成為全球游戲行業(yè)最具影響力的價(jià)值連接者

游戲日?qǐng)?bào)2026 GDC全球合作與報(bào)道通道（點(diǎn)擊圖片了解）

AI已經(jīng)在深刻影響頭部游戲公司的旗艦新品了。3月10日（太平洋時(shí)間），在美國舊金山舉辦的GDC 2026現(xiàn)場(chǎng)，騰訊魔方工作室AI負(fù)責(zé)人廖詩飏以《異人之下》的開發(fā)應(yīng)用為例，分享了魔方AI探索的最新成果。

演講中，廖詩飏談及傳統(tǒng)動(dòng)作游戲無法以動(dòng)捕做100%填充，游戲進(jìn)程中許多關(guān)鍵動(dòng)作依賴數(shù)學(xué)模型計(jì)算，以至于存在僵硬、穿模等問題。AI技術(shù)部署后，路徑從“游戲程序去播放”轉(zhuǎn)為“體驗(yàn)過程中實(shí)時(shí)生成相關(guān)動(dòng)作”，保證了更多細(xì)節(jié)上的流暢合理性。

據(jù)其所言，這一探索的核心原因是“追求更佳美術(shù)表現(xiàn)”但“傳統(tǒng)方案難以滿足”。

AI是今年GDC最受關(guān)注的話題之一，騰訊游戲也是其中唯一體系化、規(guī)模化分享游戲AI應(yīng)用和實(shí)踐案例的廠商，強(qiáng)調(diào)“具體應(yīng)用和實(shí)踐AI，解決研發(fā)生產(chǎn)問題、優(yōu)化玩家體驗(yàn)”。而GDC 2024就開始講AI應(yīng)用的魔方，是我最早關(guān)注到騰訊在該方向做出探索的團(tuán)隊(duì)。

借GDC的機(jī)會(huì)，我們與廖詩飏就此進(jìn)行了交流。廖詩飏告訴我，魔方思考方式與“大數(shù)據(jù)喂AI”的普遍做法不同，更多參考“人類學(xué)習(xí)知識(shí)并思考應(yīng)用”的模式，朝輕量化、小數(shù)據(jù)的實(shí)用路徑走。團(tuán)隊(duì)也更強(qiáng)調(diào)如何用AI提升體驗(yàn)，與騰訊游戲務(wù)實(shí)風(fēng)格一脈相承。

以下為采訪實(shí)錄：

游戲日?qǐng)?bào)：今年GDC演講聚焦《異人之下》案例和2024年的《火影忍者》均是動(dòng)作游戲，魔方AI在它們的應(yīng)用探索上有何區(qū)別？

廖詩飏：2024年主要是講強(qiáng)化學(xué)習(xí)在動(dòng)作游戲里應(yīng)用，我們開發(fā)了一套針對(duì)動(dòng)作游戲的訓(xùn)練系統(tǒng)，同一套技術(shù)也應(yīng)用在了《異人之下》，但今年并沒有單獨(dú)拿出來說。

簡(jiǎn)單介紹下，體驗(yàn)上與玩家對(duì)戰(zhàn)的經(jīng)強(qiáng)化學(xué)習(xí)訓(xùn)練出來的AI是比較聰明的，動(dòng)作沒有那么重復(fù)，而且不容易讓玩家找到行為模式，這是強(qiáng)化學(xué)習(xí)比起傳統(tǒng)行為樹做法比較大的優(yōu)勢(shì)。相比《火影忍者》，《異人之下》不再只是一對(duì)一的游戲，因此AI訓(xùn)練也會(huì)有所改變。

今年我們聚焦談的是AI做動(dòng)作動(dòng)畫生成，《火影忍者》項(xiàng)目上我們嘗試不多，而《異人之下》畢竟是一款較為逼真/像真人動(dòng)作的3D產(chǎn)品，我們重視動(dòng)作呈現(xiàn)的效果，也因此為它探索了新技術(shù)來提升動(dòng)畫品質(zhì)，這對(duì)玩家而言可能也是新體驗(yàn)，“沒以前那樣容易穿�！�。

游戲日?qǐng)?bào)：所以決定我們探索方向的是產(chǎn)品？

廖詩飏：是的，應(yīng)用要看游戲的重點(diǎn)、痛點(diǎn)在哪里，魔方AI團(tuán)隊(duì)是幫助產(chǎn)品團(tuán)隊(duì)去解決他們的訴求，一直以來我們的工作都是如此。

游戲日?qǐng)?bào)：具體來說你們與項(xiàng)目組是怎樣的合作方式？

廖詩飏：魔方的AI團(tuán)隊(duì)成立了五年，一開始就是做《火影忍者》的強(qiáng)化學(xué)習(xí)技術(shù)，當(dāng)時(shí)人力不足，我們就集中地做一件事。后來有了這個(gè)成功案例，其他團(tuán)隊(duì)都覺得挺好，他們都想應(yīng)用，慢慢地探索的領(lǐng)域就越來越多了，包括資產(chǎn)生成、動(dòng)畫技術(shù)、人機(jī)交互、大模型等等。

后面幾天也會(huì)有《洛克王國：世界》團(tuán)隊(duì)的分享，這款產(chǎn)品里的AI系統(tǒng)也是我們?cè)谧�，它可能�?huì)是魔方工作室應(yīng)用AI技術(shù)最全面的一款產(chǎn)品。

游戲日?qǐng)?bào)：您曾談及AI+游戲的兩大方向AI for Game、AI in Game，在前幾年全球在講的更多是前者，但您自2024年以來在GDC都是聊AI in Game，為什么？

廖詩飏：in Game是改變或者是提升這個(gè)游戲的體驗(yàn)，for Game是用AI來輔助游戲的生產(chǎn)。for Gam相對(duì)難以被感知，比如你生產(chǎn)一個(gè)美術(shù)資產(chǎn)的流程，從100個(gè)人/月變成30個(gè)人/月，提升了70%，但玩家體驗(yàn)視角里是不了解的。我個(gè)人更想要去做玩家能體驗(yàn)到的事情（也就是in Game），那感覺會(huì)更好玩。

游戲日?qǐng)?bào)：AI發(fā)展真能帶出“非AI做不到的體驗(yàn)”嗎？

廖詩飏：舉個(gè)例子，我去年在GDC發(fā)表的AI隊(duì)友，能夠用自然語言與隊(duì)友交互，這是沒有大語言模型時(shí)AI完全做不到的，是非常真實(shí)的改變。以前完全不行，只能夠通過按熱鍵讓其實(shí)現(xiàn)某些動(dòng)作，但那是沒有目標(biāo)的，你可以讓它攻擊、防守、撤退，但不能告訴它攻擊哪里，這就是根本的交互模式的改變了。它肯定是真的，是其他技術(shù)做不到的。

游戲日?qǐng)?bào)：為什么今年似乎AI in Game突然爆發(fā)了？

廖詩飏：我覺得這不是一種轉(zhuǎn)變，而是一直在做。你能看到我們?cè)谥v的是AI in Game，以AI NPC為例，它呈現(xiàn)出來非常直觀、非常顯眼，但并不是說在這之前的工作就沒有做。大概三四年前，魔方已經(jīng)在用AI進(jìn)行游戲平衡性的測(cè)試了。

傳統(tǒng)開發(fā)流程中，角色平衡性往往依賴上線后的玩家反饋來修正；AI的應(yīng)用則支持在新角色發(fā)布前完成強(qiáng)度模擬與平衡預(yù)研。另外還有AI做地圖BUG的測(cè)試，也是很常見的AI輔助游戲生產(chǎn)的領(lǐng)域。

像之前說到的，這些和提效類似，如果我不講，玩家就不會(huì)知道。而隨著AI全面應(yīng)用到不同的生產(chǎn)過程，用戶自己注意到了突出表現(xiàn)，同時(shí)大家說的也多了。

游戲日?qǐng)?bào)：國內(nèi)外目前在AI應(yīng)用上出現(xiàn)了較大差異，您怎么看？

廖詩飏：中國的公司是全面擁抱AI技術(shù)潮流，大規(guī)模投入應(yīng)用。海外目前還普遍存在游戲公司員工、游戲玩家擔(dān)心AI介入會(huì)帶來負(fù)面影響的狀況，這是個(gè)大家都能看到的原因。

另一方面我認(rèn)為是游戲品類不同帶來的差異。國內(nèi)流行的產(chǎn)品很多偏向PVP，海外內(nèi)容單機(jī)居多，這也會(huì)影響AI技術(shù)的應(yīng)用。服務(wù)于PVP體驗(yàn)，國內(nèi)很多廠商多年前就已經(jīng)開始研究用機(jī)器學(xué)習(xí)來提升體驗(yàn)了，海外則更關(guān)注智能NPC(追求人與NPC的交互流暢、不重復(fù))以及UGC生成等。這決定了研究方向差異。

舉個(gè)例子，之前我們的F.A.C.U.L.技術(shù)，即《暗區(qū)突圍》智能NPC技術(shù)，2025年我在國外做過好幾次研究分享，在歐洲、美國都有。我一講到這個(gè)話題的時(shí)候就非常受歡迎，那些游戲開發(fā)者就有非常多問題想問，他們都想做到這種技術(shù)，關(guān)注度比其他技術(shù)高很多。

游戲日?qǐng)?bào)：如今國內(nèi)應(yīng)用AI的維度越來越多了，您認(rèn)為會(huì)引動(dòng)全球改變嗎？

廖詩飏：有可能吧。起碼我們2025年在GDC發(fā)布的F.A.C.U.L.技術(shù)在全球來說是有些領(lǐng)先的。我今年1月去了新加坡的AAAI發(fā)表F.A.C.U.L.的論文，這是在學(xué)術(shù)界的AI頂會(huì)中首次出現(xiàn)的游戲中人機(jī)交互技術(shù)論文。技術(shù)探索領(lǐng)先，也就會(huì)受到國外公司的關(guān)注。

附現(xiàn)場(chǎng)演講：

《異人之下》是我們工作室即將推出的免費(fèi)格斗游戲，游戲中每位角色都有專屬技能、獨(dú)特的動(dòng)作表現(xiàn)和語音臺(tái)詞，人物塑造與戰(zhàn)斗策略各有特色。精美的畫面和流暢的動(dòng)畫，是這款游戲的核心亮點(diǎn)。我們團(tuán)隊(duì)研發(fā)了全新解決方案，借助生成式AI技術(shù)優(yōu)化角色動(dòng)作——角色動(dòng)作的流暢度直接影響玩家體驗(yàn)，我們運(yùn)用動(dòng)作生成技術(shù)優(yōu)化動(dòng)作細(xì)節(jié)和轉(zhuǎn)場(chǎng)動(dòng)畫，讓快節(jié)奏格斗中的角色動(dòng)作更絲滑、更自然。

為何我們要為格斗游戲研發(fā)這項(xiàng)技術(shù)？

格斗游戲中，角色動(dòng)作狀態(tài)需要不斷切換：從戰(zhàn)斗到待機(jī)、從攻擊到?jīng)_刺再到奔跑，可能的動(dòng)作轉(zhuǎn)場(chǎng)組合數(shù)量極多。我們無法通過動(dòng)作捕捉完成所有轉(zhuǎn)場(chǎng)動(dòng)作的采集，動(dòng)畫師也難以手動(dòng)制作全部轉(zhuǎn)場(chǎng)效果，因此需要一種能實(shí)時(shí)生成動(dòng)作過渡幀的高效方案。

傳統(tǒng)解決方案存在諸多問題：插值算法常會(huì)導(dǎo)致角色腳部滑步；逆向運(yùn)動(dòng)學(xué)（IK）雖能通過調(diào)整腳部位置減少滑步，但生成的動(dòng)作仍顯僵硬、細(xì)節(jié)不足。而基于高質(zhì)量動(dòng)畫數(shù)據(jù)訓(xùn)練的AI方案則不同，它能適配不同場(chǎng)景，生成更自然、流暢的動(dòng)作轉(zhuǎn)場(chǎng)效果。

和多數(shù)同類技術(shù)一樣，傳統(tǒng)方案需要龐大的動(dòng)畫素材庫，占用大量?jī)?nèi)存，且為每個(gè)角色定制轉(zhuǎn)場(chǎng)動(dòng)畫的成本極高，泛化能力也很差。比如，若角色更換待機(jī)姿勢(shì)，就需要對(duì)核心功能參數(shù)進(jìn)行大量微調(diào)，這也是我們探索生成式AI方案的核心原因。

生成式AI方案具備顯著優(yōu)勢(shì)：能穩(wěn)定生成動(dòng)作過渡幀，相關(guān)的兩階段Transformer模型和基于視覺的過渡生成技術(shù)，可適配多種角色和動(dòng)作狀態(tài)，生成的動(dòng)作自然、連貫；部分方案還能實(shí)現(xiàn)實(shí)時(shí)可控，效果值得期待。

但AI方案也存在短板：推理耗時(shí)過長(zhǎng)，難以適配游戲?qū)崟r(shí)運(yùn)行需求；模型占用內(nèi)存大，會(huì)增加游戲安裝包體積；且現(xiàn)有技術(shù)大多在常規(guī)場(chǎng)景下驗(yàn)證，針對(duì)功夫格斗這類游戲場(chǎng)景的實(shí)際應(yīng)用案例和相關(guān)數(shù)據(jù)十分匱乏。要將這項(xiàng)技術(shù)落地游戲，我們必須解決這些問題。

本項(xiàng)目有三大核心研發(fā)目標(biāo)：從技術(shù)美術(shù)角度，要在減少人工工作量的同時(shí)，保證動(dòng)畫視覺效果；從游戲設(shè)計(jì)角度，要保證動(dòng)作時(shí)機(jī)和節(jié)奏精準(zhǔn)，縮短研發(fā)周期，避免動(dòng)作穿模和強(qiáng)制滑步；從游戲開發(fā)工程師角度，要控制安裝包體積，縮短推理耗時(shí)。唯有同時(shí)實(shí)現(xiàn)這三個(gè)目標(biāo)，才算形成一套完整的解決方案。

下面為大家介紹我們的整體技術(shù)方案：數(shù)據(jù)層面，采用無標(biāo)記多視角動(dòng)作捕捉技術(shù)，優(yōu)化捕捉流程和數(shù)據(jù)標(biāo)注方式，同時(shí)做好數(shù)據(jù)篩選與精修；模型層面，采用輕量級(jí)設(shè)計(jì)，精心設(shè)計(jì)輸入輸出特征，通過損失函數(shù)優(yōu)化提升整體效果；落地層面，實(shí)現(xiàn)對(duì)不同骨骼結(jié)構(gòu)的適配，處理動(dòng)態(tài)位移與旋轉(zhuǎn)、動(dòng)畫節(jié)奏、幀同步、穿模規(guī)避問題，并針對(duì)小幅度奔跑轉(zhuǎn)場(chǎng)做動(dòng)作節(jié)奏匹配。據(jù)我所知，這是AI動(dòng)作生成技術(shù)首次在免費(fèi)格斗游戲中落地應(yīng)用。

這是我們的技術(shù)流程：當(dāng)動(dòng)作轉(zhuǎn)場(chǎng)觸發(fā)時(shí)（比如從受擊狀態(tài)切換至待機(jī)狀態(tài)），AI模型會(huì)預(yù)測(cè)轉(zhuǎn)場(chǎng)過渡幀并完成推理，隨后通過后處理優(yōu)化效果，最終將生成的動(dòng)作幀輸出到游戲中展示。整個(gè)流程包含數(shù)據(jù)采集、模型訓(xùn)練和游戲落地三個(gè)核心環(huán)節(jié)。

接下來講解高質(zhì)量動(dòng)作數(shù)據(jù)的采集與優(yōu)化方法。傳統(tǒng)動(dòng)作捕捉需要大型專業(yè)場(chǎng)地、昂貴設(shè)備，還需在演員身上貼滿標(biāo)記點(diǎn)才能完成采集；而我們現(xiàn)在僅需在小型空間內(nèi)，通過7臺(tái)運(yùn)動(dòng)相機(jī)就能實(shí)現(xiàn)動(dòng)作捕捉，成本大幅降低。我們通過三角測(cè)量法定位關(guān)鍵點(diǎn)位，獲取實(shí)時(shí)位置信息；采用慣性傳感器修正脊柱旋轉(zhuǎn)角度，替代傳統(tǒng)面部標(biāo)記點(diǎn)方案，面部動(dòng)作捕捉效果良好，且無需在演員身上粘貼標(biāo)記點(diǎn)，這是一套低成本的動(dòng)作捕捉方案。

在數(shù)據(jù)增強(qiáng)方面，我們首先做了空間增強(qiáng)：沿前進(jìn)軸做鏡像對(duì)稱處理，在控制成本的同時(shí)，豐富了數(shù)據(jù)的多樣性。動(dòng)作捕捉數(shù)據(jù)的幀率往往與游戲所需幀率不匹配，我們通過縮放處理，讓更多數(shù)據(jù)適配目標(biāo)幀率，且盡可能降低失真，這樣就能訓(xùn)練出更貼合具體游戲場(chǎng)景的模型�；趩螚l真實(shí)的動(dòng)作樣本，我們能生成更多高質(zhì)量數(shù)據(jù)——替換并融合不同的初始動(dòng)作，保留相似的運(yùn)動(dòng)趨勢(shì)，既豐富了數(shù)據(jù)集，又無需額外采集大量原始數(shù)據(jù)。

接下來介紹模型設(shè)計(jì)。我們采用多特征編碼器和LSTM模型，輸入為起始姿勢(shì)和目標(biāo)姿勢(shì)兩幀畫面；設(shè)計(jì)了當(dāng)前狀態(tài)編碼器、目標(biāo)狀態(tài)編碼器、偏移編碼器和未來狀態(tài)編碼器，分別輸出起始與目標(biāo)姿勢(shì)的位置、旋轉(zhuǎn)信息，以及兩者的差異和目標(biāo)姿勢(shì)的運(yùn)動(dòng)趨勢(shì)。這項(xiàng)創(chuàng)新設(shè)計(jì)，能有效優(yōu)化大位移的動(dòng)作轉(zhuǎn)場(chǎng)效果。

模型的解碼器采用分離式設(shè)計(jì)：一是混合專家（MoE）解碼器，用于生成過渡幀；同時(shí)配備通用解碼器，以及專門的上半身、下半身解碼器，并融入面部和手部動(dòng)作信息，提升動(dòng)作完整度。模型每次僅預(yù)測(cè)一幀畫面，重點(diǎn)優(yōu)化下半身動(dòng)作的預(yù)測(cè)效果，既能提升腿部動(dòng)作的自然度，又能有效避免滑步問題。

我們采用循環(huán)回歸推理方式，模型接收起始姿勢(shì)、目標(biāo)姿勢(shì)和當(dāng)前狀態(tài)，逐幀生成過渡幀。這種序列化推理方式能實(shí)現(xiàn)高效執(zhí)行，滿足游戲的實(shí)時(shí)運(yùn)行要求，游戲的動(dòng)畫系統(tǒng)無需等待即可完成動(dòng)作渲染。

損失函數(shù)的設(shè)計(jì)融合了旋轉(zhuǎn)、位置、全局坐標(biāo)等標(biāo)準(zhǔn)指標(biāo)，同時(shí)增加了防腳部滑步、速度和接觸檢測(cè)相關(guān)的額外損失項(xiàng)；針對(duì)腳部接觸規(guī)則，還增加了全局速度正則化，避免位置突變。屏幕上的公式，定義了滑步和接觸檢測(cè)的相關(guān)計(jì)算項(xiàng)。

簡(jiǎn)單介紹一下模型性能：FP32精度的模型體積約15MB，推理耗時(shí)0.75毫秒；我們對(duì)模型做了動(dòng)態(tài)量化處理，由于LSTM層占模型權(quán)重的80%以上，對(duì)LSTM層的量化能實(shí)現(xiàn)性能與效果的平衡。量化后的模型體積約6MB，推理耗時(shí)僅0.4毫秒，位置偏差控制在1以內(nèi)。

接下來介紹技術(shù)的游戲落地方案，以及如何提升玩家體驗(yàn)。這是我們的游戲內(nèi)落地整體架構(gòu)，采用了上下文模型的通用接口。異步推理模式下，渲染端直接調(diào)用推理結(jié)果，動(dòng)畫系統(tǒng)無需阻塞等待。

我們通過偏移動(dòng)作處理，適配不同的方向和空間變化：位置方面，輸入檢測(cè)到的動(dòng)作位移，輸出實(shí)際位置與目標(biāo)位置的差值，以此生成幀序列；旋轉(zhuǎn)方面，輸入預(yù)測(cè)的旋轉(zhuǎn)值，據(jù)此修正全局旋轉(zhuǎn)角度，屏幕上的公式展示了旋轉(zhuǎn)差值的應(yīng)用方法。

模型支持多角色適配，基于統(tǒng)一的骨骼結(jié)構(gòu)完成訓(xùn)練，通過計(jì)算模型骨骼與各角色骨骼的身高比例，實(shí)現(xiàn)動(dòng)作的映射適配，按該比例調(diào)整位置和旋轉(zhuǎn)參數(shù)，即可讓同一套動(dòng)作適配正常身高、矮個(gè)子和高個(gè)子角色，同時(shí)規(guī)避武器穿模問題。

武器與角色模型穿模，是游戲動(dòng)畫制作中最棘手的問題之一，武器的合理位置也是本項(xiàng)目的核心優(yōu)化點(diǎn)。我們將原有的轉(zhuǎn)場(chǎng)目標(biāo)姿勢(shì)調(diào)整為過渡姿勢(shì)，把AI模型生成的轉(zhuǎn)場(chǎng)動(dòng)作與美術(shù)資源結(jié)合，拆分運(yùn)動(dòng)捕捉控制器（PMC），避免武器穿透角色模型。這套方案同時(shí)適用于“動(dòng)作轉(zhuǎn)過渡姿勢(shì)”和“過渡姿勢(shì)轉(zhuǎn)待機(jī)姿勢(shì)”兩種場(chǎng)景。我們將AI生成的轉(zhuǎn)場(chǎng)動(dòng)作與奔跑循環(huán)動(dòng)畫做幀匹配，當(dāng)角色從轉(zhuǎn)場(chǎng)動(dòng)作切換回奔跑狀態(tài)時(shí)，后續(xù)動(dòng)作幀能保持連貫，消除動(dòng)作卡頓，讓整體表現(xiàn)更自然。

目前，我們已實(shí)現(xiàn)方向與空間適配、多角色兼容、動(dòng)畫幀調(diào)整、武器穿模規(guī)避和幀匹配等功能。這些后處理和落地環(huán)節(jié)的技術(shù)方案相互配合，最終讓游戲內(nèi)的角色動(dòng)作更流暢、更自然。

現(xiàn)在為大家展示游戲內(nèi)的實(shí)際效果，主要有三個(gè)案例。第一個(gè)案例：角色長(zhǎng)距離移動(dòng)后回到待機(jī)狀態(tài)。左側(cè)采用傳統(tǒng)IK方案的角色，出現(xiàn)了明顯的腳部滑步，姿勢(shì)也較為僵硬；右側(cè)AI生成的動(dòng)作則自然很多，即便是大位移的動(dòng)作轉(zhuǎn)場(chǎng)，效果也有明顯提升。

AI方案相比傳統(tǒng)方案的優(yōu)勢(shì)十分顯著。比如角色從滑步切換至奔跑的轉(zhuǎn)場(chǎng)動(dòng)作：左側(cè)傳統(tǒng)方案的角色，轉(zhuǎn)彎時(shí)動(dòng)作生硬；右側(cè)AI生成的動(dòng)作則自然流暢，同時(shí)還能保證操作的響應(yīng)速度。

最后一個(gè)案例：武器展示的穿模問題，這一直是游戲動(dòng)畫的痛點(diǎn)，傳統(tǒng)方案中角色與武器常會(huì)出現(xiàn)互相穿透的情況。大家可以看到，右側(cè)AI生成的動(dòng)畫完美解決了武器穿模的問題。

接下來介紹生產(chǎn)效率的提升效果。針對(duì)單個(gè)動(dòng)作：傳統(tǒng)方案需要約30分鐘完成動(dòng)作捕捉，1小時(shí)進(jìn)行后期精修；而我們的新方案僅需5分鐘捕捉動(dòng)作，15分鐘完成精修，單動(dòng)作的制作時(shí)間大幅縮短。此外，傳統(tǒng)方案需要930條動(dòng)作捕捉素材，才能覆蓋930個(gè)動(dòng)作，素材與動(dòng)作的配比為1:1；而我們的新方案僅需445條素材，就能覆蓋相同數(shù)量的動(dòng)作，配比降至0.48:1。

采用新方案后，美術(shù)師無需再制作大量的輔助動(dòng)畫素材，開發(fā)工程師也無需為轉(zhuǎn)場(chǎng)動(dòng)畫做大量的參數(shù)配置。雖然項(xiàng)目初期需要采集更多數(shù)據(jù)作為訓(xùn)練基礎(chǔ)，但后續(xù)新增角色時(shí)，僅需少量的動(dòng)作捕捉數(shù)據(jù)即可適配，素材與動(dòng)作的配比還會(huì)持續(xù)降低。

接下來對(duì)今天的演講做一個(gè)總結(jié)。本次我們主要分享了三項(xiàng)核心成果：第一，研發(fā)了基于AI的無標(biāo)記多視角動(dòng)作捕捉系統(tǒng)，同時(shí)優(yōu)化了工作流程和數(shù)據(jù)整合方式，提升了數(shù)據(jù)采集效率，降低了采集成本；第二，精心設(shè)計(jì)了輕量級(jí)模型，實(shí)現(xiàn)了游戲內(nèi)的實(shí)時(shí)推理應(yīng)用；第三，結(jié)合AI技術(shù)與傳統(tǒng)動(dòng)畫技術(shù)，解決了技術(shù)落地過程中的各類難題。數(shù)據(jù)、模型、落地三大環(huán)節(jié)的技術(shù)方案相輔相成，才形成了這套完整的AI動(dòng)作生成解決方案。

以上就是我今天的全部分享，謝謝大家！

敬請(qǐng)關(guān)注↑↑↑

立即登記！