【GameLook专稿，未经授权不得转载！】

GameLook报道/哪怕在两年以前，普通人恐怕还会对AI的内容生产能力将信将疑；即便是从近两年开始主动追随AI技术发展动向的爱好者乃至业内人士，他们恐怕也会被AIGC技术的迭代之迅速所震撼。

但就关注度最高的文字生成图片类AI来说，犹记得DALL·E 2最初走红于大众时，围观群众还会嘲笑AI所生成的人物肢体扭曲，细节惨不忍睹。但只消几个月的持续学习，如今的AI生成图片服务已经在精细度、解剖准确度和自定义程度上取得了跨越式的进步。更不用提日渐热门的文字生成视频、文字生成音乐、文字生成3D模型等等。基于GPT-3的ChatGPT聊天机器人近日更是以缜密的逻辑和突破性的思维让群众领略了自然语言生成的新里程碑。

但即便进步如此神速，AIGC的成熟度距离游戏工业场景的大规模应用还尚有距离。目前，多场AI主题game jam和游戏竞赛在世界各地举办，如雷亚等少部分游戏公司开始招募AI绘画相关员工。但多数游戏公司还尚未正式将AIGC技术嵌入开发管线。想必正在探索其应用场景。

而近日，知名游戏产业分析博客Mobile Dev Memo则指出了AIGC在游戏产业应用的另一大可能方向：买量。

在传统思路中，AI生成内容的优势是提升买量素材的产出量，进而节省素材生产成本和测试成本。而撰写该问的知名软件开发者、投资人兼分析师Eric Seufert认为这仅仅是表象。在他眼中，AI技术能够给买量所带来的真正价值是在素材开发流程中排除人类主观的分析性归因偏见，进而在生产效率提升的同时倍增买量素材的投放效果。

倘若这一思路成立，其不仅将带来成本的降低，更会从底层对买量打法进行革新，并将AI正式认可为团队的重要创意组成部分并与人类分工合作。不仅团队的结构需要顺应这一改变进行大规模调整，更会直接打破目前所形成的与买量效果相关的关键指标的评估标准。

GameLook对这一好文进行全文编译：

在AIGC所服务的各种企业使用场景中，也许没有哪一个比投放创意制作更直接、更具操作性。鉴于数字投放广告的一些特点，AI的优势是显而易见的。

• 投放创意制作的费用或多或少地与广告支出成线性关系。
• 绝大大多数投放创意是不奏效的，因为它们不会导致有利可图的广告结果（与此相关：因此而浪费的投放费用也或多或少地与投放支出呈线性关系）。
• 投放素材的积累的利用遵循类似于帕累托法则的东西，也许20%的素材占所有广告支出的80%（甚至有可能比这更极端）。

投放的素材是奠定投放广告成功的一个极其重要的组成部分，但对素材进行生产和测试的成本可能是巨大的。归根结底，素材生产和测试流程的目的是建立一个生产节奏，在上线的素材达到下图所示的性能拐点之前，产出新的、可行的创意素材。

成功建立这一生产节奏的结果是，老旧的、表现退化的广告创意被改进过的替代品所取代，让投放表现能够保持稳健。这一循环的效果如下图所示。

AIGC工具对广告创意生产过程的贡献在概念上是明确的：像Stable Diffusion和DALL-E这样的工具通过文本和图像输入创造出独特的、定制化的图像。这些工具与整个广告创意制作团队的目的是相同的：他们都是将书面提示或概念转化为广告创意作品。但是，在理解AIGC如何嵌入到广告创意生产工作流程中时，首先要考虑生产过程中的独立步骤。我将创意生产过程概念化为三个步骤：构思、制作和分析。

这一过程是不断循环的，而且在理想情况下是增量的。但是，素材生产过程中的增量优化概念可能会让人困惑。我的感觉是，团队在评估他们的素材生产工作流程的有效性时，往往不太关注流程的改进，而是关注他们的广告素材的主观品质，而这些品质很难、甚至没法确定价值。这些品质的例子有：审美风格、产品定位、叙事风格、主题、内容的时间顺序（对于视频而言）等。

换个角度来说，创意团队倾向于高估自己的能力评估特定的广告创意的能力。这导致团队被卡死在反馈循环中，他们可能不会为他们的广告活动带来最好的结果：团队根据他们可以凭直觉辨别的品质来拆解有表现力的广告创意，进而生产更多符合这些品质的素材。

这种方法的问题在于，我确信投放团队并不善于识别广告中促使人们产生某种反应（例如点击）的方面，要么是因为他们无法理解导致这种反应的所有可能的品质，要么就是他们只是带着固有的偏见来进行这项工作。我经常看到创意团队强硬地宣称，某些创意因为某个特定的原因而表现良好。但这主要是傲慢。更多的时候，当我看到一个创意在测试中的表现优于其同行时，我对其原因感到困惑不解。在我看来，当一个特定的广告创意表现优异时，适当的行动方案是去加强促使其产生的生产过程——而不是试图理解为什么该创意表现良好。

为此，我相信像Stable Diffusion这样的AIGC工具在创意生产过程中带来的价值，与其说是通过取代与资产创造有关的机械性人力工作（如绘图）来实现的，不如说是通过消除人类在确定哪些特定的创意作品优于其他作品时的偏见所带来的风险。是的，像“Stable Diffusion”这样的工具有助于将创意资产具体化，这种能力确实会给采用它们的创意团队带来生产成本的节约。但更关键的是：这些工具可以将创意构思的过程与团队所断定的对广告投放起效的那些主观特质进行解绑，进而创造价值。

因此，重要的是要确定在生产过程中可以在哪里部署AIGC工具。显然，这些工具将在生产中使用：插图、画面生成、资产大小调整等都可以由这些工具管理。这将导致大量的成本节约：一个团队可能只需要一两个艺术家或设计师来处理AI生成内容的输出，生产力比肩一周产出几十上百条广告所需的艺术家和设计师大军。使用AIGC工具制作创意资产存在一个明显的、不可否认的使用场景。

但我相信，在这个过程中的构思步骤可以通过生成性AI得到更有意义的服务。竞争对手分析是一个完美的例子：一个团队向Stable Diffusion提供竞争对手的资产，再利用文本反推的方法和最小化的编辑手段来产生广告素材的变体，而不是去假定竞争对手的广告是成功的。同样的方法也可以用在自有资产上：将其输入Stable Diffusion工具，让该工具创造广告的变体。同样，Stable Diffusion的生产能力降低了成本，但真正带来价值的是构思能力：不仅不需要艺术家来制作视觉效果，而且也不需要利用直觉来判定为什么特定的创意作品在历史上或竞争对手的投放中表现良好。

上图中的中间和右边一栏体现了成本，但最左边一栏体现了价值。在这个过程的两个方面利用AIGC工具的方式——特别是自动化的方式——是将这种技术应用于投放素材制作的实质性机会所在。

对这种方法的愤世嫉俗的解释可能会认为，真正的创造力在广告创意的生产中没有发挥任何作用，而生产过程只是一个程序性地解析现有创意，并从这些组成部分产生变体的练习。但现实是，在这个过程中引入AIGC，是在为真正的创意进行成倍的赋能。AIGC所引入的快速跟踪能力，可以快速实现围绕有效的广告创意元素进行融合。但是，全新的、空白的创意依然最好由人类产生，而创意团队凭空产生这些创意的能力将赋予他们竞争优势。

快速追踪总是必然落后于真正的新想法的一个生产周期，而真正新颖、独特的创意与快速追踪的融合之间的性能差距可能会随着生成性人工智能的广泛采用而扩大。我在这里描述的流程只是给不同的当事人和机制分配了他们能够最好地完成的任务：对人类来说，我们的能力是创造性的智慧；对机器来说，是从复杂的信息马赛克中破译规律。

</div