Playground生成式 AI 如今能写代码、画像素、配音乐，照这个逻辑，做游戏好像只剩“输入提示词”这一件事了。WIRED 记者 Boone Ashworth 就花了一整天时间，扎进 Google 的 AI Playground，想看看这个被不少人看好的 AI 实验场到底能折腾出什么。答案没什么悬念：他搞出来一堆糟糕游戏，还把自己的这番经历说成“在电子游戏垃圾矿里挖了一整天”。
把游戏开发变成聊天
Google AI Playground 算不上传统意义上的游戏引擎，它更接近一个面向普通人的 AI 沙盒。你只要用自然语言把小游戏、角色、规则和美术风格描述出来，后台模型就会生成能跑起来的原型。按理论推，游戏制作的门槛会因此降得很低——既不会写代码，也不会画画的人，几分钟就能拿到一个“能玩”的东西。Ashworth 挨个试了平台跳跃、射击、解谜、点击放置这些类型，AI 每次都能很快丢出一个可运行的 HTML5 小游戏，速度确实吓人。
“在视频游戏垃圾矿里挖了一整天，收获颇丰。”——原文摘要
可生成快，不代表游戏就好玩。作者很快就看明白了，这些 AI 游戏往往只长着“游戏的样子”，却没有游戏的魂。操作手感发僵，碰撞检测诡异，关卡像是随便拼起来的，美术风格也高度雷同：亮色渐变、圆角按钮、廉价像素，还有到处都是的紫色光晕。玩个 30 秒，新鲜劲就过去了，剩下的只有反复点击和无聊劳动。
AI 能生成，但不会设计
这背后是当下生成式 AI 的典型短板。大模型擅长从海量数据里总结模式，再拼出看上去合理的内容。它知道平台跳跃一般得有跳跃、平台、敌人和终点，也知道射击游戏离不开准星、子弹和血条。可游戏设计的核心并不是一张元素清单，而是节奏、反馈、挑战曲线和惊喜。为什么《超级马力欧》第一关会让人忍不住往前跑？为什么《俄罗斯方块》方块下落速度必须一点点加快？这些答案来自人类设计师对玩家心理的反复打磨，不是统计概率能算出来的。
所以，AI 生成的游戏常常掉进“平均化陷阱”。它做不出真正糟糕到有趣的东西，也很难做出真正好玩到难忘的东西。它干的事，就是把训练数据里的常见套路重新排一遍，产出大量安全、平庸、似曾相识的“电子泔水”。Ashworth 的经历并不是个例。过去两年，随着生成式 AI 工具铺开，Steam 等平台上的 AI 生成游戏数量猛增，不少被玩家打上“AI slop”的标签，挤占曝光位，也稀释了独立游戏的多样性。
游戏行业的 AI 焦虑
游戏行业对 AI 的态度一直很分裂。大厂把 AI 用在概念图、代码辅助、NPC 对话和测试上，图的是压缩成本、加快迭代。独立开发者则犯愁：如果玩家能在游乐场里免费生成“差不多”的游戏，谁还肯为精心打磨的小而美作品掏钱？更现实的威胁是，平台可能被海量 AI 内容淹掉，真正有创意的作品反倒更难被看见。Google AI Playground 这类工具越容易上手，这种焦虑就越强烈。
不过，把 AI 游戏工具一棍子打死也不公平。拿原型设计来说，它确实管用。开发者几分钟就能验证玩法概念，快速试错；教育场景里，学生也能靠自然语言弄懂游戏循环和碰撞这些基础概念。如果创作者本身有清晰的设计意图，AI 可以当放大器，而不是替代品。问题在于，工具被拿去“批量生产内容”而不是“表达创意”时，结果就是 Ashworth 体验到的那个垃圾矿。
编者按：别让游乐场变成垃圾场
Google AI Playground 让人看到了 AI 生成游戏的潜力，也把它的天花板亮了出来。它把“做游戏”变得跟发一条提示词一样简单，但游戏说到底还是交互艺术，快乐来自精心设计的挑战与反馈。AI 能帮你生成 100 个原型，却没法替你决定哪一个值得留下。对平台来说，标记 AI 内容、加强策展和推荐机制，是避免垃圾淹没社区的必修课。对创作者来说，AI 不是捷径，只是又一件工具：用得好，它是画笔；用不好，它就是泔水机。
Ashworth 把话说得很直：就目前来看，Google 那套 AI 游乐场更像一个好玩的玩具，还撑不起一间游戏工作室。想法确实能很快做出来，可平庸的东西也会同样快地堆成山。至于真正意义上的游戏，还是得靠人去教机器——到底什么才算好玩。
