亚马逊张孝峰：游戏业的AIGC工业化，每家公司都该有可控生产线！

【GameLook专稿，未经授权不得转载！】

GameLook报道/5月16日，2023亚马逊云科技游戏开发者大会以线上形式召开。大会设“构建”、“运行”、“增长”三大分论坛，并邀请来自完美世界、37手游、柳叶刀工作室、Mattel 163等多家游戏公司技术大佬作为嘉宾，分享对前沿技术的把握、对热点话题的探讨，以及对行业趋势的洞察等。

在首日的“构建”分论坛上，亚马逊云科技首席游戏解决方案架构师张孝峰带来了《AIGC与游戏工业化》的分享。张孝峰认为，AIGC必须做到可控、高精度、一致性、易用的、批量的、自动化、没有版权风险，才能为游戏工业化搭建可用、好用、敢用的生产线。

在他看来，今天已经有大量非常成熟且开源的生成式网络模型，无论是程序员还是画师，都应当关注AI，因为AI即将改变我们的一切。

以下为分享实录：

大家好我是张孝峰，今天我们讲一下AIGC。AIGC在中国开发者中间讲得比较多，全球开发者可能会称呼“生成式的网络”，无论哪一种都是一样的内容。前面的演讲提到中国游戏产业正处于承压蓄力阶段，2022年销售收入和用户规模近八年来出现首次下降，所以需要在未来的游戏发展中，做到“质与量并齐，以质的提升为优先”。

但我们知道，发展一个行业是不可能同时做到“要好”、“要快”、“要便宜”，这是一个“不可能三角”。

其实在游戏行业里也没有那么缺工业化，中国开发者以前就做过大量的铺量的游戏，其实某种程度上也是工业化，可能是缺乏创意的工业化，但是能赚到很多钱，那时会有一些质量较低的游戏。

但现在游戏开发者如米哈游，他们创造了风靡全球、代表中国文化的游戏，这些游戏经过长时间、高成本的3A式开发和精雕细琢。

怎么同时做到“要好要快要便宜”？我们认为生成式AI带来了工业革命级别的能力。可以想象18世纪第一工业革命发起就是因为蒸汽机的产生，让人类的开发能力有了质的提升，如今在游戏行业我们也面对同样的时机。

在AIGC的主流场景中，我们希望AI可以做很多事，像文字、视频，实际上最成熟的方向还是图片。同时图片方向对游戏工业而言也是最重要的，因为在一个正常的游戏公司尤其是产出相对高质量的游戏公司中，美术人员比例可以占到三分之二甚至更多，而且在游戏的中后期占比会更大。

所以如果能提高美术人员的开发效率，就能大大增加游戏的整体开发效率，且没有牺牲质量为前提。

我们都知道AIGC很好用、可以用，那应该怎么选择AIGC工具？实际上到了2023年，可以用于绘画的AI模型非常多，如早在2014年就有对抗网络的GAN模型，做一些图像转变，但是没有创造能力。但OpenAi发布了DALL-E模型，用Transformer网络中的attention模块做到了基于图片的深度学习，也开创了生成式网络的方向。

今天我们已经拥有了非常成熟的、公开开源的生成式网络模型Stable Diffusion。Stability.ai这家公司和很多AI公司一样，他们认为AI应该平民化，有着“AI by the people, for the people”这样的口号。

疑问一：游戏公司需不需要训练自己的模型

因为Stability.ai非常好地做了开源，让所有的游戏开发者可以很方便地用到Stable Diffusion模型，所以我们第一个疑问就是：游戏公司需不需要自己从头训练模型？相信很多开发者已经有自己的答案，我们不需要自己训练模型。

这张图片是Stability.ai的CEO在亚马逊云科技去年大会上的演讲，他们在亚马逊云科技上用了4000张A100 GPU，才训练出SD 2.0模型。模型训练后运用，无论是预测、微调，都可以在单张的GPU上运行，真正做到了AI的民主化。

有了AI民主化之后，就产生了非常好的社区效应，现在生成式AI图片并不是Stability.ai一家公司在贡献，实际上很多的开发者都在其中。比如分享站点huggingface.co，以及非常适合美术人员排版和搜索风格的C站Civtai.com，让大家挑选一些非常精美的模型。

实际上在Stability.ai模型应用上创造了很多工具，让模型应用更加好用。比如非常著名的AUTOMATIC111开发者开发的webUI，包括ControlNet、Lora的训练，还有可以把图片无限扩张的openOutpaint项目，都是开源界免费给大家提供。会有机的形成一个整体，帮助我们做完图片生成的整个过程。

疑问二：游戏公司只需要懂Prompts就能用好AIGC？

第二个疑问是，很多人接触AIGC或者图片、文字生图时，他们都会说“我们只需要懂那些图片的咒语就可以了”。现在无论在一些网站像小红书上，甚至在一些二手售卖网站上，他们都会给大家售卖这样的“咒语”。

“咒语”的确很重要，但它是不是就是全部？实际上并不是，因为我们即使掌握了某一个咒语，要去生成某一张好看的图片时，可能也是抽盲盒的状态，这也是AIGC领域最多人提到的一点。但我们要做到游戏工业化，绝不能只抽盲盒。

要做到工业化，就要做到生图是可控的、高精度的、一致性的。

训练自己的模型保证一致性

怎么去做到一致性？其中一种方法可以去训练自己的模型。比如说一家成熟的游戏公司，有自己的IP或者购买了一些成熟的IP，就需要通过微调模型把IP给固定下来，让生成的图片跟IP一致。其实像Dreambooth、Texttual Inversion或者Lora各种方式可以去微调模型，它们的大小可能会各不一样，但都是可以用的方法，现在更多的人会使用Lora。这样的方法可以让保证产生一致性的、符合游戏IP的结果。

我们来看一下这样的一个例子，出于版权问题我用了一个开源例子，这个例子里左手边是维基百科的的吉祥物“维基娘”，它是一个完全开源状态下面的动画人物，所以我可以安全的把它拿下来做训练。我把“维基娘”训练成Lora后，可以搭配不同的模型，生成3张，甚至30张、3000张不同的图片。清新的风格、暗黑的风格，甚至是汉服的风格，可以让我们的IP在不同的游戏，不同的动漫里面去做展现。

另外一个大家比较熟悉的项目是在ControlNet里面的OpenPose，可以看到当我们给出这样的一张OpenPose的图片时，生成的图片人物就全部会摆出这样的姿势。当然了，在调整不同的权重的情况下，这个姿势或多或少会有点小变化，但也是非常合理的姿势。

这里面也会有一个实际的应用，这是亚马逊云科技的架构师发表的一篇文章，他帮助他的电商客户，把这个OpenPose跟电商服装去结合，直接一键生成电商服装模特的照片。这个模特不是真人，但是做出来的效果跟真人一致。而且她穿衣的位置非常精准，所以这是OpenPose的实际应用。

还有一个应用例子是ControlNet有个Canny边缘检测功能，比如说这是我原来生成的一张AIGC的图，我通过Canny处理之后，它可以变成一个线稿，这个线稿搭配上不同的这样的关键字，就可以生成很相似，但是完全不同风格的这张图。特别说一下下面的一些关键字，其实也是ChatGPT帮我生成的。

线稿生图这样的一个应用，也有个非常实际的场景。左手边这张线稿其实是一个美工大佬给到我的，他给我出了一个题目，说你给我去做这样一个事，为什么他要做这个事呢？左手这张线稿他们是真人美术工作者画出来的画，可能占了他整体美术工作里面20%的时间，但是他要变成右手边的这一系列图，可能他们会在里面挑一张，才能够真正完成工作，而右手边工作实际上占了他们60%-80%的时间。

所以如果能够一键从线稿生成图片，对于他们的整个工作流的会有巨大的价值，而我花了十几分钟就能做出线稿生图。这是另外一张的图片，是一个南瓜头海盗的形象，它也是做出来效果非常好。

在整个AIGC的开源领域，其实有很多的开源开发者参与其中。所以他们的开发是非常激烈的，就在我写这个PPT的过程中他们就更新了。在4月24号ControlNet更新到了1.1版本，新增了lineArt模型，lineArt实际上是更适合线稿生图的模型，我现在还没有做详细的测试，回头跟大家一起去分享这里面的一些我的测试心得。

高精度带来可用的美术工具

还有一个方向是要做高精度。我们知道，如果大家玩过AIGC的话，比如说在Stable Diffusion里，其实很难做出比512×512大很多的图，通常最多到1024的程度。因为Stable Diffusion 1.5是在512×512的参数下面做训练的，强行把它拉大，很可能会生成两个人物，并不好看。

所以我们通常都会去做一个UpScale的动作，UpScale跟传统的直接把图片做一个二次平方放大是不一样的，它实际上也先做了一次的放大，但放大以后会分块。比如说要放大到3倍、4倍，那就可能会切成8块、10块、12块，然后在每一块里面用原来的关键字、原来的模型去做局部的重新绘画。

在这张图里，如果大家下载到完整的PPT，可以仔细去看一下左手边直接放大以后，眼睛旁边好像有一些小小的暗影，也看不出来什么，在右边AI重绘的时候，他就会把这一部分变成了一个在眼白里正常的血丝，这样就会特别有质感。所以它这个放大是AI想象过的放大，能够保证质量。

实际上，这个Denoising的参数可以保证放大的时候跟原图的相似度。比如说这个案例里去做放大的时候，我就刻意把Denoising调更高一点，其实我也忘了是0.25还是0.35，但是它就会让两个眼睛会略有不同，他们有点像，但又略有不同。

这样的情况下也可以让图片有另外的一些修改，比如说原来不笑的图片可能变得带一点微笑，所以UpScale也是我们很好用的一个功能。如果做到了可控高精度的UpScale，再做到这样的一致性的控制，实际上这样的一个美术工具就是一个可用的工具，它不是一个玩具，它真真正正是一个美术工业化里面可以用到的工具。

疑问三：SaaS服务又如何？

还有一些同学可能会问，实际上现在有很多很成熟的AIGC的SaaS服务，我直接用他们可不可以？的确可以，因为你要去用一个SaaS服务的时候，你的门槛可能是很低的，它很容易上手，网上有非常丰富的教程。而且出图的基本质量是有保证的，因为他们是一家商业公司，他们会希望用户留在这。所以他们基本上隔离了一些不好看的出图，保证相对的质量，所以新手可以用它来入门。

每一家游戏公司都应该有可控的生产线

但是如果你真的把它用在商业生产上，你会发现他没办法做一些模型的微调，或者说它微调的这个模型不属于你，而属于他们的商业公司。然后他也没办法去做一些精确的控制生图的方向，我看到有一些SaaS工具已经有方这个方向尝试了，但是跟开源界还是差很远。最重要的一点，可能它的版权是成疑的，这个我们后面再去讨论。

所以一般不建议直接把个SaaS服务用于生产，可能会有各种的问题。我们认为每一家成熟的游戏公司，都应该要有一条自主可控的AIGC生产线。

那怎么去做到呢？就是通过Stable Diffusion搭建一个生产线。刚刚开始的时候门槛可能会比较高一点、上手可能会难一点、可能需要有硬件，无论是自买显卡，还是要去在云计算上面去租用硬件。

刚开始甚至生出来的图都挺难看的，因为你没有很好的模型，没有很好的调配，大部分人刚刚使用Stable Diffusion的时候，会觉得那个图没有一些SaaS服务的的好看。但是它整个社区是激烈开发的，而且氛围非常好，所以很容易能够找到别人已经做好的一些模型，然后再加上你们公司自己的游戏IP，就可以控制出很精美的图，更符合商业需要，而且版权可控，但这里面需要怎么去控制版权，我们后面也会聊到。

如果要去搭一个Stable Diffusion，肯定绕不开的就是webUI。webUI就是一个界面，我相信如果玩过Stable Diffusion的同学都会非常熟悉这个界面，它的确很好用，功能非常的丰富，但是不是仅用webUI就可以用好AIGC？

借助API实现批量和自动化

其实并不是，在一些传统的SaaS服务里，我们可以看到他们其实是webUI的简化，尤其是大家比较熟悉的M字头就是一个极致的简化，你只需要给他一个Prompts，它所有的一些小小的仅有的一些控制的部分，都直接放在Prompts里、它的咒语里面就可以做到。所以对于很多美术同学来说，就是需要一个这么简洁的生产力的工具。所以我们要做到游戏美术的工业化时，不仅仅要做到可用，还要做好它的易用性。

易用性除了在使用界面上的易用性，还有一个在工业化实际场景里面要做到的批量和自动化。

什么叫批量和自动化？举一个例子，已经开始使用游戏美术工业化的公司常做的一个场景，会有一个主美术，主美术会去控制整体的这美术风格，比如说他把Prompts做好了、把ControlNet做好了，然后这一部分数据会做一定的排列组合，比如Prompts加这个会不会好一点？ControlNet这么摆会不会好一点？

排列组合之后送到后台一个批量生成的模块，这个模块可能不占用美术人员平时自己使用的机器。然后会大量生成图片，甚至一晚上生成上千张图片，发给他的一些小美工去快速挑选图片。比如说一晚上生成上千张，美工第二天早上上班就可以去拿到上千张图片去做分类，哪些是好的，哪些不好的。好的就拿回去做精细加工，因为刚才我们说到的像放大或者甚至一些修改啊，其实都是非常耗费资源的，没必要把每张图片都放大，所以我们就会挑选好的图片再拿去放大。

这个情况下，好的这些排列组合也可以学习，甚至加上机器学习的部分，帮助我们去改善生成参数。

在游戏工业化的其他批量流程里也可以举出一两个例子，比如说批量的模型训练。游戏角色IP其实在一个公司里面可以很多，比如说一家三国志游戏的公司可能有数百名武将需要做训练，训练过程中可能也会产生各种的不同的训练结果。因为在传统的训练里，通常都会把训练做到比如说几千步到1万步的过程，通常1000到2000步会保存一个中间结果，因为我们知道到后面很可能会过饱和，效果可能会更差。这样的情况下也是一个排列组合，一次训练出10个、20个模型出来，然后用相同的咒语去生图，就知道哪一个模型是好的，再投入生产使用。

比如说刚才提到的电商场景，如果已经把ControlNet控制的非常好了，剩下来的就是要拍摄真实的衣服，就可以做一个固定的衣服的架子，只要挂上去按照布光、机位拍摄，就可以批量、自动化生成大量模特穿着衣服的照片。所以，这个批量的场景实际上非常多的。

那我们怎么去做到批量？这个也非常简单。因为首先Stable Diffusion的webUI完整的提供了API功能，如果大家手头已经搭好了一个webUI，可以访问它的/DOS目录，这个界面是在整个Stable Diffusion里面完全可以用到的每一项的API，甚至增加一个插件，比如说我们刚才说的ControlNet更新了到1.1，这个API也会随之更新。所以可以用程序化的方式去调用在webUI上看到的所有的东西。

用无服务器架构部署模型

第二点它还有一个开源项目，可以把整个Stable Diffusion的web UI打包成一个Docker，这个Docker里面你就可以把你训练好、从C站上下载的模型，或者你训练好的Lora各种的Extensions塞到这个镜像里，然后推送到我们的推理集群里。

所以在一个完整的AIGC的工业化生产领域里，可能会有这样的一个物理部署，从中间的橙色的部分去打包一个Docker镜像，这个打包能力它可能会跟C站有关联，你只要给出一个C站的对应的URL，它就会帮你下载模型，然后打包到镜像里，再推送搭建到推理集群。

这是一个庞大的弹性推理集群，只要提供相应的生成参数，就可以自动去调用API。对于普通的美工来说它可能就是一个按钮，当然需要公司的开发人员去做一定的开发。但是我相信，所有的开发人员看到刚才那个API之后，都觉得非常好开发。

这就完成了生图的过程。同样训练也一样，我们可以从对象存储里去拉取训练集图片，训练集群可以做各种模型的部署，同时也会调推理集群，生成模型的鉴定图片。最后选定的模型也会推到打包，可以选择合适的模型进行打包搭建推理集群，这就是完整的一个物理部署。实际上已经有相当多的开发者或者游戏的公司已经开始做，并且有不少的已经做出来了。

这是我们中国客户的一个实际案例，实际上把一个AIGC的工业化推到了他们的最终客户上，是一个真实的APP，可以帮助他的客户生成高质量的手机壁纸。手机壁纸首先有相当的分辨率，而且适配手机，肯定不是512×512，所以他们在里面其实做了好几步的动作。并且他也保证客户输出一些关键字的情况生出来的图是好看的，并且没有不符合法律的一些图片。

所以它整体把这个过程已经打包到非常好，好到可以让他们的最终用户，就是普通的受众可以直接使用，更别说他们内部的美工人员。这套工具完全搭建在亚马逊云科技上，他们用到了比如Sagemaker推理、Prompts输入的机器，在前端用到了Lambda，包括我们的S3对象存储，所以它是完全可以通过Serverless的架构去部署模型。

疑问四：AI时代，如何保护知识产权？

刚才讲到怎么去用模型，前面也透露了我们会讲到知识产权问题，为什么要讲知识产权？我们做到可控、高精度、一致性、易用、批量自动化，就是一个好用又可用的美术工业化以后，还要想用的时候有没有版权风险？相信大家都有去研究版权问题，最近在互联网的讨论也非常多。

版权保护仍有空白

讲版权问题还是绕不开SaaS。大家比较熟悉的Midjourney在用户手册里提到，他们的图片能不能用于商业用途，免费账号不允许商用，因为它是符合个人创作协议的。如果是付费账号可以商用，但是商用的同时Midjourney共享这张生成图片的版权。所以你们俩共有版权，但是他允许你商用。如果你是年总收入超过100万美元的公司，就必须买Pro的会员才可以视为合法商用。

这个也不是很多钱，几百块美金一个月的样子，但这一个声明仅仅是Midjourney自己的声明，是属于“我公司让不让你做的”的事。

在真实的环境里面又会怎么样呢？这是一本美国的漫画书，它是由美国的艺术家卡什塔诺娃生成的，这本漫画书有部分的图像是卡斯塔诺娃在Midjourney上生成的。然后卡什塔诺娃把这本书拿去了美国版权局进行注册登记，最初美国版权局也觉得这是一本正常的书，进行了版权登记，但是卡什塔诺娃她也是一个社交媒体上的大V，她把这件事发布到自己的社交媒体上。这件事情在美国社交媒体上火了。火了之后，美国版权局也注意到，于是他们重新审核，最终在2月21号给卡什塔诺娃发了一封信，信中说到他们要驳回版权申请，解释是他们的版权法是仅仅为了保护人类作者身份的作品。在2023年的3月16号，版权局发布了版权登记指南，专门针对人工智能的生成材料的作品做了解释。

指南里明确说，如果你的作品完全是机器人自动完成的，并且这个机器人的训练数据是基于人类的共同创作的作品，比如说像Stable Diffusion就是在60亿幅人类作品里创造出来的，那这样的作品就不受版权保护，至少在美国不受保护。

现在的Photoshop其实里面也会有非常多的AI的功能，实际上它也是一个AI辅助，但是这种辅助功能在美国版权局认为是可以受到版权保护的。

生成参数是AI时代的原画

这里面就留下了很多空间。首先第一点，美国版权局并不是一家立法机构，它其实是一个行政机构，隶属美国国家图书馆。但是在美国这样的一个海洋法系国家里，大家去打版权官司都会以美国版权局的注册为准，所以他就有行政权。这样的一个解释仅仅也是在版权局范围内的一个解释，理论上来说，他也不说你这个东西在法律上违法的。所以在绝大部分的地方其实美国虽然已经走的比较前了，但它的立法并不完善，在并不完善的情况下，就像可口可乐他们也没有申请专利，但是他们保护的很好，那因为他们保护了自己的商业秘密。

所以在立法不完善的情况下，商业秘密可能变成了我们在AIGC工业化里面更好的一个过程。这个商业秘密包括了很多的方向。比如图片制备流程可能会像这张片子里面讲到的，先有自由的训练集的数据，然后通过自由训练机的数据去微调，微调好模型，比如生成了一个Lora，然后主美可能会根据Prompts、ControlNet、Lora去调用大模型生成一张AIGC图片，这个图片出来以后，我们可能还会去做人工修正，这个是很多游戏公司常做的事，这里面有一个我们前面没提到的内容，就是生成参数。

生成参数实际上是在AIGC的领域里面特有的，如果在webUI生成图片，其实它会默认，除非主动关掉，会在它的Metadata里面默认带上生成参数，只要你把这张图片拖回到那个png info的插件里，就可以完整的看到生成参数。

这个生成参数非常非常重要，如果使用完全相同的生成参数，你可以生成一张完全一致的图片。从数学上它可能不是完全一致，里面还是有些学习度，但肉眼上它就是完全一致的。对这张图片做局部的修改放大，也需要有这个生成参数才能够保证完全无损。刚才说到它放大其实是一个重绘，重绘的时候需要有相同的模型、相同的Lora、相同的一些参数，才能够保证重绘的时候不会把一些颜色变掉。

所以生成参数本身就是一个AI时代的原画。很多的呼声都会说，生成参数本身就应该被版权保护，它保护的可能不是那张图片，但是它保护的是这个AI时代的原画。

其实在很多中国范围内的图片版权官司也是一样的，要证明某一个游戏用到的图片跟我游戏的图片很相像，这个很容易证证的，但AI时代你怎么证明你拥有的这张图片是你的？这就需要在公证处公证，我可以一键简单完整固定的生成同一张图片。这种情况下，你就可以证明这张图片就是你生成的，所以这个就是AI时代的原画。

所以在在AI时代，我们对整个商业秘密的保护就会有完全不同的一些方案。

比如自由训练集可能是美工画的，比如线稿、IP，主美的Prompts、ControlNet，其实也是他自己创造的东西，那我们可以通过传统的方式，比如说通过源代码管理、图片管理、网盘的形式去把它通过权限的方式保存起来。而生成出来的AIGC的图片本身我们假设先不用去理，但是人工修正的图片肯定是公司的财产，可能要在里面做通道图、做各种的贴图，也是传统的方法。

但在现代的方法里，我们需要一个自动化的工业系统，它除了批量生成图片以外，需要把这个生成参数——这个AI时代的原图给截留下来，保存在工业化的系统里，不被任何人获取。但是它又要非常精确的保存，比如我们的生成的图片如果人工修正的时候，可能也要依赖AI工具，这个时候我们就会把图片扔回来，通过相同的ID能够找回原来的生成参数，就能够对这个图片进行再次的处理或者再次的生成。

所以，我们需要一个现代化的自动化工业系统，把AIGC模型管好，并不是一个仅仅的开源的webUI就能够做到的事。只要我们做到了这样的工业化，它是可控、高精度、一致性、易用的、批量的、自动化、没有版权风险的，它就是一个可用、好用、敢用的工业化的生产线，可以大大提升游戏的开发效率。

疑问五：如何开始？

怎么开始这样的一个生产线呢？

不要觉得远，去学习、去使用

首先第一点，这个东西真的非常新，包括我本人在内研究可能就两三个月间，但是我们已经能看到很多成果。因为今天AIGC真的是程序员的工具，里面有很多的东西对程序员非常友好，所以如果你是一个代码开发者，你对你自己的美术画画的能力不那么自信，你也可以把它用起来。

实际上整个AIGC的开源里，日本的程序员的贡献特别大，真的应了米哈游那句口号“技术宅改变世界”。他们可能对日本文化里面的二次元宅文化特别有感觉，所以真的做了很多的努力。

而如果你是一个美术的工作者，你应该要相信AIGC工具未来可以大大的减轻你的工作负担，你要开始去学习它、开始去使用它，它并不是一个非常难用的东西，它已经有webUI。当你看到它画出来的图的时候，你会被他惊艳到，同时也能够学习到他怎么去帮助到你。

如果要用起来的话，你可能需要相应的硬件，你可能会使用GPU或者云计算。如果是GPU，至少要一张4到8G的显卡才可以做推理，如果要做模型的微调，则要16到24G的显卡。那一般来说一张4070显卡通常要5000块人民币以上，而且一张卡只能够支持一个人，不太建议用AMD或者苹果的M1的显卡，虽然能用，但性能不高，并且很多的插件可能兼容性不太好，因为很多的插件还是使用CUDA。

如果使用云计算，你可以按需计费租用一个GPU，实际上我们看到很多的SaaS产品本身就是在云计算上面去做的，所以它这个价格都可以做得下来，并且可以赚钱的话，那我们相信去使用云计算去做AIGC试验，费用也并不是很高，甚至是很合理的费用。而且像电费、硬件的损耗，烧显卡的事情也是经常出现的事，都可以在云计算这边解决掉。

所以如果要构造工业化管线需要两种人，第一种人是AIGC时代的系统架构师。他会非常了解AIGC的各种的开源实现，知道怎么去使用API调用，通过Docker的方法去构造生产集群，也理解美工给到它的对应的webUI的参数，并且帮助美工把它丢到参数里面做程序化生成。并且他知道哪些东西应该给截流保存下来，比如存到一个数据库里面、带上ID，就能够查询去保护公司的知识产权，知道知识产权在哪一块是很重要的。

另外一种人就是AIGC时代的主美术。这个主美术会使用AIGC作为主要的绘画工具，并不是说以前学到的绘画能力没有用了，还是非常有用的，但是AIGC可以帮他们大量涌现创意和细节，帮补充完整。以前可能画一张大图，需要一堆的小美工去画里面的细节，现在不需要，直接用AGC可以做出来。他会非常积极的拥抱这种各种新的开源技术，因为每一个新的开源技术拿出来都是一个巨大的创新，但是他自己还是会有强烈的美感，他可以快速的阅读大量的图片，而且知道这些图片是用怎样的AIGC方法生成出来。所以他有能力去统一公司的美术风格，去做模型的微调，去做参数的控制。

如果你是一个美术人员，你觉得AIGC离你很远，但是终究有一天你会发现，它必然会成为你的生产环节的一部分。到那个时候，你可以去利用它一键生成大量图片，你可能不需要关心里面的细节，但你依然要保持美感，快速的阅读大量图片，帮助你的主美去选择哪些是合适的、哪些不合适。作为一个反馈者提供意见，你也可以大大的提高工作效率。

说到这里，其实有一天，我想起来我的儿子跟我聊天，我的儿子也是一个游戏爱好者，他问我说：“爸爸，我看到现在AI很厉害，他画的图很漂亮，是不是以后所有的游戏都是3A游戏的呢？”

我告诉他说，对，也不对。可能未来所有的游戏都是今天的3A游戏的质量，但是3A游戏本身就是a lot of time, a lot of money的意思，总会有人还在AI时代继续a lot of time a, lot of money的生成，非常优质的游戏，只是那个时候的3A游戏,可能比现在的3A游戏有非常大的质的提高。

AIGC还不是游戏工业化的全部

其实AIGC的画画部分还不是游戏工业化的全部，还有很多的AI的功能，我们可以把它用起来。比如说利用强化学习大语言模型，结合AI的美术风格大量生成游戏关卡，这个其实已经在亚马逊云科技的不少客户里面去做了，结合AIGC的话，他真的可以去在后台自己就去创造一个关卡。AI可能现在还是比人笨，但是AI绝对会比人勤劳，只要你给它电，他就会每时每刻的去迭代学习，这是一个非常可怕的事。

当你真的有非常庞大的无限的关卡后，又可以去结合我们在大数据、人工智能做用户行为分析，真正做到千人千面的用户体验。每个用户碰到的NPC，碰到的游戏关卡都完全不一样，这样的场景才是真真正正的独一无二的元宇宙，每个用户进去都会看到不同的东西，我们希望这个未来很快来到，可能它已经来到了。

一点小声明，这份PPT里面绝大部分的插图都是AI生成的，包括大家看到的这些.所以它里面一定没有太多的版权问题，因为我也没有去通过一些专有模型去做训练，它就是一个在60亿的这样的一个大模型里做出来的训练。

再说一件小事。在前面说到线稿的时候我们去做了这张图，因为我本身不是一个美术工作者，所以我肯定觉得我的创意比不过AI，但当看到这张的时候，我真的是震惊了。

可能这张图在视频里面看的不太清楚，大家回头可以去下载PDF详细看。这张图片它生成的是一个虚实结合，一个铁框架子上架了一个南瓜的场景，任何的一个人类看左手边那张线稿都觉得一个南瓜海盗它是实心的，这个AI真的想象出来它是空心的，这是在创意上面做减法的动作，比绝大部分的人都要高级，非常厉害。

我甚至觉得这样的AI是有智慧的，当然如果从数学的原理上来说，我们知道他们都来源于这样的一篇的论文，《Attention Is All You Need》，这篇论文就是Transformer论文的开始。这篇论文其实题目也起得非常的精妙，他介绍了他的Attention的模型，Attention本身在英语里就是注意的意思，所以现在每一位开发者，无论你是一个美术的开发者，还是一个程序员，你都可以注意起来，AI即将改变我们的一切。

好，谢谢大家，今天就是我分享的全部。