【GameLook专稿，未经授权不得转载！】

GameLook报道/虽说AI是最近才成为全球范围内的热门话题，但实际上，游戏行业对于这个技术的探索实践并不短。比如很早就有游戏开始尝试用AI做NPC，根据玩家的互动或不同选择而给出不一样的剧情或者任务。

随着ChatGPT、Stable Diffusion以及Midjourney等生成型AI的流行，我们发现AI实际上可以做的事情更多。

实际上，哪怕是游戏之外，同行们一样可以使用AI技术来提升业务表现。不管你的NPC行为逻辑有多优秀、或者程序化叙事系统多强大，如果不能同时利用AI帮助商业更有效率地运营，那么你就没有充分利用AI可以为你的游戏带来的帮助。

此前的GDC演讲中，Zynga中心和战略分析总监Luke Dicken，就讨论了该公司是如何使用AI来支持他们手游产品线的。按照他的分享，从协调广告销售和用户获取，到预测系统、任务自动化，再到确保社区健康和开心，AI在Zynga的整个业务中发挥着重要作用。

以下是Gamelook听译的完整内容：

Luke Dicken：

上一次参加GDC分享还是2014年，那时候我还是个做研究的学生，我的博士学位是游戏AI，当时说的是如何以不同的方式做游戏。

随后我就像是在美国消失了，（2014年末）加入了Zynga，并且从数据科学家一路升级成为了中心和战略分析总监（Director of Central ＆ Strategic Analytics），这个名字可能听不出来什么东西，但我主要在Zynga公司的AI、机器学习和数据科学的大部分领域提供技术监督，与此同时，带领一个从业人员组成的团队作为整个公司的中心资源。

可能很多人都听说过Zynga，在比较早的时候，我们以《FarmVille》著称，这个在2009年发布的游戏为我们打开了局面。随后我们发布了《Zynga Poker》，后者如今也运营十多年了，随后我们收购了NaturalMotion这样的工作室，有了《CSR2》等游戏。

另外，我相信绝大部分说英语的人都玩过《Words with Friends》，我们此前还收购了伊斯坦布尔的《Merge Dragons》开发商Gram Games以及赫尔辛基的《Empires & Puzzles》开发商Small Giant Games。

这些都是我们制作和拥有的游戏，但接下来我分享一些数据，截至2018年底，我们在多个平台运营的游戏超过了50款，这包括以手游优先的游戏、仍在Facebook运营的游戏，我们的MAU超过8500万，这让我们在2018年的收入达到9.07亿美元。

AI是什么？

接下来，我们谈谈“中心和战略分析”到底意味着什么。这是一个有少数分析师和科学家形成的小组，没有股东的加入，我们有专门为日常运营提供服务的游戏分析师。之所以是中心化，是因为我们没有固定的覆盖领域，就像我们收购一个工作室那样，我们没必要专门搭建一个团队，因为这是不经常进行的工作。

至于战略，指的是我们聚焦于多部门或者跨公司的事宜，包括Zynga的全球运营。唯一一个具体的领域，也是因为我个人的偏好，那就是对AI和机器学习技术的创新使用。

那么，当我们说AI的时候，我们说的是什么？这是一个将会不断被定义的概念。对于一个大公司而言，我们希望AI做到以下三件事当中的一个或者多个：辅助人类、比人类做的更好、比人类更快。

我们的想法是，可以通过AI来提升运营效率，我们希望人类站在价值链的顶端。对于一个机器人就能做的事情来说，让一个人类从周一坐到周五浪费那么多时间是没有意义的。我们想做的是，让人类驱动算法进步，带来更多的影响力，而不是从事琐碎的工作。

AI技术对手游广告的帮助

不知道读者们有多少人了解移动广告，进入这个岗位之后，我接到了一个手游广告的任务，当时我知道了我们的游戏是靠广告支撑的，也知道怎么在游戏里投放广告。不过，为了更好地理解接下来的内容，我们先普及一下移动广告。

假设你有一款游戏，并且想要在自己的游戏里投放广告，我们会通过聚合平台（Mediator），以寻求为这些广告位卖出更高的价格，我们使用瀑布流（waterfall）或者其他策略，瀑布流的意思是，我们找到聚合平台，问他们，能否与广告网络1交流、试图将这个广告卖到20美元。

广告网络会实时联系广告主，定价会以CPM形式报出去，这个价格听起来很高，但要知道这是千次浏览，如果广告主接受，那么这则广告就卖出去了。但有时候，广告主可能不会接受，那么我们会让聚合平台询问广告网络2，是否能够以20美元卖出去？他们可能接受，也可能不接受。

所以我们再找广告网络3，报价降到15美元，这时候，广告网络1告诉我们，20美元无法成交，能否降到13美元？

每次我们找到广告网络，他们都会有自己的运营，这里给出的价格是低价，就像是在eBay拍卖行，你有个低价，然后出价高者获得，这也是它被称为瀑布流的原因，所以到最后，我们可能在广告网络2降低到5美元。

2017年的时候，我们问过这样一个问题：这些配置是如何生成的？得到的结果是，专门有人坐下来，给出他们认为合理的价格，这个广告应该出现在哪个广告网络等等，这一切都是手动完成的。

当时我们就觉得，我们可以优化这个过程，于是就开始了一个优化它的项目，ZOE（Zynga app Optimazation Engine）。这是个非常有趣的问题，因为我们与40家广告网络合作，实际上甚至接近50家，每个广告网络都可能就一个报价投入很多时间，这很明显不是有趣的事情。

当然，也有人可能觉得这很有趣，你可以按照价格排列，看如何最大化广告收入，问题在于，人们在等待着自己的广告，这一切都是实时发生的，我们花的时间越久，用户体验就会越差，因为广告位会一直空着，用户面对的就是一个空白屏幕，这是非常不好的现象。我们发现，如果人们在想要看广告的时候却只能看到白屏，他们就会生气，甚至不再玩你的游戏， 这显然不是我们追求的目标。

那么，ZOE是如何工作的呢？加入你需要数据摄取，我们得到了过去24小时的表现数据，然后我们需要对数据进行整理，因为有些东西是没用的，然后我们做一系列聚合的事情。随后进入下一个环节，我们做聪明的事情（clever stuff），再然后是后期处理阶段。到了最后，它会被发送给广告网络。

听起来很容易对不对？但结果我们发现，发行商侧的广告技术真的很糟糕，加入这个项目的时候，我以为只需要做一些API代码，但事实并非如此。

如今大部分的广告网络都有网页版，你登录账号然后设置一些东西，既包括聚合平台，也要包括广告网络，考虑到有几十个广告网络平台合作，这个体验并不好，所以这是不理想的。

结果我们发现，还有很多的广告网络更落后，他们甚至还在用电子邮件与人沟通，然后为你在他们的系统里做出改变。这对我们来说反而是更容易的，因为我们能自动生成邮件，搞定如何自动登录这些网站，但我们决定不那么做。

我们为人们带来了一些判断性的工作，实际上我们做了一个文本文件，让他们放到这些网站上。这其实表现很不错，得到了很不错的广告销售结果，然后报告过去24小时的工作，继续这个循环，以上就是ZOE整体的运作方式。

现在，我们来说说“聪明的事情”意味着什么。我之所以喜欢上边的展示图，是因为它将整个环节分成了多个模块，我们实际上可以尝试三四种解决方案。我们对算法、更新节奏以及排序做了多次不同的尝试。我们开始觉得更新频率会有比较大的影响，就像是股票交易那样，应该会有更高的效率，但结果是行不通。

我们对算法尝试了一系列的策略，包括基于市场趋势预测价格走向，就像股价走势那样，如果能够预测价格高低点，那么我们就可以最大化收入。但这个方式行不通，如果是很重要的游戏，不要用这样的方法测试。

我们还尝试了bin packing线性编程，也就是，如果能够预测周四有多少人会玩游戏，就可以根据这个数据安排展示的广告数，但是，当数据量过大之后，这个方式不太好。随后我们尝试了模拟为基础的方式。

之所以没有说哪个方法最好，是因为这些方法显然不是最好的，甚至现在都没有找到最好的方法。实际上，我们可以将机器学习用在你的运营中，不一定是在游戏中，但实际上可以带来比较好的结果。

运用AI技术的结果

接下来说说我们得到的结果，首先要承认，这很难做到量化结果，在我们的技术堆栈里，并没有很好的方式让我们进行A/B测试，因为我们对测试中的A和B无法控制，所以我们用了很长时间观察榜单，试图理解它背后到底在发生什么。

你无法直接对比算法带来的结果和人类操作的结果，但我们知道，现在的系统已经至少能够带来与人类操作相当的结果。我们认为在推动收入的增长，并且发现，高频率的更新会带来负面影响，每次改变瀑布流都会导致市场震荡，所以我们还没有将其推向所有的产品。

希望这些东西让你们对移动广告有更好的了解，接着我们说点别的。这是一个和移动广告有关的话题，也就是买量。

人们出现在手游当中，是有原因的，其中一些原因是我们付费在很多渠道做了广告。你如何优化买量预算配置？从核心层面来说，我们聚焦于“广告消费回报（RoAS）”，简单来说，就是你如何快速收回在广告投放注入的成本，这在不同平台是不一样的，因为每个平台似乎都有不同类型的用户。

有时候，你可能在Facebook投放广告更多，而在Google Ads很少，还有人是反过来，但你做这些的根本原因，就是要最大化整体RoAS。

但是，我们还可以更进一步，比如定向买量呢？你愿意为某一类玩家开多高的价格？这里有两个问题，其一，你必须快速做出决策，但是，你还必须知道的是，这类玩家的价值是多少？你需要知道广告主给我们的用户，是否喜欢这类型的游戏？他们是否玩过这类游戏、有没有过快速流失？

这也是分析与AI不可分割的原因，很多公司都形成了大量的数据组，我觉得这是事实，但你需要从这些数据获得洞见，然后通过这些洞见帮助公司和团队做出决策，这些决策可能会给你的业务带来转变。

谈到这个话题的时候，我们很可能会提到倾向建模（propensity modelling），这是数据科学最容易得到的结果。

比如，我可以基于用户此前的行为数据，来预测这个用户是否会回流，但这个分类是基于历史数据，而我们要预测的是即将发生的事情。比如，你可以对游戏体验不好的用户推送一个比较大的折扣，坦白来说，这是非常容易做的事情。这是一个非常基础、非常以产品管理为中心的方式，但却是有效的，你可以通过这样的活动让人们在游戏里多停留一些时间。

但这个方法的问题在于，这些人离开游戏是因为不喜欢其中的体验，廉价的促销可以让他们多留一段时间，但游戏本身没有什么变化。你该如何更进一步呢？

比如打造一些更深度、更全面的模型，迎合玩家的体验来匹配哪些是他们喜欢的、哪些是他们不喜欢的。我的基础理论是，喜欢游戏的人是有动力支持开发者的。如果不喜欢游戏，那么不管是促销还是其他营销手段，都没有太大的意义，因为这个人和你的游戏不匹配。

所以，激励人们，为有趣的体验进行优化，我们可以通过实时调节在线运营，实时调整很多事情，可以根据人们的需要定制游戏体验，比如晚上下班的时候，人们可能更喜欢休闲的体验，他们忙了一天可能不太喜欢挑战；到了早上，刚准备迎接新一天的人们可能更愿意接受挑战。

如果你能够从数据中挖掘到这些信息并与玩家需求匹配，实际上，提供定制化的体验并没有那么难，你需要知道这些指标，需要知道它们背后发生了什么。

总结

我们说了很多，这里做一些最后的免责声明：Zynga的规模使得这些技术当中的一些更容易自圆其说，尤其是当1%的浮动意味着数百万美元的时候，追求这些技术是毫无疑问的选择。同样的方法用在不同的团队身上也会不同，毕竟，你们与广告网络或者其他合作伙伴的关系可能是不一样的，因此费用相差也比较大…这些都可能成为你们的顾虑。

但这不是重点，AI能做的事情太多了，我建议所有的同行都认真进行战略思考，AI如何能够辅助你的业务？这些机会随处可见，我说到了广告、买量和个性化体验，但还有很多是没有提到的，比如AI社区管理会怎么样？

我们今天分享的只是AI能做到的很表层的事情，我建议同行们拓宽眼界，将你的AI技术运用到各个方面。