AI前沿分享(下):在游戏、具身智能、SaaS方向的应用和思考
作者：微信文章前一阵参加了一场嘉程资本和亚马逊云科技组织的AI应用创业者分享活动，一整天全程听下来感觉很有意思，拖了很久，把印象深刻的insights整理出来、分享给大家。
内容比较多，浅尝辄止，很多感兴趣的话题无法展开，在后续的文章中讨论。
其中指明来源的是嘉宾的输出，仅供分享交流。
上篇：AI创业者线下活动的见闻思考（上）
全文2500字，看不完也记得点点“在看”和关注。
应用方向四：游戏
AIGC应用于游戏我能想到的主要有三个方面：
一是成为工艺层面的生产力工具，对美术、建模、文案等环节提效；
二是应用于角色扮演，提升游戏沉浸感、提供个性化的陪伴体验，如逆水寒、乙女游戏的部分对话；
三是服务于情节构建，如文字类冒险/推理解谜游戏的剧情展开。
这次分享的应用就属于第三类——“海龟蘑菇汤”，一个人玩的海龟汤。
海龟汤：Situation puzzle 情景解谜，由出题者首先描述一个场景（比如一个案发现场：一个男士倒在人行道上，手边有一把雨伞，但此时并没有下雨）；参与猜题者可以提出任何问题以不断定位事件的原因，但出题者仅能则以“是（对）”、“不是（不对）”或“没有关系”来回答问题。
“海龟蘑菇汤”由盏灯工作室出品。海龟蘑菇汤拿到了很不错的成绩，2022 indiePlay最佳移动游戏奖，解谜榜长期登顶，140万下载。我在参与这个分享之前就在Taptap里看到过这个游戏。
分享人主要介绍了盏灯工作室如何做成本优化。海龟汤的玩法使得计算单体成本相对容易，
单机平均成本=单问题平均成本✖️单故事游戏问题数✖️单机游戏故事数
起初，这个数目远高于用户能接受的此类游戏的售价，
因此成本优化变得非常重要，有效手段包括：
大模型和小模型结合
对游戏产品来说尽量避免使用大模型，原因：免费、时延低
实操方法：建立知识库，利用语义近似搜索知识库，把已经回答过的问题纳入知识库；对于没回答过的新问题才去请求大模型
向量数据库
上下文缓存：业界常用的技术优化手段
Prompt优化
当然还有GPT本身的调用成本降低。
Prompt优化使成本降低到原来的40%，产研优化手段使成本降低到2.5%，大模型降价再*30%。海龟蘑菇汤的成本较之最初已经降低到原来的千分之三。
此外，盏灯还分享了AIGC在游戏上应用的机会和挑战。
AI游戏有利于传播
高自由度
个性化
沉浸感——沉浸感提升能极大放大游戏体验的游戏类型
乙女游戏
恐怖游戏
挑战
接受度
“尸块拼接”：玩家对AI资产有抵触心理——某乙女游戏被玩家扒出疑似使用AI技术绘制卡面，被喷的体无完肤。
如何衡量价值：AI的劳动如此廉价，那么凭什么付费？
付费习惯
AI按调用量产生成本，但玩家并不习惯按使用次数付费；且正常的游戏设计者都期待玩家停留和挖掘挖掘，但AI的调用成本却让设计者和玩家都有游玩负担；
上下文依赖带来的挑战：上下文缓存技术非常重要，深度的游戏体验依赖长上下文；
渠道费用：AI游戏有高昂的边际成本，需要改变传统的游戏分发方式。
应用方向五：具身智能
具身智能这个概念24年很火，其实1950就由“图灵”提出，大模型这波浪潮把这个领域带到了舞台中心。具身智能我自己理解就是在有物理实体的机器人上装上AI作为“脑子”，能让机器人收集并处理物理世界的数据，通过和物理世界交互完成任务。
其实，自动驾驶汽车不就是具身机器人吗？ 同样都是感知-规划-控制。
AI对机器人的赋能空间大，主要在于以下方面的复杂性/待提升项：
和人类的交互：派任务的指令从特定语言变成自然语言；
工作的复杂度：支持人类自己都不知道指令怎么下的工作，需要机器人根据最终需求自己思考任务是什么、怎么完成；
工作环境：能适应更开放的工作环境，解除需要人类需要为其营造的特定环境，免除需要解决的各种前置依赖。
大家一想到具身智能可能第一时间想到人形机器人，不过业界对具身智能的发展路径的意见有很大分歧，主要集中在是否应该优先发展人形机器人。机器人其实有很多形态，它的场景也远不止于toC的陪伴。比如下图中的机械臂在很多自动化工厂都能见到。农用、清洁、工程、物流，很多结合场景。
和从事该领域研究的朋友交流，双手双脚和头的构造对机器人来讲会产生很多限制，比如双脚显然不如轮式/四足走得稳走得快，比如为什么是双手不是六臂。当前认可人形机器人的出发点从“陪伴”场景的舒适性考虑，但是当前的技术还没发展到需要考虑人文关怀的程度，而且人形难道不是反而会让人感到危险，毛茸茸的机器狗狗不好吗？除了特殊需求（当然这一场景有巨大的付费潜力）一定要做成人形，我还没想到一定要做人形的应用场景。人之所以为人是因为大脑，不是这副躯体，在自然界中人类可不占优势。话说回分享人，来自有鹿这家公司，公司业务主要是售卖插入机器人的“AI大脑”，订单量已突破3000万，分享人有一个点讲得比较有意思，有鹿在机器人领域的出海思路是“ 不碰产品端，只当供应商。不碰渠道、售后、维修， 做供应商的思路就不是抢钱而是帮人赚钱“。
应用方向六：SaaS分享人来自Workstream，Workstream是一款HR SaaS产品，从北美线下中小店铺的招聘场景切入，应对的是应聘人员流动大、文化背景和语言习惯多元、招聘合规要求高的问题，主要依托北美招聘有明确的流程，为店长服务。分享人讲的两个点我印象很深刻。创业者必须具备小样本学习（客户样本）的能力，并且有能力快速接近和获得客户，高速迭代PMF。相比国内，北美做toB产品有优势。用户对流程优化有明确期望，很容易数字化，核心是找在没有你的服务时也有明确流程化解决方案的场景，你只是用AI优化这些流程环节。而且行业竞品不怕同质化，有点像消费品，反而是特别niche之前从来没人做的可能不是个真需求。
最后是来自硅谷的分享人带来的判断：
交流是关键的行业有更大机会， 教育、心理、游戏。
模型的Scale到头了，聚合一堆小模型做MoE是一个主流的思路， 算力还在。
multi-agent+micro-service，做服务的精细化。
domain knowledge，训练一个domain的小模型基本都能打败大模型。
我自己是对游戏和具身智能很感兴趣，25年CES上看到日本公司的小机器人感觉在技术成熟到实际解决用户问题之前，能让小机器人当个时尚单品也不错。
如果你觉得我的文字有信息量，请点赞、“在看”帮助传播，分享给你的朋友，关注我，你的关注是我持续创造的动力。
⬇️关注⬇️
25年除了AI，也打算继续写写自己，职场小经验。希望不要拖更太久。
下面是广告时间：《千脑智能》我自己看过，安利，
页:
[1]