在最近与科隆国际游戏展同期举办的Devcom开发者大会上，AI再次赚足了脸面。

微软、腾讯、谷歌、Meta等国际巨头带来超过20场AI相关议题，“AI如何提升游戏美术生产效率”、“AI工具如何与传统工作流无缝集成”、“AI在动画生成、场景构建等具体环节的应用案例”成为开发者们探讨的重点内容。

近年来，游戏美术对精细度的要求呈现指数级增长。随之而来的是几何级增长的工作量。

而在科隆游戏展期间，腾讯游戏首次面向全球发布游****戏创作AI全链路解决方案VISVISE。

简单来说，VISVISE包含一整套AI工具，分为动画制作、模型制作、数字资产管理、智能NPC四大管线，覆盖游戏美术开发全流程，重点在于辅助游戏美术完成那些重复、机械且工作量巨大的“体力活”。

比如在3D动画制作方面，VISVISE的MotionBlink可根据用户输入的少量关键帧，自动补全中间帧，生成完整序列动画。

在过去，动画师手动补帧甚至要占角色动画制作总工时的60%-70%，短短10秒的动画制作，手K精修可能要3-7人天才能完成。

而现在，AI自动补全生成200帧动画仅需4秒：

并且还做到了1.5秒间隔极限优化，部分效果能达到光学动捕的水准：

在现场体验了MotionBlink的功能后，一名来自德国的游戏开发专业学生表示，他目前正在自主开发独立游戏并筹备创业，其中最大的瓶颈正是动捕技术。在他看来，MotionBlink能够显著降低角色动画的制作门槛，为小型团队和创业者提供支持。

而这只是VISVISE的一个AI工具，其余像Superman角色动画方案、GoSkinning自动蒙皮等工具都已在众多游戏中落地，例如GoSkinning就在《和平精英》《PUBG Mobile》等知名产品中应用。

VISVISE究竟是如何打造而成的？腾讯打造它的核心出发点又是什么？我们接着往下看。

一、游戏AI大模型解决的是什么问题？

传统游戏美术生产制作中，50%-60%的工作都耗费在美术资产的制作上，其中最繁琐的环节要数3D建模以及动画制作。

3D建模是把概念设计稿变成“立体数字模型”的过程，产出的是“静态数字模型”，要让角色能动起来，就得经过“骨骼绑定→蒙皮→动画制作”流程。

想象一下，你正在给一个3D角色“穿衣服”——不是真的缝制布料，而是用数字化的方式，让它的皮肤和骨骼完美联动。这就是游戏开发中枯燥却又关键的工作之一：蒙皮。

腾讯游戏效能产品部负责人陈冬解释道，当骨骼运动时，需要计算3D模型的每个面片*（Mesh）*随骨骼移动的程度，也就是确定每个面片关联的关节及其权重。权重决定了面片受哪根关节影响以及影响的程度，“如果某块面片只关联单一关节，那它就只会受这根关节的运动影响”。

在传统流程中，美术师需要手动调整成千上万个“权重点”，就像用隐形的线把皮肤通过不同权重数据缝到骨头上。靠近关节的皮肤要分散绑定（权重分配），这样角色抬手时，手肘的褶皱才会自然。

但问题来了：

• 一个角色可能有上百根骨头，每根骨头都要精准控制皮肤变形；
• 稍有不慎，衣服就会“穿模”——比如内层衣物运动幅度太大，直接戳破外层。

即便资深绑定师，也要花60%的时间解决这些问题。

而到了动画环节，挑战更复杂：

传统方式有两种：“手K”和“动捕”。徒手逐帧调整动画（手K）效率极低，一个十秒的动画可能就要调一周。动作捕捉（动捕）速度虽快，但数据质量不稳定，仍需大量修正。而风格化、非通用类型的动作——比如武术动作或夸张表情，常因缺乏数据储备需额外组织动捕实验。

AI想解决这些问题，但游戏数据的复杂性让它举步维艰：

• 蒙皮需要建模顶点和骨骼的复杂关系，而3D数据异构性强，AI表征是难题；
• 动画细节极为丰富，缺乏统一有效表征（如大语言离散化表达），其空间、时序多维建模是难题。

更关键的是，游戏行业的标准极高——AI生成的内容必须能无缝融入管线，还得方便美术师随时调整。如果一家公司不懂游戏研发流程，或者没有足够数据，它的AI很可能连“及格线”都摸不到。

所以，真正的挑战或许是：如何让AI既懂技术，又懂游戏？

二、腾讯游戏有何解法？

在蒙皮方面，腾讯游戏VISVISE推出GoSkinning蒙皮工具，通过两阶段AI解决蒙皮难题：先由通用蒙皮AI大模型（基于GCN和Transformer架构）预测骨链、骨骼的权重，再通过局部AI对效果不佳区域（如裙摆、翅膀等复杂部件）进行二次优化。

操作起来十分简单，在场景中选择模型和关节后，即可点击自动整体蒙皮。

局部蒙皮方面，在场景中只需选出错误的关节和顶点，然后再用GoSkinning局部蒙皮AI进行修复便可完成。

这套系统训练时“喂了”腾讯游戏研发过程中积累的高质量数据，最终实现2万顶点模型30秒处理完成，效率提升8倍。

动画制作方面同样被AI革新，腾讯游戏VISVISE的MotionBlink工具只需开发者设定起跳、落地等关键姿势，AI便能通过自回归Diffusion模型自动补全中间帧。其底层MotionGen大模型，基于大规模高精动捕数据，支持攀爬、舞蹈等动作风格，部分移动类动作生成质量接近专业动捕。

来看一个实操案例，首先设置角色运动轨迹：

然后添加几个关键帧，调整角色的动作姿势：

接着使用MIB智能补全中间帧：

几秒钟，一段完整动画就生成了：

目前，团队智能关键帧生成相关研究已被ACM SIGGRAPH 2025接收。

更关键的是，这些工具能以插件形式嵌入Maya等现有开发软件，开发者无需重构管线即可调用。

腾讯游戏这种将技术研发与生产实践紧密结合的能力，源自其长期积累的一线开发经验。AI技术团队清楚地知道：游戏角色挥剑时，手腕该旋转多少度；角色模型需要绑定多少个权重点，裙摆才会呈现最自然的状态。

四、VISVISE何时造的？如何诞生的？

与其他“先有技术再找应用”的AI路线不同，VISVISE是腾讯游戏基于实际开发需求而诞生的。

2016年，腾讯游戏就开始探索AI在游戏中的应用，最初将深度学习技术用于运营提效和流程优化；2017年，团队开始尝试用强化学习进行游戏对弈相关研究；到2018年，技术研发重点扩展到了美术生产管线（DCC）领域。

2022年，腾讯游戏推出了AI自动蒙皮工具GoSkinning1.0版本。这项技术采用数据驱动的方式，通过机器学习方法对已有蒙皮数据的特征进行学习，能够在相似的衣物数据集上进行预测，实现包含骨骼与面片的网格智能蒙皮，并在《和平精英》《QQ炫舞》等游戏中投入使用。

实际应用数据显示，仅GoSkinning 1.0版本就让《和平精英》动画蒙皮制作环节的效率提升了约40%。

此后，VISVISE团队与《和平精英》项目组保持长期合作，持续根据具体开发需求输出定制化技术功能。目前GoSkinning已迭代至4.2版本，新增了裙摆蒙皮、四足蒙皮、面部绑定等功能，动画蒙皮制作效率提升达到60%以上。

据陈冬透露，随着2023年生成式AI的快速发展，他们意识到大规模的数据通过神经网络进行预训练后能带来强大的生成式能力，于是团队加大了对游戏开发中成本最高的3D模型与动画生成领域的投入。

到2024年，腾讯游戏决定将分散的AI探索整合为系统化的产品矩阵，VISVISE由此正式诞生。

该系统围绕游戏创作的六大核心环节——模型生成、贴图制作、骨骼绑定、动画制作、场景构建及渲染，构建了动画制作、模型制作、数字资产管理和智能NPC四大AI生产管线，每个管线都配备了针对性的AI工具。这些AI模型均基于游戏行业实际需求开发，并针对不同类型游戏进行了差异化训练。

2025年Q1、Q2，腾讯财报连续强调了AI对研发效率的提升作用，其中Q1提到AI已对长青游戏产生实质性贡献，Q2则指出《王者荣耀》《和平精英》等头部产品在向平台化演进过程中加大了AI应用力度。

目前，VISVISE不仅服务于腾讯内部游戏项目，还包括众多行业合作伙伴，仅GoSkinning就已应用于近百款游戏。

五、游戏AI的未来？

随着ChatGPT5以及Google Genie3的发布，逐渐出现这样一种论断：多模态将会成为AI技术发展的关键能力。而存在丰富2D、3D交互场景的游戏，也是AIGC的最佳应用场景之一。在这样的趋势下，我们应该如何看待游戏和游戏AI的能力与价值？

其实回看AI发展史，游戏一直是AI技术的“试验田”和“加速器”——就像腾讯游戏效能产品部负责人陈冬说的：“游戏和AI，天生就是一对”。

比如，英伟达的显卡最初是为了渲染游戏画面，如今却成了训练大模型的算力基石；DeepMind当年训练强化学习AI，第一个“陪练”就是《星际争霸》和《DOTA2》；甚至硬件层面，GPU里负责游戏的CUDA核心和AI运算的Tensor核心，物理距离近得像是刻意安排的“邻居”。

这种关系不是巧合，而是技术演进的必然。

游戏“感知环境→决策→反馈→迭代”的逻辑，本质上就是AI的训练场。比如，一个AI在《王者荣耀》里学会“蹲草埋伏”，和它在现实世界学会“预判交通”的底层逻辑，可能没什么不同。

同时，游戏也是对3D资产有着最大需求的重要场景之一。但更关键的是，游戏对“极致体验”的追求，一直在逼着AI突破极限。早些年，开发者就想做“会哭会笑的NPC”，但技术不够，只能做“木头人”；现在，AI能让NPC记住你的名字、吐槽你的操作，甚至假装生气——但这还不够。

陈冬告诉我们，最想突破的是智能NPC。

现在的NPC像是“打补丁”的机器人：加个记忆模块、塞个情感计算，但本质上还是“按剧本演戏”。

真正的突破，是让NPC像人一样“理解”虚拟世界——比如，它该知道“玩家刚才那句话是在开玩笑”，而不是机械地回答“指令无效”。

这很难，但游戏的魅力就在于此：它既是AI的“考场”，也是“灵感来源”。或许某天，游戏里的NPC会先一步达到AGI——毕竟，它们已经在虚拟世界里，演了太久的人类。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】