top of page

GDC AI 调查发现更多游戏从业者在工作中使用生成式 AI

4小时前
讀畢需時 12 分鐘

GDC 的 11 月调查显示,40% 的受访游戏行业专业人士会在工作中使用生成式 AI,高于去年的 36%。生成式 AI 是一种根据学习到的模式创建内容的软件;它正在获得更多职场用户,却尚未赢得广泛信任。GDC AI 调查描绘了这样一个行业:它正在为这项技术寻找有选择的应用场景,同时依然警惕其后果。

这一差异给工作室领导者和软件供应商带来压力。仅凭采用率,无法证明从业者欢迎生成的美术内容、信任自动化输出,或认为这些工具能改善行业。一名开发者可能觉得助手对某项具体任务有用,同时反对雇主部署它的方式。

核心分歧在于内部辅助与直接面向玩家的创意内容之间。Valve 的 Steam 平台已经在其披露规则中区分了这两类内容。GDC 的发现使这一边界值得关注:采用的下一阶段取决于团队愿意接受什么、保留什么,以及愿意为交付内容承担什么责任。

GDC AI 调查实际显示了什么

最明确的变化是报告中的职场使用范围扩大,而非游戏开发已被证明得到改善。 GDC 的生成式 AI 调查结果显示,采用率上升了四个百分点。在采用者中,57% 表示每天使用。负面态度占比为 55%,此前为 54%;GDC 认为这一差异基本没有变化。

分母很重要。这些发现针对的是受访游戏行业专业人士,其中包括不直接参与开发的职业。它们不应被解读为每个编程、美术、设计或制作团队中都有相同比例的人使用 AI。覆盖全行业的广泛样本,回答的问题不同于仅限某一具体工种的调查。

每日使用这一数字也仅描述采用者。它并不意味着大多数受访者每天都使用这项技术。将这些群体区分开来,可以避免一个容易理解的标题演变成对 AI 已多么彻底进入制作流程的夸大叙述。

该报告于 2026 年 11 月 12 日发布。GDC 的行业调查公告称,超过 2,600 名游戏从业者参与其中。公告也解释了为何发布时间转向年末附近。读者应将本期视为当前状况的快照,而不应假定每一项比较都对应间隔均等的年度测量。

这一时间点解释了为何这些发现现在值得关注。团队正在决定未来项目中将授权、整合并持续使用哪些工具。当前使用情况的快照,为这些讨论提供了事实起点。它并未替任何具体部署方案下定商业价值结论。

仍有多种解释可能。员工可能在试用助手、依赖它处理重复性事务,或使用现有软件中捆绑的功能。标题中的采用指标无法告诉读者每种解释各占多大比重。它也无法说明员工是自愿、不情愿,还是在管理层压力下开始使用 AI。

因此,更有用的解读应当区分访问权限、实际活动和结果。访问权限意味着员工可以使用某个工具。实际活动意味着该员工真正使用了它。结果则关乎产出能否以可接受的投入和审查成本满足要求。

该调查主要有助于揭示实际使用情况和态度。评估结果需要不同的证据,例如按照明确标准评估完成的工作。一家工作室若声称生产更快,就需要将审查、整合和修改与生成过程一并纳入考量。

这一差异也改变了读者应如何理解高频使用。重复使用表明某个工具已在某人的日常流程中占有一席之地。但它并未回答这一位置是核心、边缘、暂时,还是难以替代。每日使用既可能指一项简短的行政任务,也可能指对制作流程的重要依赖。

GDC AI 调查为更仔细审视职场采用情况提供了可信理由。它并没有给出关于模型质量、工作室效率或开发团队未来构成的普遍结论。

工作室领导者面临更具体的采用问题

工作室领导者如今需要说明,哪些任务足以证明 AI 的使用合理,以及谁对由此产生的工作负责。 笼统要求拥抱这项技术,无法给员工提供多少指导。当工作室明确任务、允许输入的信息、审查流程以及负责验收的人时,决策才具有实际意义。

调查也表明,职场环境很重要。Dean Takahashi 的职场采用报道指出,27% 的 AAA 从业者感到自己被鼓励或被施压使用生成式 AI,而独立工作室中这一比例为 9%。AAA 指高预算游戏制作。该合并表述并未区分支持性的鼓励与强迫。

这一差别意义重大。获得可选助手的员工,与被要求展示使用情况的员工,面临的是不同处境。把两种经历都归入宽泛的采用叙事,会掩盖其背后的管理选择。

对工作室领导者而言,眼前的压力在于问责。如果生成的工作进入项目,就必须有人决定它是否符合其他内容同样适用的标准。委托生成,并不等于委托对最终结果的责任。

设想一位制作人使用助手起草内部状态更新。如果制作人能将其中的说法与项目记录核对,这份草稿可能有用。若虚构的依赖关系被写入进度表,其他团队又据此安排工作,风险便会出现。

关键问题在于,完成的更新是否更准确,或准备成本是否更低。统计提示词数量会忽略这一差异。只衡量起草时间同样会忽略制作人或收件人因此增加的审查工作。

同样的推理也适用于一位假设中的程序员探索代码库中不熟悉的部分。助手的解释可以成为起点。程序员在改变行为之前,仍需要确认它是否符合实际实现。

这些示例是分析性说明,而非来自受访工作室的记录结果。它们说明了为何单一的职场使用类别包含后果截然不同的任务。新闻价值部分在于,简单的采用数字与复杂的制作决策之间存在这种不匹配。

员工同样需要无需猜测即可执行的政策。工作室应明确机密项目细节能否输入外部服务。还应说明生成材料是否可以保留在原型中、进入制作流程,或出现在营销内容中。

这些边界会影响部门之间的关系。若一人的实验输出流向下游,就可能为另一支团队带来义务。例如,临时资产需要有明确状态,以便审查者理解它是需要替换还是需要批准。

工具供应商面临相关的商业挑战。证明助手能产出某些内容,并不意味着工作室就能在经济层面接受它。买家需要了解工具如何融入现有的审查、文档和审批实践。

这使整合证据比采用口号更有价值。一份有说服力的部署说明,应描述原始任务、结果以及仍需投入的人力。它还应指出助手表现不佳或需要异常严密监督的情况。

采购和政策决策面临的压力是即时的,而制作后果则会在更长的项目周期中逐步显现。一个组织可以很快授权某项工具。围绕它建立可靠习惯,则需要更持久的投入。

内部辅助和成品内容面临不同检验

帮助某人准备工作的工具,与直接交付给玩家的内容,面临不同的验收标准。 这是本文的核心权衡。内部辅助可以保持暂定状态,也容易被舍弃。成品材料则必须满足项目的创意、技术和商业要求。

Valve 在其AI 内容披露文档中明确了这一区别。Steam 关注的是交付并由玩家消费的生成内容,而非一般性的效率提升。它区分了开发期间生成的材料与游戏运行时生成的内容,后者需要额外的保障措施。

这一政策有助于解释,为何职场采用与可见的 AI 内容需要分别衡量。有人可以广泛使用助手,却不发布其生成的文案、图像或音频。反过来,一个项目也可能包含生成资产,即便真正使用底层工具的团队成员相对较少。

与 Valve 的比较涉及范围和问责。GDC 询问专业人士的工作与观点。Steam 的披露流程则关注客户收到的产品。两种指标都不能取代另一种,因为它们分别描述了开发的不同部分。

一个假设性的头脑风暴会议体现了第一类情况。一名设计师为内部原型征求可能的名称,拒绝了大多数建议,并发展出原创方向。输出在由人作出决策的过程中充当可弃用材料。

一个假设性的已发布对话系统则体现了另一类情况。玩家将其回复视为游戏的一部分。这些回复会直接影响角色塑造、氛围以及玩家对游戏世界的理解。

区别不止在于艺术偏好。当粗略建议的目的只是引发讨论时,它即使失败也可能无害。作为成品内容呈现的材料,需要在周围体验中发挥作用。质量不一致会成为产品的一部分,而不再只是准备阶段的不便。

这并不意味着每一种内部使用都可接受,或每一种发布用途都不可接受。它表明,批准应取决于任务及其后果。工作室需要与其希望提出的主张相称的证据。

对于内部研究,有用的证据应涉及准确性,以及将结论追溯至可靠材料的能力。对于制作资产,评估还需要考察其与项目方向的一致性。对于交互式生成,评估必须考虑面对大量可能的玩家输入时的行为。

即使同一项底层技术支持它们,这些也是不同的问题。一项在其中某个问题上表现良好的演示,无法解决其他问题。将它们视为可以互换,会让乐观和批评的论点都变得不够精确。

知识处理同样属于这一讨论范畴,因为生成的摘要可能会脱离其所依据的原始记录。一个有序的工程知识库可为保留文档与决策提供有益参照。它的意义在于可追溯性,而非鼓励采用任何特定的生成工具。

设想一个团队重新审视:为何他们在前期制作阶段放弃了某项机制。一份经过润色的解释,只有在如实反映实际决策时才有价值。团队需要查阅最初的发现、约束条件和未解决的分歧。

当生成材料被转交给他人时,同样的原则也适用。审核者需要足够的背景信息,才能判断自己看到的内容。缺少这些背景时,一项暂定建议可能仅仅因为出现在已完成的文档或获批文件夹中,就获得了权威性。

这正是为何辅助与成品内容之间的界限值得关注。它决定了一项实验何时会成为其他人必须支持的承诺。采用数据表明,工具正在进入工作流程;而验收决策决定哪些内容最终会留在游戏中。

这项调查无法判定生产力或裁员的因果关系

使用情况的报告无法证明生产力提升,而同时发生的裁员也无法证明其由 AI 导致。这是两项不同的主张,需要分别的证据。将它们合并成一个故事,会赋予这项调查超出其设计所能支持的解释力。

对于就业方面的发现,这一方法论警示尤为明确。GDC 表示,受裁员影响的人群参与度似乎更高。这使得他们的经历值得研究,但也限制了将该样本视为行业就业普查的尝试。

对于 AI 采用,更广泛的启示是,应区分调查回答与经测量的生产结果。员工可以准确报告自己使用某个工具,却无法量化它带来的影响。他们也可能对行业持负面看法,同时认可该工具在特定情境下的实用性。

因此,采用数据与情绪数据应保持区分。缺少相关交叉统计时,读者无法计算采用者中有多少人个人持负面看法。总体结果只能证明二者在样本层面并存,而不能代表每位个人用户的信念。

态度上的微小变化同样需要谨慎解读。两次调查之间的细微差异,本身并不能证明观点发生了有意义的转变。在解读随时间的变化时,样本构成、问题措辞和受访者特征都很重要。

怀疑论立场也需要精准表述。对就业、署名权或创意标准的担忧,都是值得报道的正当议题。但这并不能自动证明每一次部署都会减少岗位或损害质量。每项主张都需要与具体决策或结果相关联的证据。

生产力主张需要明确比较。团队完成了哪些工作,处于什么条件下,依据哪些要求?修改投入了多少时间?是否有其他部门承接了额外工作?

假设一名艺术家借助辅助工具产出了更多草稿变体。仅凭这一结果无法说明项目是否推进得更快。团队可能更早找到获批方向,也可能花费更长时间审阅不符合简报要求的材料。

相关的衡量单位是被接受的结果。一个产出更多候选方案的流程,仍可能增加总体工作量。同样,一个几乎不产生可见材料的流程,也可能帮助某人快速找到有用的方向。

这两种结果都不会由技术本身自动带来。因此,这项调查应促使人们开展更细致的评估,而不是成为绕过评估的捷径。其发现指出了一个值得研究的问题,但答案仍取决于具体任务。

就业方面的主张需要更加谨慎。工作室的公告可能提及重组、项目需求变化或效率目标。要确认 AI 的作用,需要有证据将特定部署与人员决策联系起来,而不只是指出两者同时发生。

员工的担忧仍应影响雇主的沟通方式。模糊的预期会让即使是可选工具也显得像是关于未来岗位的信号。管理者可以通过说明预期会发生哪些变化,以及哪些证据将指导后续决策,来应对这种不确定性。

这项调查同样无法判定 AI 是否改善学习。助手可能帮助某人理解陌生问题,也可能让其在并未理解的情况下继续推进。要区分这两种结果,需要考察此人之后能够解释什么、完成什么。

对于采购方而言,实际启示是要求可核查的主张。承诺广泛效率提升的供应商,应说明该说法所依据的任务与条件。描述成功采用的工作室,则应解释其如何评估成品工作。

对于批评者而言,同样的标准可以支撑更有力的论证。指出具体失败案例、有争议的资产或已有记录的人员决策,比把所有使用行为视为等同更具信息价值。具体证据更容易区分可避免的问题与更广泛的分歧。

当读者保留这些边界时,GDC AI 调查最具价值。它记录了一项工作场所趋势和持续存在的怀疑态度。关于价值、危害和因果关系的大量问题,仍有待进一步调查。

工作室制定下一轮 AI 政策时应关注什么

下一批有价值的证据,将把工具使用与明确政策、获验收的工作及面向玩家的决策联系起来。在未来数月中,这些信号将比又一次笼统的支持或反对声明揭示更多信息。它们能够显示,选择性采用是否会成为稳定的运营实践。

第一个信号是工作室政策更加具体。关注企业是否说明允许哪些任务、员工可以提交哪些信息,以及由谁批准生成输出。这些细节让一项政策变得可评估。

若一项政策区分研究辅助与制作资产,将更有力地支持这样一种解读:采用正变得更具选择性和审慎性。若一项政策围绕使用目标展开,则对价值的证明较弱。它衡量的是参与情况,却无法确认工作是否得到改善。

还应关注工作室是否说明员工如何对拟议用途提出异议。审查路径使分歧能够转化为行动。缺少这一机制时,一项政策即使看似精确,也可能让员工不清楚该如何回应有争议的结果。

第二个信号是有关已完成工作的证据。有价值的说明应明确原始任务,并描述生成之后还剩下哪些工作。即使这些细节会让成功故事变得更复杂,也应包括审查和修改投入。

如果结果显示,在总体投入更低的情况下仍达到了可接受的质量,这将强化某项具体部署的论点。如果结果显示需要大量下游修改,则会削弱这一论点。无论哪种发现,都比提示词数量或拥有访问权限的员工数量更具信息价值。

这些评估需要足够的背景,才能被负责任地传播。一项来自内部规划任务的结果,不应变成对成品美术的承诺。一次成功的原型,也不应自动成为生产系统能够可靠运行的证据。

第三个信号是工作室如何向玩家描述生成内容。关注披露的具体程度、实验材料与已发布材料之间的区分,以及玩家对某项资产提出质疑时的回应。清晰的解释能让实际选择变得可见。

如果团队扩大内部辅助的使用,同时对成品内容维持严格的审批边界,这将强化调查的核心张力。如果他们记录了对已发布生成内容的更广泛接受,则会挑战“采用仍集中于辅助性工作”的观点。

玩家反应同样需要谨慎解读。一场争议可能揭示预期与交付之间的不匹配。但它无法自动证明整个受众的反应,正如正面评论也无法证明普遍接受。

当工作室的解释回应了工作本身时,它们最具价值。生成了什么?进行了哪些审查?团队保留、替换或修正了什么?这些答案让玩家和专业人士能够评估具体内容。

同样的问题有助于区分持久实践与实验。只有当团队能说明工具在哪些方面有帮助、又在哪些方面会增加额外工作时,工具才能获得长期位置。这种解释应经得起最初演示之后的检验。

对于评估下一则公告的读者,应从任务开始,追踪至获验收的结果。询问谁检查了输出、哪些信息为其提供支撑,以及所声称的收益是否包含修改时间。将工作场所采用与对成品内容的批准分开看待。将就业主张与实际人员决策的证据进行比较。GDC AI 调查证明,更多受访专业人士正在使用这些工具;下一项报道挑战是确定这种使用究竟实现了什么。当工作室称 AI 改进了其流程时,请关注相关工作、审查过程,以及对结果负责的人。

 
 

免费开始使用

一款本地优先的AI助手

为了获得更好的人工智能体验,

remio 目前仅支持Windows 10+ (x64)和M-Chip Mac 。

你的 AI 工作伙伴

和 remio 一起高效工作

规划、创作、交付

一站式完成

bottom of page