从自动驾驶到AAA：AI如何重塑游戏与汽车用户体验

2026-02-04，前自动驾驶公司图森未来（TuSimple）转型后的 CreateAI 放出了《射雕英雄传》开放世界 RPG 的首支“真·实机”PV。更值得细看的是：它并不是一段概念演示，而是标注为实时渲染的战斗与场景展示——这意味着团队已经跨过了 AAA 研发里最容易“只存在于PPT”的阶段。

这条新闻对汽车软件与用户体验（UX）从业者同样有参考价值。因为它暴露了一个行业共性：当产品竞争走到体验密度（沉浸感、连续性、可控性）时，AI 的位置会从“炫技”回到“工程化工具”。CreateAI 的经历也提醒我们：从自动驾驶转向游戏，并不是“换赛道就更轻松”，而是从硬件与感知栈的复杂性，切换到内容生产管线与实时交互的复杂性。

本文属于「人工智能在游戏与数字娱乐」系列，我们借 CreateAI 的转型案例，聊三件更实用的事：AI 在 AAA 游戏里到底能做什么/不能做什么、这些能力如何迁移到汽车座舱软件与车载交互，以及如果你正在做“AI+体验”，应该如何搭建可落地的路线图。

CreateAI 的转型给了我们一个更现实的 AI 坐标系

**结论先说：从自动驾驶到 AAA 游戏，本质是从“让车自己动”转到“让用户愿意待着不走”。**前者靠感知、规划、控制的闭环；后者靠叙事、动作、反馈、节奏的闭环。两者共同点是：都需要可控、可复现、可迭代的软件系统。

根据报道，CreateAI 团队规模约 200 人，且为了提升动作质量在 2025-08 自建动捕棚，组建“真人表演 + 3D 动画 + 2D 转描”的混合流程，并提到单《射雕英雄传》可能要做多达 500 套武学招式。这些信息非常工程化：它说明团队押注的不是“用 AIGC 直接生成整款 AAA”，而是把 AI 放在资产生产与管线提效的位置。

另一个值得借鉴的点是他们对“买时间”的反思：早期试图用钱快速堆人、堆外包，结果不达预期，最终把核心团队收拢到北京以提升协同管理。这和汽车软件里“堆供应商堆功能”导致体验割裂如出一辙：体验型产品的瓶颈常常不在“有没有功能”，而在“是否统一、是否一致、是否可控”。

AI 在 AAA 游戏里更像“生产力组件”，不是主驾驶

**结论：未来 3-5 年，AI 更可能在中轻量内容（手游、短动画、运营素材）里承担主力，在 AAA 核心制作链路里则以辅助为主。**CreateAI 制作人也明确表达了类似判断：当前 AI 在可控性、一致性上不足以进入 AAA 与商业电影的核心管线。

把话说得更直白一点：AAA 真正难的不是“生成一张好看的图”，而是生成一套在长周期、跨团队协作下仍然稳定的体验系统。AI 能帮忙，但必须被工程约束住。

1) AAA 里 AI 适合做什么：把“重复劳动”砍掉

在开放世界 RPG 这种高资产密度项目中，AI 更合适落在以下位置：

• 概念探索与风格收敛：用生成式模型做大量风格方案，再由美术总监定“风格边界”。关键是把边界写成可执行的规范（材质库、灯光规则、配色、面数预算）。
• 资产标注与检索：对大量扫描数据、材质、动作片段做自动标签，提升“找得到、用得上”的效率。
• 动捕清洗与动作变体：500 套招式意味着后期处理地狱。AI 可在噪声处理、关键帧补全、动作相似度匹配上提效，但最终仍要动画师做“武侠味”的审美决策。
• 质量检测（QA）：例如自动发现穿模、光照闪烁、动画断帧等问题，属于高性价比的 AI 用法。

这些都是“让团队跑得更快”的活，而不是“替团队决定体验是什么”。

2) AAA 里 AI 暂时做不好的：一致性与可控性

真正阻挡 AI 进入核心制作链路的，往往不是效果上限，而是一致性：

• 角色在 30 小时流程里人设不崩（语气、动机、记忆一致）
• 战斗手感可调、可复现（帧数据、判定、受击反馈不飘）
• 跨版本更新不引入不可预测变化（线上补丁、DLC、联动活动）

当 AI 输出不可控时，研发团队会付出更高的返工成本。CreateAI 选择动捕棚与混合流程，恰恰说明：高质量体验目前仍靠“可控的手工流程 + 适度自动化”。

从游戏到汽车座舱：AI 驱动 UX 的共同方法论

结论：无论是开放世界游戏还是智能座舱，AI 的价值都应体现在“实时交互的体验闭环”里，而不是单点功能。

汽车行业这两年在做的转变非常明显：从“堆屏、堆APP、堆语音”转向“以用户任务为中心的座舱操作系统”。这和游戏从“堆美术资产”转向“以玩家体验曲线为中心”的逻辑一模一样。

1) “动作捕捉”对应汽车里的“多模态交互采集”

CreateAI 自建动捕棚，是为了把“人的动作与情绪”更真实地映射到角色上。汽车座舱同样需要更真实的“用户状态捕捉”，只是传感器不同：

• 语音（语速、停顿、情绪）
• 触控与旋钮（误触率、回退次数）
• 视线与头姿（需要合规前提下）
• 行为序列（导航—音乐—空调的任务链）

做对了，你会得到一套“体验动捕”：用户在驾驶/停车/通勤/长途的真实操作节奏。AI 的作用是把这些信号变成可用的特征与模型，用来减少打扰、减少步骤、减少错误。

2) “开放世界管线”对应汽车的“体验一致性管线”

开放世界最怕割裂：同一套世界观下，任务质量参差不齐会直接劝退玩家。座舱也一样：

• 导航很顺，但语音很蠢
• 主屏很美，但空调要点 4 次
• 车机很强，但手机互联断连

我更赞同的一种做法是把 AI 放进“体验管线”，而不是只放进“语音助手”。例如：

1. 体验规则层：定义哪些场景 AI 可以主动、哪些必须被动；定义可解释的优先级。
2. 个性化层：学习用户习惯，但提供“一键恢复默认/清空画像”。
3. 一致性层：跨应用的统一意图理解与统一反馈（语气、动效、提示）。

一句话：AI 不仅要聪明，还要守规矩。

3) “AIGC 的边界感”是汽车 UX 成败的分水岭

CreateAI 的判断很克制：AI 现在不适合深度介入 AAA 核心生产。汽车也需要同样的边界感。

适合用 AI 的场景：

• 语音摘要/路线建议：在用户明确请求时提供建议，并能展示依据（如路况、时间）。
• 车内内容生成：如儿童模式故事、出行播报、个性化音乐电台，前提是安全与合规。
• 运营内容生产：手册问答、教程视频脚本、功能引导文案，减少发布成本。

不适合“交给 AI 全权处理”的场景：

• 关键驾驶相关的不可解释决策
• 会让用户无法预测后果的自动改设置
• 可能触发隐私风险的数据调用

体验产品的底线是可预期。可预期比“更聪明”重要。

可落地的三步路线：把 AI 做成“可交付的体验能力”

**结论：先用 AI 建立可测量的体验指标，再把 AI 变成可复用组件，最后才谈规模化个性化。**这套顺序能避免“功能越做越多，体验越来越乱”。

第一步：选一个高频任务链，定义可量化指标

不要从“我们也要一个大模型助手”开始。先挑一个高频任务链，例如通勤：上车—导航—音乐—空调—消息。然后定义指标：

• 完成任务的点击/口令步数
• 误触率与回退次数
• 首次成功率（语音一次成功）
• 打扰率（不合时宜的弹窗/播报）

这些指标就像游戏里的“留存、关卡完成率、死亡点热力图”，是体验迭代的方向盘。

第二步：把 AI 做成组件，而不是散落在各个功能里

建议用“能力中台”的思路做三类组件：

• Intent Engine：统一意图识别（语音/触控/快捷键）
• Policy Engine：场景策略与安全约束（驾驶中/停车中）
• Feedback Kit：统一反馈模板（提示、动效、语音语气）

这样做的好处是：体验一致性可控，团队协作成本下降，供应商也更容易对齐。

第三步：再谈个性化，并把“可退出”写进产品

个性化要有开关、有解释、有撤销。我的经验是：**用户愿意被理解，但不愿意被“偷偷改变”。**把“为什么推荐这条路线/为什么自动切换到某模式”讲清楚，信任才会累积。

结尾：AI 的价值不在炫技，而在把体验做得更像“人”

CreateAI 从自动驾驶转到 AAA 游戏，表面是赛道变化，内核却是同一件事：用 AI 与软件工程把复杂体验做得可交付、可迭代、可规模化。他们选择自建动捕棚、强调动作与一致性，也是在用“笨功夫”守住体验底线。

对汽车软件与用户体验团队来说，最值得借鉴的不是“也去做 AIGC”，而是建立一套可控的 AI 体验管线：从数据与任务链出发，用规则与策略兜底，让模型成为生产力组件，而不是不可预测的黑箱。

下一篇「人工智能在游戏与数字娱乐」系列，我想更具体地拆解：**智能 NPC 的“可控记忆”与“统一语气”怎么做，为什么这套方法同样适用于车载语音与多模态助手？**如果你正在做相关产品，欢迎把你的场景（车队/车型/座舱OS/目标指标）发我，我可以按你的约束给一套更细的落地清单。