要为了「用 AI」而用 AI，更不要为了完成老板的政治任务而做表面文章。
真正有价值的 AI 落地，一定是解决了某个具体的痛点——某个环节太慢了、某个流程太浪费人力了、某个验证周期太长了。从痛点出发，而不是从工具出发。
你的项目组里一定有这样的痛点。找到它，然后看看 AI 能不能帮上忙。这比拿着一堆 AI 工具去找应用场景，效率高得多，也实在得多。
写在最后
AI 对游戏行业的影响已经进入下半场。上半场是「要不要用」，下半场是「怎么才能真正用出价值」。
87% 的采用率说明上半场结束了。5% 的价值创造率说明下半场刚刚开始。
回到开头那个问题——一边裁人一边推 AI，说明什么？
说明行业正在经历一次生产方式的深层重构。在这个过程中，旧的规则在失效，新的规则还没完全建立。对从业者来说，这恰恰是一个重新定义自己价值的窗口。
AI 替代的是执行，放大的是判断力。一个会用 AI 的 PM，可以用 AI 整理会议纪要、生成 Sprint 报告、做需求文档的结构化自检、分析历史排期数据来识别风险。这些事情以前要花你一天，现在可能一两个小时。省出来的时间干嘛？用来做 AI 做不了的事——和人沟通、做决策、解决冲突、推动落地。
同样是一个 PM，一个把 AI 当成效率杠杆的人，和一个还在手动整理 Excel 的人，实际产出可能差出好几倍。这个差距会直接反映在你的不可替代性上。
不要等完美，先用起来。不要用最难的标准来评判，先找到能用的场景。不要停留在个人使用，推动它成为团队的标准工作流。
🎙️ 本文有播客版：小宇宙链接
如果你想进一步了解游戏PM的AI工作流，可查看游戏PM的AI实战手册。