《絕地求生》AI隊友GDC首曝：2026年上線，完整技術路徑公開

成為全球游戲行業最具影響力的價值連接者

游戲日報2026 GDC全球合作與報道通道（點擊圖片了解）

3月11日（太平洋時間），《絕地求生》團隊在GDC 2026的演講中首次公布了他們為游戲制作的CPC（定制化玩家角色）——“艾爾琳”。

在這次演講中，他們首次公開了AI隊友“艾爾琳”的技術實現細節，所有功能均在玩家本地電腦運行，3060顯卡即可實現60幀流暢體驗，AI響應延遲控制在2秒以內。證明了在競技游戲中部署“有記憶、懂戰術、能聊天”的端側AI是可行的，給出了完整的技術路徑，并同步宣布此功能預計2026年正式上線。

演講結束后，圍繞這套系統的技術選型、玩家體驗和硬件適配，團隊還與現場開發者展開了問答交流。

以下為整理后的演講具體內容：

大家好，我是辛克。今天我會為大家介紹這《絕地求生》里的人氣角色——艾爾琳。

在《絕地求生》中，最精彩的游戲瞬間，往往是和隊友一起創造的。有隊友在身邊，你們可以一起開懷大笑、分享物資、制定戰術。但有時候，組隊玩法會出問題：好友并非隨時都有空，只能選擇匹配隊友。但隨機匹配也存在問題，隊友之間的游戲目標和跳傘落點都不一樣，團隊很容易就散了，有時候還會遇到玩家中途掉線的情況。

于是我們就有了一個想法：能不能用人工智能隊友來填補這個空缺？很多人知道NPC這個概念，也就是非玩家角色。但關鍵問題是，玩家無法操控NPC，也不能扮演這個角色，所以很多游戲里的NPC表現都很呆板。現在我們引入一個新的概念——CPC，即定制化玩家角色，設計初衷就是和玩家并肩作戰、默契配合。這就是我們為這款吃雞游戲打造的CPC角色——艾爾琳，她就像一位能和你交流互動的游戲好友。

剛剛大家看到的是我和艾爾琳組隊的畫面，她就像真人隊友一樣和玩家配合默契，主要有四大核心亮點：

第一，她的游戲水平在線，會努力和玩家保持行動同步，就像真正的靠譜隊友。第二，她能聽從玩家的語音指令，只需說出一句話，艾爾琳就能理解并照做。第三，她能懂游戲里的專屬術語和俚語，無論是專業詞匯、物資名稱，還是隊友間的閑聊對話，她都能理解。第四，她的交流方式十分自然，能和玩家順暢溝通，會傾聽、會回應，甚至還會開點小玩笑。

接下來我們深入講講，為了讓艾爾琳的表現更貼近真人隊友，我們遇到的四大核心技術難題：實時決策能力、交互的安全性與趣味性平衡、交互的主動性，以及記憶能力。

在講解具體技術細節前，我先明確一下艾爾琳的感知和行動邊界。

第一，語音輸入輸出。玩家用自然語音和艾爾琳交流，我們通過語音轉文字技術將玩家語音轉化為文本，艾爾琳再通過文字轉語音技術做出回應。

第二，場景信息輸入。艾爾琳并非直接識別游戲畫面，而是接收結構化的游戲數據，如位置、時間、物資、敵情等信息，再將這些數據轉化為文本描述，通過這些描述來理解游戲場景。

第三，行動輸出。艾爾琳不會像人類玩家一樣使用鍵盤鼠標操作，而是通過語義化的行動指令完成操作，比如移動、射擊、觀察、交互等。

實時決策能力

在這款戰場競技游戲中，遭遇敵人后可能1秒就會陣亡，所以AI隊友必須做到反應敏捷、表現穩定。我們有一種基于規則的模型，以游戲狀態為輸入、動作指令為輸出，通常依托深度決策樹構建。這種模型的優勢是反應迅速、表現穩定可預測，但它不支持對話和語音控制。簡單來說，就是存在這樣的取舍：一側是更智能、更具交互性的模型，另一側是反應快、穩定性高的模型。

我們的解決方案是將這兩套系統融合，采用一號系統與二號系統的雙層架構。一號系統負責生成所有動作指令，支撐AI的各類行為和決策；核心設計思路是，二號系統能夠修改一號系統的行為模式。這意味著玩家可以通過語音向AI下達指令，而AI依然能保持敏捷的行動。這就像你碰到滾燙的東西會立刻縮回手一樣，是本能的反應，無需思考。我們的AI隊友正是依靠一號系統，實現了這種即時反應。

我用一個例子講解具體工作原理。玩家發出指令前，一號系統自主運行，根據游戲實時狀態獨立生成動作指令；隨后玩家說出“跟著我”，這一指令觸發二號系統啟動。二號系統理解指令后，生成“跟隨玩家”的行為指令，同時修改一號系統的運行邏輯。如此一來，一號系統依舊保持高速運算，而AI的行為模式則從“自主探索”切換為“跟隨玩家”。此時出現敵人并向AI隊友開火，一號系統會立刻做出反應，檢測到槍聲后發起反擊。這樣，AI隊友既能遵循語音指令，又能保持敏捷的實戰反應。

安全交互

下一個需要攻克的難題是交互的安全性與趣味性平衡。我們希望AI隊友能帶來有趣的體驗，像真實好友一樣和玩家自然交流、開玩笑，但同時必須杜絕不良、不安全的對話內容。這里有一個非常特殊的問題：語境的影響至關重要。因為AI隊友存在于游戲這個特定場景中，同一個詞在游戲里和現實中可能含義完全不同。

比如玩家在游戲中說“我把那只狗解決了”，在現實中這句話帶有暴力色彩。普通的風控模型可能會做出拒絕的回應，但在游戲語境中，這句話需要結合游戲場景解讀。正因如此，我們需要一套能理解游戲語境的安全風控機制，既不會誤判游戲內的正常表述，又能精準攔截現實中的不良用語。

接下來講講我們如何設計這套兼顧安全與趣味的交互邏輯。核心思路就是持續測試、發現問題、迭代優化。我們通過內部測試主動發現問題，找出高風險話題或低互動性的對話樣本，隨后分析問題、優化模型，讓AI的回復既安全又有趣。很多設計師參與到實際體驗中，針對AI的回復給出修改意見，這些優化后的回復會成為AI的標準應答庫。接下來我們會進行提示詞優化，更新模型的指令邏輯，讓艾爾琳嚴格遵循標準應答庫的內容回復。

由于安全性至關重要，最后一道關卡就是不良用語檢測。這個檢測會在兩個環節生效，覆蓋艾爾琳的聽和說。首先在語音輸入環節，玩家的語音被轉文字后，我們會對轉換后的文本進行不良用語檢測，若發現違規內容，會直接屏蔽或替換，避免艾爾琳做出不當回應；其次在AI生成回復環節，在將文本轉換為語音前，會再次進行檢測，若回復中包含不良用語，會立刻修正。這是我們的最后一道風控防線，對輸入和輸出實現雙重檢測。

交互的主動性

主動性這點非常重要。在游戲中，真正的隊友會根據戰場形勢主動溝通，比如“發現敵人”“物資不多了”“我們該轉移了”。為此我們思考了很久：該如何通過事件觸發，讓艾爾琳擁有主動交互的能力？

我們的做法有兩點：第一，基于游戲內的事件觸發，比如發現敵人、開火、毒圈收縮等場景；第二，結合游戲實際情況判斷是否需要主動發言，因為過多的語音會分散玩家的注意力。我們的目標很簡單：在合適的時機，給出有幫助的語音提示。

具體工作原理是，首先游戲內觸發特定事件，艾爾琳發現玩家需要或關注的物資，接著系統判斷該情況具備主動發言的價值，隨后艾爾琳就會主動提醒，比如“嘿，這邊有倍鏡”。還有一個重要的點，玩家可以自定義觸發條件，比如設置“找到醫療物資時提醒我”。

記憶能力

最后一個挑戰是記憶能力。核心目標是提取關鍵信息、保存并在后續場景中復用。如果沒有記憶，AI隊友每次對局都會像陌生人一樣，記不住你的名字、記不住你的打法，體驗會變得非常糟糕。

接下來看看具體的實現方式。對局過程中，玩家可能會說“我喜歡剛槍，咱們打得激進點”，同時游戲中還有大量諸如操作步驟、對局結果的信息，這些都是記憶的輸入源。艾爾琳會持續捕捉對話內容和對局信息，篩選出其中的關鍵部分，比如玩家的偏好、互動中的反饋，并將其提煉為簡短的摘要存入記憶模塊。

我們設置了持久化的記憶存儲區，會將有用的信息長期保存，而且這份記憶會跨對局生效，即便多局之后也不會丟失。同時還有記憶注入機制，會將存儲的記憶信息實時注入AI的決策模型，讓艾爾琳能結合記憶做出回應，比如會說“記得你喜歡剛槍，咱們沖過去”。

關于模型訓練與評估

以上講到的實時決策、安全交互、記憶能力，都基于小語言模型實現。這意味著我們需要持續訓練和優化這個模型。我們的全流程訓練體系是這樣的：首先從實際對局中收集數據，玩家和艾爾琳的真實對局過程中，我們會采集玩家的真實指令，將這些數據加入數據集，隨后基于新數據集對小語言模型進行微調訓練。

訓練完成后得到新版本模型，我們會從交互質量、安全合規、游戲內行為表現三個維度進行驗證，驗證通過后就會進行版本迭代，讓模型的表現持續優化。同時我們會針對薄弱環節補充更多數據，讓模型的能力更全面。

今天我重點講其中一個核心環節：邊緣案例挖掘。目標是找出數據集中未覆蓋、但實際對局中可能出現的場景。我們的訓練數據集包含了大量預設場景，比如“前往標記點”，但無法覆蓋玩家在真實對局中所有可能的表述。

實際游戲中，玩家的指令會非常口語化、多樣化，在不同場景下會用不同的說法表達同一需求，比如“往這個方向走”，這就是數據集未覆蓋的邊緣案例。大語言模型憑借通用理解能力，能很好地處理這類邊緣案例，但小語言模型的泛化能力有限，需要重點挖掘模型處理失敗的邊緣案例并針對性優化。

具體的挖掘方法是：首先從真實對局中收集大量玩家指令，隨后進行分類標注，嘗試將每個指令歸到我們預設的類別中。其中一些邊緣案例無法歸到現有的預設類別，這說明我們的類別覆蓋存在空白，真實玩家的部分指令是我們此前未考慮到的。

隨后我們會基于這些邊緣案例更新分類體系，比如新增“信息共享”這一類別，涵蓋“有人在這個點位落地”這類指令。之后針對新增類別補充數據、優化模型，這些原本的邊緣案例就不再是模型的短板了。反復這個過程，分類體系會不斷完善，模型的失誤率會持續下降，表現也會越來越好。

我們會將這些挖掘出的指令意圖用于下一次的數據生成。基于這些指令意圖，我們主要挖掘兩類空白：第一類是低覆蓋度意圖，即數據集中該類意圖的樣本量不足，我們會針對性生成更多樣本；第二類是低質量意圖，即數據集中已有相關樣本，但模型的處理效果仍不佳，這種情況我們會核查數據質量，或補充更多優質示例。核心思路很簡單：找到薄弱的指令意圖、補充數據、優化模型。

我們如何評估模型的優化效果？

主要關注兩個指標。第一個是動作決策準確率，即模型能否生成正確的行為指令，我們會將模型輸出與大推理模型給出的參考答案對比，以此驗證準確率。第二個指標是交互溝通質量，即對話的流暢度和理解度，模型能否準確理解玩家的意圖。這個指標我們會通過大推理模型進行自動評估。這兩個指標的驗證，我們均采用真實玩家的預留測試集進行評估。

從測試結果來看，隨著訓練的推進，模型的各項指標持續提升，我們的小語言模型表現一步步變好。雖然大語言模型的指標仍高于小語言模型，但二者的差距在不斷縮小。

關于本地運行與上線計劃

我想強調的最重要的一點是：所有功能都能在玩家的個人電腦上本地運行。玩家的游戲客戶端、語音轉文字、小語言模型、文字轉語音，所有模塊都在同一臺設備上協同運行。我們的最低配置要求為3060顯卡，能在該配置下實現60幀的流暢體驗，同時保證80%以上的交互響應率。這一實現難度極大，因為游戲本身已經占用了大量的顯卡和處理器資源，而我們能做到這一點，離不開和英偉達的深度合作。

從延遲測試結果來看，我們對比了小語言模型在本地顯卡、云端服務器的延遲，以及大語言模型在云端的延遲。在4090型號顯卡的高端電腦上，小語言模型的延遲極低，幾乎比云端大語言模型快一倍，響應時間不到1秒；即便是在3060的最低配置電腦上，延遲也能控制在2.5秒以內。而云端大語言模型不僅延遲遠高于本地小語言模型，表現也不夠穩定。由此可見，本地顯卡運行模型有兩大核心優勢：速度快、表現穩。

最后要告訴大家的是，艾爾琳這款AI隊友不再只是研發演示版本，我們即將把它正式帶給玩家，作為游戲內的可選功能上線。這意味著玩家能在真實的游戲體驗中和艾爾琳并肩作戰，目前該功能已在獨立測試環境中運行，正式上線時間預計在2026年的某個時間點。

我的分享就到這里，謝謝大家！最后再聊聊相關的落地思路，包括實際應用效果、可能遇到的問題，還有更多驚喜等著大家。

以下為演講結束后問答環節實錄（為保證閱讀體驗，內容有所調整）：

Q： 你們介紹的這套雙系統架構（一號系統基于決策樹驅動動作，二號系統基于大語言模型負責分析和對一號系統的修改），讓我聯想到心理學里關于人類決策思維的雙系統理論。想請問你們的研發是否從這個理論中獲得了靈感？

A：沒錯，我們確實參考了這一領域的相關理論。其實一號、二號系統的這種架構模式在認知科學領域是相當常見的，我也為此研讀了相關的文獻資料。

Q： 對于AI系統，玩家的實際體驗是最重要的。我想了解貴公司是否已經針對這套系統開展了早期的玩家測試，哪怕只是內部的可用性測試？有沒有收集過玩家與AI（艾爾琳）互動時的真實感受和反饋？

A：這是個非常好的問題。我之前在演講中主要展示了模型的決策準確率、交互質量這類量化指標，但這些與玩家的真實體驗之間確實還存在一些差異。所以我們已經在公司內部組織了大量的員工進行試玩，讓大家體驗AI隊友艾爾琳，并收集了很多反饋意見。基于這些反饋，我們對系統做了不少優化改進，公司里有很多人都參與了多輪的試玩測試。

Q： 你們的游戲應該會面向不同語言的市場，目前主要適配了哪些語言？相關的模型是自研的還是有合作？因為做多語言適配需要投入不少研發資源。

A：目前我們主要適配了三種語言：英語、韓語和中文。

針對不同語言，我們做了獨立的模型處理，所有的小語言模型都是單獨訓練、獨立部署的。順帶一提，我們還對模型做了量化處理。因為我們要求游戲的最低運行配置是8G顯存，所以模型采用的是4比特量化計算的方式。

Q： 我想問一個偏運營層面的問題：你們是如何調節AI隊友的游戲戰力的？在很多游戲中，如果AI太強會降低可玩性。你們是如何避免這個問題的？

A：關于這點大家完全可以放心，在當前的先行體驗版本中，艾爾琳的戰斗能力其實并不算強。想讓AI在這款游戲中表現出色其實難度極高，因為這款游戲的競技性本身就很強，而且很多玩家的游戲水平已經非常高了。當然，我們也在持續開展相關研究，探索如何讓艾爾琳的游戲戰力變得更強。

Q： 我想了解一下，在運行AI隊友的同時，游戲還要進行圖形渲染，你們是如何兼顧這兩者的？是同時運行還是優先保障一方？另外，是否會根據游戲運行情況動態調整模型策略，甚至跳過部分計算來管理資源？

A：我明白你的問題。簡單來說，如果玩家的設備顯存有限，想要流暢運行AI隊友，就需要適當降低游戲的畫面畫質；如果玩家顯存足夠大，那么即使開啟高畫質，也能正常運行AI隊友。

Q： 這么說你們是讓AI模型和圖形渲染共用同一塊顯卡的顯存？

A：是的，至少模型的運行是基于同一塊顯卡的。從實際體驗數據來看，AI的響應延遲控制在2秒以內，玩家的體驗就已經比較良好；如果能降到1秒以內，體驗會更出色。這是保證體驗的關鍵。

Q： 你們選擇使用小語言模型而非大語言模型，主要是為了適配不同配置的玩家設備，還是更多出于成本控制？如果投入足夠資金，理論上也可以用大語言模型來做吧？

A：核心原因其實是體驗層面的延遲問題。 如果AI的反饋延遲達到5秒，玩家的體驗會非常糟糕。當然，成本和硬件適配的因素也有考慮。目前行業內語音交互技術的發展也印證了，小語言模型是比較合適的選擇。

Q： 那如果未來出現性能表現優異的端到端語音模型，能進一步降低延遲，你們會考慮采用嗎？

A：沒錯，如果采用端到端的語音模型，確實能有效降低交互延遲。所以我們也在持續測試和評估，探索哪種類型的端到端語音模型最適配我們的游戲場景。目前還在研究階段。有時候想到未來的技術發展，還挺讓人期待的。后續我們也會繼續推進相關的技術研發和測試。

敬請關注↑↑↑

立即登記！