在策划中的应用

游戏故事创作

给GPT故事背景方向，让GPT生成情节对话以扩展故事情节。主要在生产阶段根据GPT生成的内容快速扩展各个方向的内容。实际生产还是要每个分支都制作。不是在运行阶段动态AI生成内容和分支（难以审查动态生成内容和剧情走向的合理性）。

内容生成中的多模态也是需要依赖SD等文生图模型生成。

任务关卡等方面设计

关卡与故事情节设计&任务提示和反馈生成

关卡和情节设计相同方式给出背景大框让设计关卡和故事情节。

同样的任务提示和反馈生成都是给出上下文背景，让GPT生成内容。

关卡地图生成

借助GPT生成提示词，让后给SD等文生图模型生成地图示意图，需要数据驱动的配置地图等，直接以自然语言描述给GPT让它给出配置内容。

玩家行为预测和个性化体验

通过对上述游戏内容生成的策划案，可以提交给GPT进行审查和效果预测。

同时实际玩家的行为数据需要在设计游戏时埋点对玩家数据反馈做分析，同时注意玩家隐私。

玩法创新与平衡性测试

玩法创新

提供玩法灵感、玩家数据分析、用户反馈调整游戏内容。

数据驱动的玩法设计

通过玩家的数据分析，动态调整游戏内容走向。

游戏平衡性测试

模拟玩家，在测试中提前发现游戏平衡性和稳定性。

在程序中的应用

代码注释生成

将代码提交给GPT，让其添加注释，可用性比较高。大部分可以给出相对可信的注释。

代码自动生成

简单单元的代码可以生成，涉及到易于变动API的代码，就算是让它自监督检查自己的代码都会陷入死循环改不动了。

涉及到大一些的功能也需要从框架开始从框架开始逐步细化。一步一步生成，受限于上下文长度。太复杂的功能，在上下文太长时，很难生成可用代码。

所以针对它的问题，暂时只能适用于依赖较少或简单的稳定API的代码生成比较可用。

代码修复

受限于代码上下文可能会比较长。系统性bug很难修复。只能针对依赖简单的功能型Bug进行修复。尤其是API不稳定的情况下，语言版本不兼容的问题下。可能会出现陷入死循环中改不动bug。

游戏功能代码生成

简单功能单于模块可以加速生成，复杂框架依赖还无法成功一次生成。

日志分析

空指针异常、数组越界、内存访问错误、栈溢出、死锁、越界访问异常、未捕获异常、类型转换异常、文件不存在异常、数据库连接异常、网络超时异常、内存泄漏。

性能优化

图形渲染优化：超分辨率生成。FSR接入移动端支持。

网络优化：分析用户网络数据。

实时异常：用户异常行为分析。

在美术中的应用

美术资产自动生成：人物、环境、建筑、道具、特效资源

画面增强

风格迁移

内容扩图

风格一致性检查、风格识别、风格转换匹配

自动标注分类

在测试中的应用

生成测试用例

自动化生成测试脚本

生成异常模拟的情况，类似开发GM功能

自动化测试报告生成

模拟玩家，测试平衡与数值

Bug报告分类、生成 接入到生产流程中。

在客服和社区支持中的应用

垂直领域的小模型，只针对特定游戏内的不同问题场景进行回答。

用户情绪识别，对不同情绪做分类问题处理。

内容过滤审查，先用AI粗审查。

生成和更新多语言FAQ

社区内容动态监控

在运营中的应用

利用文生图模型，生成运营文案和banner图。

深度神经网络DNN构建用户留存模型。输入用户特征、中间全连接层、输出留存概率。需要用户数据做训练。

利用回归、决策树、随机森林、梯度提升等利用历史数据预测玩家付费率。

快速生成合同范本。

法律条款解释，给出条款出处便于核验。

侵权检测。

接下来的方向

小样本学习与迁移学习，在数据稀缺的领域，用少量样本，将已有模型知识迁移到新模型中。

多模态，对不同数据样式（文本、图像、语音等）做关联

个性化与增强学习。

隐私保护。

自动化加速模型。

模型压缩与轻量化。