市场对AI模型Genie 3的恐慌性反应 - Google DeepMind发布第三代视觉语言模型Genie 3后，全球游戏公司股价应声下跌，引擎巨头Unity股价一度暴跌超过24%，顶级制作商如Take-Two、任天堂、CD Projekt Red等均受影响，下跌趋势持续至本周 [1] - 资本市场剧烈反应的逻辑在于，市场担忧该模型能快速生成以假乱真且可交互的3D世界，使得任何人都能制作AAA级别游戏，从而威胁到那些投入上亿美元、耗时十年打磨游戏或开发工具的公司 [3] 对AI模型技术局限性的分析 - 模型本质上是一个自回归式的“帧生成”模型，其工作原理是基于前几帧画面猜测下一帧的像素排列，而非进行硬编程的逻辑计算 [6] - 模型缺乏长期一致性，其记忆窗口在演示版本中最多只有1分钟，超过此时间可能遗忘初始场景，导致世界结构崩溃，而传统游戏能保存确定性的状态 [8] - 模型生成的世界缺乏复杂逻辑，其反馈基于连续帧且是概率性的，无法像硬编程游戏那样建立明确的因果逻辑链条，例如在GTA中攻击不同身份的NPC会产生不同后果 [10] - 模型输出是“概率性”的，缺乏传统游戏引擎那种结构化的、具有确定性的模拟能力，无法维持连贯的玩家体验 [11] 传统游戏开发中构建“生命感”的深度与复杂性 - 以《荒野大镖客2》为例，其开发周期长达8年，团队上千人，研发和营销预算超过5亿美元，动捕总素材时长达到上千天，超过千名演员参演 [12] - 游戏世界的“生命感”源于无数精心雕琢的细节，例如《荒野大镖客2》中有一套完整、自洽、规模惊人的“电力系统”，几乎所有有电灯的建筑都通过电线连接至同一栋建筑，细节符实且精确 [13][17] - 世界构建远不止于视觉，更重要的往往是“世界观”，例如GTA5内嵌了海量的电台、电视、互联网内容，对现实世界的媒介生态进行讽刺和体现，任务事件会引发游戏内新闻报道和社交媒体反应 [18] - 《荒野大镖客2》的叙事是对时代精神的结构性呈现，探讨了文明与蛮荒的交替，以及个体在时代洪流中的体验，这种带有特定历史偏见和文学厚度的“灵魂”难以被AI模拟 [20] 游戏IP的价值与构建的长期性 - IP的价值远超单一作品本身，例如任天堂的马力欧IP诞生近40年，推出了超过200款游戏，横跨多个品类，2023年上映的《超级马力欧兄弟大电影》全球票房超过13亿美元，成为有史以来票房最高的游戏改编电影 [22] - IP的构建需要时间、一致性以及创作者的长期投入和精心运营，例如R星从1997年《GTA》初代开始，用了近30年时间将该系列打磨成代表开放世界游戏巅峰的IP [23] - IP运营是复杂的系统工程，涉及在不同作品间建立连贯性、处理版权、授权、跨媒体改编等一系列商业和法律问题，其核心价值在于创作者的持续投入和玩家的情感积累，而非素材和代码 [25] - AI可以在1分钟内生成一个看起来像《塞尔达传说》的世界，但生成不了玩家对角色和世界的情感寄托，也无法复制如《巫师》中道德选择所带来的思考，IP的价值不是AI在短期内能够撼动的 [26][27] AI在游戏开发中的实际定位与潜在作用 - 在AAA级别游戏工作室的实际流程中，AI已开始发挥作用，例如在概念设计阶段快速生成图片或3D场景来预览风格、构建原型，或在素材生产环节快速生成多种纹理，以提高生产效率或降低个人开发者负担 [29] - AI将成为游戏开发者的超级工具，例如未来R星在开发GTA7时，可能会利用类似模型生成路边垃圾桶、NPC对话甚至完整关卡，但如何放置这些素材、以及它们在任务和宏观世界中的角色，仍将由人类设计师决定 [30] - AI是工具，如同画笔，而人类才是画家，只有在人类创作者手中，AI才能被用于创作具有文化深度和社会影响力的作品 [31]

行业现状与未来展望 - 游戏行业新事物可能走向有趣方向或成为摇钱树，艺术商业化存在固有风险，但公司在创造活的叙事体验方面仍有很大空间 [3] - 公司联合创始人认为游戏业在创造活的叙事体验方面有巨大发展潜力，这是其过去开发《GTA》时一直追求的方向 [3] 公司动态与项目进展 - 公司联合创始人于2020年2月离开Rockstar并创立新公司，今年早些时候公布了游戏与小说一体的新作《Absurdaverse》，两个媒介讲述不同故事但共享同一世界观 [4] - 工作室新作仍需好几年才能问世，目前正尝试将AI技术融入游戏开发中 [6] AI技术在游戏开发中的应用 - 公司在新作故事中设计了许多AI角色，并尝试使用AI技术，但实际效果不如大公司宣称的那么好用，且不能解决所有问题 [6] - AI技术在某些特定任务上表现良好，但在很多方面仍有不足，公司认为其更像是对未来计算机的泛称，许多事情需要时间发展 [6]

生成式AI对游戏开发的影响 - 生成式AI目前对《侠盗猎车手》等大型游戏的开发影响有限 [1] - AI技术从根本上缺乏创造力，在提升开发效率方面的作用仍相当有限 [1] - AI已进入游戏制作流程，但对生产流程的改变远没有外界想象得那么大 [3] AI技术的局限性 - AI本质是大型数据集、大量算力和大语言模型的结合，其依托的是充满旧数据的庞大信息库 [3] - AI天生是向后看的，擅长处理依赖历史数据的工作，但在需要真正创造力的领域无能为力 [3] - 依靠数据驱动的模型本质上不可能具备创意，无法生成具有原创性的出色作品 [3] 公司的核心战略与能力 - 公司致力于打造能够长期存在的系列作品，最具代表性的就是《GTA》 [3] - 公司团队极具创造力，Rockstar Games一直在追求完美并证明能做到这一点 [3]

文章核心观点 国内大模型公司“深度求索”开发的DeepSeek-V3和DeepSeek-R1以极低训练成本实现与顶尖模型媲美的性能 ，报告介绍其部署和运行测试方法 ，并探讨GraphRAG与大模型在金融投研领域的应用 [1][5] DeepSeek部署与运行测试 各版本DeepSeek模型与部署所需硬件对应关系 - 大模型训练和推理用英伟达显卡搭配CUDA平台 ，部署模型所需显存用于保存模型权重等 ，显存M（GB）与模型参数量P、参数精度Q等有关 ，如P=7B、Q为16位浮点精度时 ，M=16.8GB [6] - 不同参数版本模型所需显存和对应显卡不同 ，如1.5B参数模型需3.6G显存 ，对应NVIDIA 4060 [7] 部署流程介绍 - DeepSeek模型开源 ，可公开下载 ，主流本地化部署方式有从HuggingFace下载调用和用Ollama、LM Studio平台部署 ，以Ollama为例 ，需访问官网下载终端 ，搜索模型版本 ，在cmd输入命令运行 [8] - Ollama本地模型默认端口为11434 ，其他应用调用时修改访问请求base_url [9] 简单问答测试 - 测试本地部署14B模型推理能力及与满血版差距 ，14B版本在部分逻辑题展现较强推理能力 ，但在复杂逻辑推理任务中与满血版有差距 [10][12] GraphRAG与大模型应用介绍 Langchain与RAG介绍 - 开源框架Langchain集成RAG和Agent功能提升大模型在专业垂直领域回答水平 [13] - RAG即检索增强生成 ，使大模型生成回答时读取外部信息 ，减少模型幻觉 ，生成更精准答案 ，包括检索、增强、生成三步 [14] - Agent是智能体系统 ，可自主感知环境、决策和执行行动 ，适用于自动化任务等应用 [15] GraphRAG - RAG效果未达预期 ，存在数据处理和相关性搜索问题 ，难以从全局考虑问题和进行总结归纳 [16][19] - GraphRAG由微软开源 ，通过构建知识图谱和社区摘要扩展RAG能力 ，特点有增强知识表示、可解释和可验证、复杂推理、知识来源灵活等 ，还能降低Token成本 ，支持增量索引和动态更新 [20][23] - GraphRAG流程包括文本单元切分、实体和关系提取、实体消解、图构建、社区总结 ，检索方案有全局搜索、局部搜索、DRIFT搜索 [24][27][29] - 蚂蚁基于GraphRAG构建DB - GPT ，是开源AI原生数据应用开发框架 ，让围绕数据库构建大模型应用更简单 [29][30] - GraphRAG应用场景拓宽到金融、医疗、法律等领域 ，如学术研究、法律情境、电子商务等 [31] 金融知识图谱GraphRAG&DeepSeek实践 金融知识图谱介绍 - 金融知识图谱以图结构表示金融领域知识 ，用于风险控制、投资决策、市场监管等 ，如FP2KG数据集有17,799实体等 [34][35] - 知识图谱可梳理投研领域实体和关系 ，减轻投研负担 ，辅助投资决策 [36] GraphRAG部署流程 - 用微软开源GraphRAG版本 ，结合DeepSeek大模型和研报数据构建知识图谱 ，步骤包括安装库、新建文件夹、下载数据、项目初始化、构建图谱、提问搜索等 [37][40][41] - 需调整提示词语言确保结果实用性 ，若换模型需调整settings.yaml参数 [41] 基于研报的知识图谱搭建 - 以传媒行业游戏板块和计算机行业个股研报等为输入 ，GraphRAG回答问题准确性和完整性高 ，能准确识别实体关联 [43][44][51] - 输出的社区报告表、实体关系表和实体表等结构化数据可用于后续筛选、处理 ，还可将图谱可视化 [45][49][50]