——介于好多人懒得听讲座就对着招聘图乱想，这里补充一下讲座的总结，文本使用生成式ai不是全部人工制作。

🎮 项目背景

游戏设定：玩家通过语音与主角 Stella（一名来自2000年后的天体物理系大学生）互动，帮助她在坠毁的外星星球上生存并逃离。 核心挑战：构建一个开放世界、多分支、高沉浸感的AI驱动叙事系统，要求AI既扮演游戏设计师（推动合理剧情），又扮演角色演员（符合人设、情感真实）。整个交互采用严格的回合制对话模式（AI输出一轮 → 玩家输入一轮 → AI再输出下一轮），模拟真实对话节奏，而非预设脚本或批量生成。

🧠 技术与设计挑战

角色一致性 vs 开放性 Stella有详尽的世界观和人设（约20页文档），AI必须严格遵守未来科幻设定（如不能提及当代电影、技术术语需符合公元4026年背景）。然而当前语言模型训练数据以当代语料为主，极易“穿越”，需额外机制约束输出。

玩家行为不可预测 玩家可能拒绝帮助、故意挑衅（如说“你就死吧”）或长时间沉默。AI需在不破坏人设的前提下主动引导剧情——例如表达恐惧、恳求，甚至在多次无响应后自行采取行动，避免故事卡死。

剧情僵局处理 若玩家连续多次不配合（如三次未选择食物），系统需自动推进剧情（如Stella冒险尝试某种植物），确保叙事持续流动，同时维持角色动机合理。

长期对话质量衰减 当前模型在15轮以上对话后质量明显下降，50轮后几乎无法维持可信的世界状态（如忘记已损坏的设备、混淆地点），严重限制长线剧情体验。

多角色与扩展性瓶颈

• 在涉及多个NPC的场景中，现有模型表现急剧恶化：通常只能稳定处理2–3个角色的身份、关系与状态；

• 一旦引入第四个角色，极易出现身份混淆、关系错乱或记忆丢失，导致叙事崩塌；

• 当前方案高度依赖人工设计（prompt engineering + 专业标注），难以快速复制到新角色或新游戏。

⚙️ 技术演进路径

初期方案（2年前） 因GPT-4推理成本过高，团队自研训练了一个 30B参数模型，使用约5万亿token的虚构/游戏相关语料进行预训练。在角色扮演任务上优于Llama 2，但通用能力不足，训练周期长、性价比低。

中期优化：强化学习 + 人工标注

• 自建数据中心显著降低算力成本；

• 组建20人专业标注团队（需具备游戏设计思维），构建高质量回合级剧情响应排序数据集；

• 通过后训练（post-training），在特定场景下实现超越GPT-4的交互体验。

后期反思：通用能力是基础 发现：领域表现上限受限于通用能力。若模型在通用任务上得分低于85（满分90），则无法支撑高质量剧情交互。 提出：先确保模型具备强通用语言理解能力，再叠加领域奖励模型（Reward Model）进行微调，实现“通才+专精”结合。

未来方向：架构创新 认识到仅靠扩大模型规模无法解决根本问题——尤其是回合制长程交互中的状态漂移与多角色追踪失效。 正探索新型对话架构（如三组件结构：显式记忆模块 + 推理引擎 + 受控生成器），目标是让AI真正具备跨轮次的世界建模能力，突破“角色一多就乱、轮次一长就崩”的现状。

💡 核心经验总结

• “智能源于预训练，但体验成于对齐”：大规模预训练提供基础能力，但高质量游戏体验依赖精细的领域对齐（reward modeling + human-in-the-loop）。

• 不要过早放弃通用能力：专用模型若通用能力弱，反而拖累整体表现。

• AI叙事 ≠ 聊天机器人：需兼顾故事节奏、角色弧光、玩家自由度，是系统工程而非单纯语言生成。

• 成本与效果平衡：自建算力 + 高效训练策略是商业落地关键。

这场合作揭示了下一代AI娱乐的核心命题：真正的沉浸感，不在于模型有多大，而在于它能否像一个“活在故事里的人”那样思考、记忆、回应与成长。