人工智能的飞速发展正在从根本上重塑我们对游戏价值的认知。过去，游戏曾为人工智能的算力基础设施和算法演进提供过关键助力。如今，随着AI迈入新阶段并面临智能体训练、具身智能以及应对数据枯竭等新挑战，游戏有望在更为核心的基础设施层面发挥不可替代的作用。
长期以来，社会公众及监管机构对游戏行业抱有审慎甚至负面的态度，这固然源于青少年沉迷、不良价值观导向及有争议的商业模式等问题，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、能源等“硬科技”相提并论。然而，人工智能的快速发展正在打破这一刻板印象，游戏正在从娱乐载体转变为AI发展的关键基础设施。
一、游戏对AI发展的历史贡献
游戏产业在多个关键节点上，为人工智能的飞跃提供了不可或缺的条件。
首先，算力层面的推动功不可没。20世纪90年代，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，因为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。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。英伟达财报清晰地记录了这一转变：2016财年，其游戏业务收入约28.2亿美元，是数据中心业务的8倍多；而到2025财年，数据中心已占总营收约88%，游戏仅剩8.7%。这条从游戏引擎到AI引擎的曲线，正是游戏为AI输送算力的最好注脚。
其次，算法层面的推动同样关键。2015年，DeepMind在《自然》杂志发表DQN研究，首次将深度学习和强化学习成功结合，让AI在几十款雅达利游戏中摸索出接近专业人类的操作策略，宣告了“深度强化学习”时代的到来。2016年，AlphaGo通过学习人类棋谱并辅以强化学习击败李世石，创造了AI史上的里程碑。特别是2017年的AlphaGoZero，完全抛弃人类棋谱，仅靠“自己和自己下棋”在几天内达到超越人类的水平，将“独立思考”的能力推向极致。这说明，游戏不仅能帮助AI模仿人类，还能在规则清晰、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”。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的赋能已经无法仅用算力和强化学习来定义，而是变得更加广泛和深入。其逻辑可以从两个维度来理解：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提供训练场和实验室；二是数据维度，游戏通过人与游戏的互动、玩家博弈、AI自我对弈等方式，源源不断地产生海量、高质量、低成本的数据。这两个维度犹如工厂与产品：环境是生产数据的系统，数据是核心资产。
二、环境维度
今天的大模型主要依靠海量的静态数据训练，让AI学会“看懂”和“听懂”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，必须在与世界的持续交互中学习。然而，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。真实世界的试错既贵又危险。以理想汽车的智能驾驶测试为例：2023年实车路测每公里成本约18.4元，而到2025年上半年，借助世界模型进行仿真测试，单公里成本降至约0.53元，仅为实车路测的三十五分之一。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。真实环境中的对比实验常受制于不可控变量。而在虚拟环境里，研究人员只需调整光照、车流密度、降水概率等参数，就能快速生成任意目标场景，让AI训练从“被动等待”转向“主动生成”。
第三，风险可控，能提前暴露问题。AI在部署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。游戏沙盒完美绕过了这些限制：研究者可以主动构造极端天气、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。
第四，具备天然的可解释性。当前AI常被诟病为“黑箱”。游戏环境为破解这一难题提供了条件：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。
第五，实时交互、有效反馈。与静态数据不同，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，并立刻看到行动带来的结果。这种即时的“动作—反馈”闭环，是训练决策智能的必要条件。
游戏环境对AI的价值主要体现在两个方面：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，物理规律可能被夸张处理，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，后来发现其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，决策效率相比传统方式提升约400%。
后者则是利用游戏引擎技术搭建高度贴近真实世界的专用仿真场景，如1:1还原的矿山或城市街区。以腾讯推出的自动驾驶仿真平台TADSim为例，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。
三、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”。现实世界本身就是多模态且自动对齐的，而现实中采集视觉、声音、动作往往来源分散，难以同步。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。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”，是训练“视觉—语言—动作”大模型的关键原材料。
第二个属性是清晰的“状态—动作—反馈”因果结构。AI要理解世界，不仅要知其然，还要知其所以然。现实中因果关系复杂，关键反馈容易遗漏。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。这相当于给AI一本带完整解题步骤和答案的“教科书”。
游戏数据的另一个独特性在于，它既有人类经验的沉淀，也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，快速习得那些难以用规则描述的经验。以沙盒游戏《我的世界》为例，AI通过模仿人类玩法，就能学会大量难以言传的策略。人类的数字沉淀还可以帮助AI实现“人类偏好对齐”，让决策更贴近人类的价值判断。
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。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，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，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。
四、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）