AI + 鸿蒙游戏,会不会是下一个爆点?

AI + 鸿蒙游戏,会不会是下一个爆点?
在这里插入图片描述

子玥酱(掘金 / 知乎 / ZEEKLOG / 简书 同名)

大家好,我是子玥酱,一名长期深耕在一线的前端程序媛 👩‍💻。曾就职于多家知名互联网大厂,目前在某国企负责前端软件研发相关工作,主要聚焦于业务型系统的工程化建设与长期维护。

我持续输出和沉淀前端领域的实战经验,日常关注并分享的技术方向包括前端工程化、小程序、React / RN、Flutter、跨端方案,
在复杂业务落地、组件抽象、性能优化以及多端协作方面积累了大量真实项目经验。

技术方向:前端 / 跨端 / 小程序 / 移动端工程化
内容平台:掘金、知乎、ZEEKLOG、简书
创作特点:实战导向、源码拆解、少空谈多落地
文章状态:长期稳定更新,大量原创输出

我的内容主要围绕 前端技术实战、真实业务踩坑总结、框架与方案选型思考、行业趋势解读 展开。文章不会停留在“API 怎么用”,而是更关注为什么这么设计、在什么场景下容易踩坑、真实项目中如何取舍,希望能帮你在实际工作中少走弯路。

子玥酱 · 前端成长记录官 ✨
👋 如果你正在做前端,或准备长期走前端这条路
📚 关注我,第一时间获取前端行业趋势与实践总结
🎁 可领取 11 类前端进阶学习资源(工程化 / 框架 / 跨端 / 面试 / 架构)
💡 一起把技术学“明白”,也用“到位”

持续写作,持续进阶。
愿我们都能在代码和生活里,走得更稳一点 🌱

文章目录

引言

这两年,两个关键词几乎同时爆发:

AI 鸿蒙 

一个在重写软件的“智能能力”,一个在重构“操作系统与设备生态”。

但当这两个东西叠在一起时,一个更有意思的问题出现了:

AI + 鸿蒙游戏,会不会是下一个爆点?

很多人第一反应是:

AI = 更聪明的 NPC 

但如果你真的从架构层面去看,你会发现:

这可能不是“优化游戏”,而是“改变游戏形态”。

一、先看过去:游戏是“预设世界”

传统游戏的本质是:

开发者定义规则 玩家在规则内行动 

例如:

  • NPC 对话是写死的
  • 剧情是固定的
  • 任务是预设的
classNPC{talk(playerLevel:number){if(playerLevel >10){return"你已经很强了"}return"继续努力"}}

本质上:

游戏世界是“静态设计”的。

二、AI 带来的第一层变化:内容动态化

AI 最直观的改变是:

内容不再固定 

例如:

  • NPC 对话不再写死
  • 任务可以实时生成
  • 剧情可以分支甚至无限延展
classAINPC{asynctalk(playerState: object){returnawait ai.generate({ role:"npc", context: playerState })}}

再比如任务系统:

asyncfunctiongenerateTask(playerLevel:number){returnawait ai.generate({ type:"task", difficulty: playerLevel })}

这意味着:

游戏开始“活”起来。

三、鸿蒙带来的变化:游戏不再是单设备

传统游戏:

手机 / PC / 主机 

鸿蒙游戏:

手机 + 平板 + 手表 + 车机 + IoT 

这带来的变化是:

游戏不再局限在一块屏幕 

例如跨设备同步任务状态:

import distributedData from'@ohos.data.distributedData'asyncfunctionsyncTask(taskId:string){await kvStore.put("current_task", taskId)}

另一设备读取:

let taskId =await kvStore.get("current_task")startTask(taskId)

四、当 AI 遇到鸿蒙:真正的变化出现了

单独看 AI 或鸿蒙,其实只是“增强”,但组合在一起,会发生质变:

1 游戏从“预设内容”变成“实时生成”

asyncfunctiongenerateStory(playerHistory:any){returnawait ai.generate({ type:"story", history: playerHistory })}

每个玩家的剧情都不同。

2 游戏从“单人体验”变成“个性世界”

asyncfunctionpersonalizeWorld(playerProfile:any){returnawait ai.generate({ type:"world", preference: playerProfile })}

世界是“为你生成的”。

3 游戏从“应用”变成“持续服务”

// 即使玩家不在线setInterval(async()=>{await worldService.progressWorld()},60000)

世界持续运行。

五、一个典型的未来场景

想象这样一个游戏,你说:

今天我想玩点轻松的 

系统:

const config =await ai.generate({ mood:"relax", type:"game_config"}) gameEngine.applyConfig(config)

你在手机上开始任务:

startGameSession()

开车时(车机):

carSystem.playStoryAudio(currentStory)

手表提醒:

watch.notify("任务完成,奖励已发放")

全设备协同完成体验

六、技术架构会发生什么变化

传统游戏架构

Game Loop ↓ Render ↓ Logic ↓ Data 
functiongameLoop(){update()render()}

AI 鸿蒙游戏架构

Player Input ↓ AI Agent ↓ Game Tool ↓ Game Service ↓ Multi-device Output 
classGameAgent{asyncrun(input:string){const intent =awaitthis.parse(input)if(intent ==="explore"){returnawait worldTool.generateScene()}if(intent ==="npc"){returnawait npcTool.chat()}}}

七、为什么这可能是一个“爆点”

1 内容生产成本被打破

// 过去:人工配置const levels =[level1, level2, level3]// 现在:动态生成const level =await ai.generate({ type:"level"})

2 体验差异化极强

const experience =await ai.generate({ userId, behavior })

每个人都不同。

3 鸿蒙提供“分布式场景”

asyncfunctionrunOnDevice(deviceType:string){if(deviceType ==="car"){returnplayVoiceStory()}if(deviceType ==="watch"){returnsendNotification()}}

八、但也有现实问题

1 性能问题

// 简单策略:本地 + 云混合if(isSimpleTask(input)){return localModel.run(input)}else{return cloudModel.run(input)}

2 成本问题

// 缓存 AI 结果 cache.set(key, result)

3 游戏可控性

functionvalidateAIResult(result:any){if(!result.safe){returnfallbackContent()}return result }

九、开发者应该怎么入场

1 从 AI NPC 开始

classNPCService{asyncchat(context){returnawait ai.generate(context)}}

2 拆分能力

classWorldService{}classTaskService{}classNPCService{}

3 引入 Agent

AI → Tool → Service 
await agent.run("和NPC聊天")

总结

AI + 鸿蒙游戏,本质上不是:

更智能的游戏 

而是:

一种新的游戏形态 

对比:

维度传统游戏AI 鸿蒙游戏
内容预设动态生成
设备单设备多设备
体验固定个性化
入口AppAgent

结语

如果用一句话总结:

AI 让游戏“活起来”,鸿蒙让游戏“无处不在”。

所以答案是:

它很可能是下一个爆点。

但前提是:

你不是在做“旧游戏 + AI”,而是在做“新形态游戏”。

Read more

【AI大模型入门】03:文心一言——百度的AI战略,国产大模型的先行者

【AI大模型入门】03:文心一言——百度的AI战略,国产大模型的先行者

【AI大模型入门】03:文心一言——百度的AI战略,国产大模型的先行者 📖 阅读时长:约8分钟 🎯 适合人群:想了解国产大模型发展、或百度AI生态的用户 💡 你将学到:文心一言是什么、背后的技术、核心能力、使用方法 一、文心一言的"出生"背景 2023年3月,就在ChatGPT席卷全球的浪潮里,百度率先发布了国内第一个对标ChatGPT的大模型产品——文心一言(英文名:ERNIE Bot)。 这一步棋走得很早,也很大胆。当时百度创始人李彦宏亲自站台发布,引发了全社会对"国产AI能否追上ChatGPT"的大讨论。 时间轴: 2022.11 ChatGPT 发布,震惊世界 2023.03 文心一言 发布,中国第一个 2023.10 文心大模型4.

LLaMA-Factory 大模型微调平台

LLaMA-Factory 大模型微调平台

目录 文章目录 * 目录 * LLaMA-Factory * LLaMA-Factory + Qwen3-7B + LoRA * 安装部署 * 准备数据集 * 执行微调 * 批量推理和训练效果评估 * LoRA 模型合并导出 * 部署运行微调后的大模型 LLaMA-Factory Llama-Factory 是基于 transformers 库开发的训练、微调、推理一体化平台,支持预训练、指令监督微调、奖励模型训练、PPO 训练、DPO 训练、KTO 训练、ORPO 训练等多种训练范式。支持使用 Accelerate 或 DeepSpeed 作为训练加速后端。 使用 Llama-Factory 进行微调非常简单,因为其最大的优势在于强大的数据处理与训练配置能力。只要按照官方的文档配置好环境,直接运行对应的脚本即可。 LLaMA-Factory + Qwen3-7B + LoRA 安装部署 * 容器安装 git clone

手把手教你在AutoDL上用LLaMA-Factory微调GPT-OSS-20B模型(LoRA版)

手把手教你在AutoDL上用LLaMA-Factory微调GPT-OSS-20B模型(LoRA版)

本教程详细讲解如何在AutoDL云GPU上使用LLaMA-Factory框架微调GPT-OSS-20B大语言模型,包含完整的环境配置、训练流程、权重合并以及vLLM推理部署全流程。文章最后还分享了笔者踩过的坑和解决方案,建议收藏备用! 前言 最近在做一个智能采购相关的项目,需要对大语言模型进行微调,让它能够更好地理解采购场景的业务需求。在对比了多种方案后,最终选择了LLaMA-Factory + LoRA的组合,原因主要有三点: 1. 开箱即用:LLaMA-Factory提供了非常完善的训练框架,支持多种微调方式 2. 显存友好:LoRA相比全参数微调,显存占用大幅降低 3. 效果不错:在采购对话场景下,LoRA微调已经能够满足业务需求 本文将完整记录从环境配置到模型部署的全过程,希望能够帮助到有同样需求的小伙伴。 一、方案概览 在开始之前,先来看一下整体的技術方案: 组件选择说明微调框架LLaMA-Factory 0.9.4开源的大模型训练框架基础模型GPT-OSS-20B200亿参数的MoE大模型微调方式LoRA低秩适配,显存友好推理引擎vLLM高性能推

Llama Factory隐藏功能:一键生成可部署的API服务

Llama Factory隐藏功能:一键生成可部署的API服务 作为一名移动应用开发者,当你费尽心思微调好一个文本分类模型后,最头疼的问题可能就是:如何将它快速转化为可调用的API接口?本文将手把手教你利用Llama Factory的隐藏功能,无需复杂编码即可生成可部署的API服务,实现从训练到上线的"最短路径"。 这类任务通常需要GPU环境支持,目前ZEEKLOG算力平台提供了包含Llama Factory的预置镜像,可快速部署验证。下面我们从零开始,完整走通这个流程。 为什么需要API服务化? * 应用集成需求:移动端APP通常通过HTTP请求与后端交互,直接调用模型文件几乎不可行 * 资源隔离:将模型部署为独立服务,避免移动设备性能瓶颈 * 版本管理:API接口可保持稳定,后台模型可随时更新替换 提示:Llama Factory内置的API生成功能基于FastAPI框架,默认支持Swagger文档自动生成。 准备工作:检查你的微调成果 在开始API部署前,请确认你已完成以下步骤: 1. 成功微调模型并保存检查点(通常为adapter_model.bin