商学院观察
刘劲 段磊／文
长期以来，社会公众和政府监管对游戏抱有一种审慎甚至负面的态度，原因在于游戏行业确实存在青少年易沉迷、部分内容有不良价值观导向、部分商业化模式有争议等问题。但更深层的原因在于产业定位：游戏长期被视为“不创造实体价值”的虚拟行业，难以与芯片、能源、人工智能等“硬科技”相提并论。
然而，人工智能的快速发展正在从根本上重塑我们理解游戏价值的底层逻辑。游戏过去已经为AI的算力基础设施和算法发展提供了重要助力。现在伴随AI进入新阶段、面对新挑战，游戏很可能在智能体（Agent）训练、具身智能以及应对数据枯竭等方面，提供更为关键的基础设施价值。
游戏对AI发展的历史贡献
游戏产业在多个关键节点上，为AI的飞跃提供了不可或缺的条件。
第一次重大推动发生在算力层面。在20世纪90年代，游戏玩家对实时渲染、复杂光影和高帧率的需求，催生了一种全新的计算架构——图形处理器（GPU）。GPU的本质是大规模并行计算。
到了21世纪初，AI研究者发现，原本为游戏画面服务的GPU非常适合高效训练深度神经网络——矩阵乘法这类深度学习的基本运算，在GPU上的执行速度比传统CPU快数十倍甚至上百倍。
从那一刻起，游戏产业培育出的算力体系，成为深度学习革命的重要基础设施。可以说，没有游戏产业持续数十年的图形计算投入，就没有今天AI大模型训练所依赖的GPU算力集群。
这段历史在英伟达的财报里留下了清晰的印记。2016财年，英伟达的游戏业务收入约28.2亿美元，数据中心业务只有3.4亿美元，前者是后者的8倍多。到2025财年，数据中心已占总营收约88%，游戏只剩8.7%。这条从游戏引擎到AI引擎的曲线，是游戏为AI输送算力的最好注脚。
第二次重大推动则发生在算法层面。2015年，DeepMind在《自然》杂志发表了DQN（深度Q网络）研究，第一次大规模地把深度学习和强化学习成功结合起来——让AI在几十款雅达利（Atari）游戏中自己摸索操作策略，最终达到接近专业人类测试员的水平，宣告了“深度强化学习”时代的到来。
2016年，AlphaGo通过学习海量人类职业棋谱，再辅以强化学习，击败围棋世界冠军李世石，成为AI史上的里程碑。那场对局中著名的“第37手”，正是AI跳出人类经验、自主创新的经典时刻。
2017年的AlphaGoZero更进一步，完全抛弃人类棋谱，仅靠“自己和自己下棋”，在几天训练后就达到超越人类的水平，把这种“独立思考”的能力推向了极致。这说明，游戏不仅能帮助AI模仿人类，还能让AI在规则清晰、反馈明确的环境里，发现连人类都想不到的新策略。
可见过去十来年，游戏赋能AI算法发展的关键词是“强化学习”。原因在于两者的底层逻辑高度契合：游戏本质上是一个规则清晰、反馈及时、奖励明确的环境系统，恰好为强化学习“在试错中根据奖励调整行为”提供了明确的目标、可重复的交互和清晰的奖励信号。
随着大模型、智能体、具身智能乃至世界模型的兴起，游戏对AI的赋能已经无法只用算力和强化学习来定义，这种赋能正在变得更加广泛和深入。其逻辑可以从两个维度来理解。
其一是环境维度：游戏及其引擎技术是一套高质量、低成本的环境系统，为AI提供了一个可以反复试错、快速迭代的训练场和实验室，这对智能体、智能驾驶、具身智能的训练与测试都有高度价值。
其二是数据维度：游戏通过人与游戏的互动、玩家之间的博弈、乃至AI在其中的自我对弈等各种交互方式，源源不断地产生海量、高质量、低成本的数据。
这两个维度不是简单的并列关系，二者犹如工厂与产品：游戏环境是生产数据的系统，数据则是环境产出的核心资产。核心价值的最终落点当然是数据，因为数据是驱动AI发展的燃料；但只有从环境和数据两个维度同时剖析，才能真正看清游戏中数据的特点，以及游戏对AI的价值。
环境维度
今天的大模型，主要依靠海量的静态数据训练而成——互联网上的文本、图像、视频等。这类数据让AI学会“看懂”“听懂”这个世界。
但要让机器智能更进一步，具备“能决策、能动手”的能力，仅靠静态数据是不够的：它必须在与世界的持续交互中学习。
问题在于，让AI直接在真实世界里交互学习，代价极其高昂。游戏及其引擎技术所构建的虚拟环境，恰好提供了一个理想的替代方案。相比真实世界，它至少有五个方面的优势。
第一，成本极低。真实世界的试错，往往既贵又危险。自动驾驶领域一次错误的决策，可能就意味着一场真实的事故；在虚拟环境中，同样的试错几乎不需要付出代价。以理想汽车公开的智能驾驶测试数据为例：2023年该公司实车路测每公里成本约18.4元，而到2025年上半年，其借助世界模型进行仿真测试，完成约4000万公里仿真里程（实车仅约2万公里），单公里成本降至约0.53元，仅为实车路测的约三十五分之一。成本的量级差异，直接决定了训练能否规模化。
第二，高度可控、可重复。在真实环境中做对比实验，常常受制于不可控的外部变量。比如，要验证不同天气对算法的影响，你只能被动等待相应天气的出现；在虚拟环境里，研究人员只需调整底层参数（光照强度、车流密度、降水概率等），就能快速生成任意目标场景。AI训练由此从“被动等待”转向“主动生成”，效率大幅提升。
第三，风险可控，能提前暴露问题。AI在部署到现实世界之前，需要充分的安全验证，但真实环境中的安全测试代价极高——不可能为了测试自动驾驶的碰撞反应而刻意制造事故，也不可能在真实电网中释放攻击性代码来检测漏洞。游戏沙盒完美绕过了这些限制：研究者可以在虚拟环境中主动构造极端天气、传感器故障、恶意输入等边缘场景，零风险地探测AI的行为边界，观察其是否异常或有害。这种提前暴露问题、收敛风险的机制，对即将大规模进入现实的AI系统不可或缺。
第四，具备天然的可解释性。当前AI最受诟病的问题之一是“黑箱”。模型输出一个结果，但人类研究者很难说清它为什么做出这个决定。游戏环境为破解这一难题提供了独特条件：在游戏中，每一个状态变量都可以被精确记录、暂停、回放和复现，研究者得以逐帧追问“AI此刻看到了什么、为何这样决策”。这种在真实世界中几乎无法实现的因果可追溯性，让游戏成为可解释性研究的天然实验室——它不仅让AI“做题”，还让人看清AI的“解题过程”。
第五，实时交互、有效反馈。与静态的图像或文本数据不同，游戏环境的核心特征是“交互性”：AI在游戏中不仅“看”到了什么，更重要的是它能够“做”什么，并且立刻看到行动带来的结果。推一下摇杆，角色就移动；踩下刹车，车辆就减速；选错策略，比分就落后。这种即时的“动作—反馈”闭环，是训练决策智能的必要条件。在反复练习中，AI得以学会判断时机、理解空间、制定策略——这些能力在纯静态数据上无法习得。
游戏环境对AI的价值有两个层面：一是利用现成的商业游戏作为训练环境，二是利用游戏引擎技术构建专用的仿真平台。前者虽是娱乐产品，物理规律和社会运行机制可能被夸张处理（如赛车游戏戏剧化的碰撞效果），但依然可用来训练AI的通用决策能力。
例如，腾讯“绝悟”AI最初是为《王者荣耀》这类复杂多人在线对战游戏研发的决策智能系统——它需要在实时、不完全信息、多智能体协作的极高难度环境中做出最优决策。
研究者发现，“绝悟”在游戏中锤炼出的最优路径规划能力，可以迁移到病理全片扫描诊断领域：腾讯AILab据此研发的RLogist系统（发表于AAAI2023）将病理切片的扫描路径优化，转化为类似游戏中的“探索—决策”问题，决策效率相比传统方式提升约400%，在保证诊断准确率的同时缩短了病理阅片的等待时间。
后者则是利用游戏引擎技术，搭建高度贴近真实物理世界的专用仿真场景——比如一个与真实施工现场1:1还原的矿山、一条与真实城市道路完全一致的街区。这种方式既保留了游戏环境低成本、高可控、可交互的核心优势，又通过精密的物理建模弥合了“虚拟—现实”之间的鸿沟。
以Unity和Unreal为代表的游戏引擎，为AI的产业级仿真提供了高保真的物理仿真、实时光线追踪和可编程的环境参数系统。例如腾讯推出的自动驾驶仿真平台TADSim，就是一个典型的“游戏引擎到专用仿真”迁移案例：该系统利用游戏引擎的厘米级三维重建、工业级车辆动力学模型和AI驱动的交通流仿真技术，可以在云端支持上千辆自动驾驶主车及上百万辆交通车同步运行，日均测试能力超过1000万公里，远远突破了真实路测的限制。
数据维度
环境的价值最终要通过它产出的数据来兑现。游戏数据的独特价值体现在两个天然属性和两个数据来源上。
第一个属性是天然的“多模态对齐”。要提升AI对现实世界的理解，必须依赖多模态数据，因为现实世界本身就是多模态且自动对齐的。人类理解世界，从来是视觉、声音、动作、物理反馈的综合，AI也需建立起不同模态之间的关联。
然而现实中，多模态数据往往来源分散，视觉、声音、动作很难同时采集，即便采集完成也需大量人工标注对齐，难以规模化。
游戏则不同：它运行时同时产生画面、声音、动作、物理反馈，且天然处于同一时间轴、同一场景中，彼此自动对应。对AI而言，这相当于一套图像、音频、动作与环境状态完全同步的“多模态教科书”，正是当下训练“视觉—语言—动作”大模型等所急需的关键原材料。
第二个属性是清晰的“状态—动作—反馈”因果结构。AI要真正理解世界，不能只知道“发生了什么”，还得理解“为什么会发生”，即某个行为如何导致某个结果；只有建立起这种因果关联，AI才能形成真正的决策与推理能力。
但这种数据在现实中极难采集和标注：现实变量高度复杂，一个结果往往受多个行为共同影响，关键反馈也容易遗漏。游戏天然具备这种结构，会完整记录“看到什么（状态）—做了什么（动作）—得到什么结果（反馈）”，任何一次失败都能精确回放。这就好比给AI一本带完整解题步骤和答案的“教科书”，让它高效学习因果规律、调整策略。
游戏数据的另一个独特性在于，它既有人类经验的沉淀，又可以有机器智能的探索。
一方面，人类与游戏交互产生的数据，是人类经验的数字沉淀，可以支撑AI的模仿学习。这就像让AI站在无数顶尖人类玩家的肩膀上看世界，快速习得那些“只可意会、难以言传”的经验性策略。以自由度极高的沙盒游戏《我的世界》（Minecraft）为例，AI通过“看人类怎么玩”来模仿，就能学会大量难以用规则描述的经验。
人类的数字沉淀还可以帮助AI更好地实现“人类偏好对齐”，让决策更贴近人类的价值判断。早在2017年，OpenAI与DeepMind就在雅达利游戏等虚拟环境中做过一个经典实验：人类只需对AI的不同操作片段（比如赛车游戏中的驾驶表现）表达“这个更好、那个更差”的偏好，模型就能逐步调整策略，让行为越来越符合人类的判断标准，并最终提升任务表现。无论是模仿学习还是偏好对齐，人类交互数据的核心价值，都在于把人类的经验“喂”给AI，让它得以站在人类智慧的肩膀上快速进化。
另一方面，AI与游戏交互产生的数据，是机器智能与环境互动产生的合成数据，对AI发展同样重要。利用算法和游戏引擎批量生成的合成数据，可以覆盖现实中稀缺的长尾场景——罕见的极端天气、危险路况都能在虚拟环境中大量“造”出来，弥补真实数据在边缘场景上的天然稀缺。
而AI在游戏中“自我博弈”产生的数据则可用于强化学习训练：AI亲自下场，自己和自己对打，每一局的输赢都转化为新的经验数据，驱动模型在无需人类监督的情况下持续自我进化。前文的 AlphaGoZero正是例证——完全依靠自我博弈，最终突破了人类经验的能力边界。可以说，自我博弈产生的数据，是AI迈向超人类表现的关键驱动力。
总结
正如英伟达早已不是一家游戏显卡公司，游戏产业的价值坐标也正在越过娱乐产业的边界，向科技基础设施的方向迁移。
在环境维度，它为AI提供了低成本、可交互、有即时反馈的虚拟系统，让智能得以反复试错、快速成长；在数据维度，它持续产出结构化、多模态自对齐的海量数据，为智能提供源源不断的养料。
当然，虚拟终究不能完全替代现实，游戏环境更像是真实世界的高效放大器而非替身。但随着AI向具身智能与世界模型演进，游戏承载的这两重价值会进一步凸显。
这也提醒我们是时候转换看待游戏的视角：不再只盯着它的娱乐外壳，而是看清它作为AI隐性基础设施的内核。
中国拥有全球最大的游戏市场和最活跃的游戏产业生态，在移动游戏、电竞、游戏AI等领域已经积累了深厚的技术储备与人才梯队。若能超越“游戏即娱乐”的单一认知，系统性地推动游戏技术向AI基础设施转化，这很可能成为中国在全球AI竞争中一个独特的优势来源。
（刘劲系长江商学院会计与金融学教授、投资研究部主任，段磊系深之度咨询合伙人）
热门跟贴