为什么 AI 公司开始盯上游戏开发了?

从 Kimi 进入 Unity、Unreal Engine，到 AI Agent 的下一场能力竞争

如果你让 AI 写一段代码，它很快就能给你答案。

但如果你让它做一款游戏呢？

它得先理解你的想法，再设计玩法、搭建场景、写程序、制作动画，处理角色动作和物理效果。做完之后，还得把游戏真正运行起来，看看哪里出了问题，再回头修改。

这就不是写几段代码那么简单了。

最近 Kimi 展示了一批游戏开发相关的案例。从 Godot 到 Blender，再到 Unity 和 Unreal Engine，AI 开始进入过去需要专业人员操作的软件。

这件事比看上去有意思。

因为游戏开发可能正在成为 AI Agent 最好的考场。

游戏开发，难在它不是一份代码

过去我们判断一个 AI 编程工具好不好，通常会看几个指标：代码写得对不对，能不能理解项目，能不能修复 Bug。

但这些测试有一个共同点：任务通常比较明确。

游戏开发不一样。

你说想做一个雨夜里的动作游戏，AI 得先理解这个场景是什么样子。角色怎么移动，敌人怎么攻击，挥剑有没有反馈，闪避和格挡怎么区分，镜头应该放在哪里。

这些东西很难靠一段代码解决。

更麻烦的是，它们之间还会互相影响。

角色动作改了，碰撞检测可能要跟着调整；场景换了，光照和材质可能需要重新处理；战斗节奏不对，动画、攻击判定和敌人的行为都可能要改。

一个环节做完，不代表整个游戏就能运行。

所以游戏开发有一个很特别的地方：它既需要创意，也需要工程能力；既要理解不同专业领域，还得把这些东西放在一起，最终交出一个能运行的作品。

这恰好是 AI Agent 需要证明自己的地方。

Kimi 这次展示的，不只是写代码

先看 Kimi。

这次它把能力展示延伸到了几个不同的软件环境里。它们解决的问题不一样，但放在一起看，能看出一条比较清楚的路线。

先是 Godot。

官方展示的案例，是根据参考素材制作一个 2.5D 动作游戏原型。里面有雨夜场景，也有角色挥剑、闪避和格挡等动作。

这里真正值得关注的，不是 AI 能不能生成一段角色移动代码。

而是它能不能根据参考内容理解需求，搭建场景，把动作和玩法串起来，再运行游戏检查效果。发现问题之后，还要继续修改。

这和我们平时让 AI 写一个函数，完全不是一回事。

Kimi 官方还提到，没有编程经验的人，也可以在一到两天内做出游戏原型。

这个说法当然需要结合具体任务来看。一两个简单原型，不代表普通人已经能够独立开发完整游戏。但至少说明，游戏开发的第一道门槛正在降低。

再看 Blender。

Blender 是专业的三维创作软件。建模、材质、灯光、动画，任何一个环节都不是简单点击几下就能完成的。

Kimi 展示的案例里，有一座大教堂场景，约 330 万个三角面、8368 个组件动画；还有一个机场雨林山谷场景，最终生成了 17.5 秒、1920×1080、60fps 的展示视频。

这里的变化更明显。

AI 不再只是给设计师提供一张参考图，也不只是告诉你某个按钮在哪里。它开始尝试直接操作专业软件，完成一连串创作任务。

当然，生成一个场景和真正做好一个商业级资产，中间还有很长的距离。但这类工作已经不再局限于聊天窗口里的文字和代码。

真正让我觉得值得关注的，是后面的 Unity 和 Unreal Engine。

从生成代码，到直接操作游戏引擎

Unity 和 Unreal Engine 是游戏开发中非常重要的两套引擎。

它们不是普通的代码编辑器。场景、角色、材质、动画、物理系统、脚本和资源，都要在一个复杂的工程环境里协同工作。

Kimi 这次展示了与 Unity 中国团结引擎相关的 Tuanjie Codely Agent。

这套方案里，模型负责理解开发需求、生成代码、分析录屏，Agent 则负责操作引擎。

官方演示中，Agent 连续工作了 20 个小时，没有人工干预，最终复现了原作，并产出可以继续开发的原生工程。

20 个小时这个数字很吸引眼球。

但我更关心的是后半句：产出的是可以继续开发的工程，而不是一段演示视频。

这两者差别很大。

视频可以剪辑，效果也可以提前准备。但工程文件必须能够打开，场景、资源和代码得保持正常，后续开发还不能因为 AI 的操作变得一团糟。

不过，这仍然是官方展示案例。它能说明这条技术路线已经开始落地，却不能直接证明 AI 可以在真实商业项目里连续工作 20 个小时，并稳定交付。

Unreal Engine 方向也类似。

Kimi 展示的内容涉及处决玩法、动画、物理、战斗剧情逻辑，以及大型场景制作。

这些工作恰恰是游戏开发中最容易牵一发动全身的部分。

如果 AI 只能生成一个看起来不错的场景，那还只是辅助工具。能理解整个工程的结构，知道不同系统之间如何配合，修改之后还能保证项目正常运行，才算真正迈进了 Agent 的工作范围。

这也是我认为 Kimi 这次展示值得关注的原因。

它想证明的不是模型会不会写游戏代码，而是模型能不能进入一个复杂的软件环境，自己完成一段完整的工作。

这不是 Kimi 一家的事情

如果只看 Kimi，很容易把这件事理解成一次产品功能升级。

但把视线放宽一点，会发现其他 AI 公司也在做类似的尝试。

OpenAI 曾经展示过 Codex 连续开发设计工具的实验。

在一次长期任务实验中，GPT-5.3-Codex 连续工作约 25 个小时，经历了规划、编码、测试、修复等过程，最终完成了一套设计工具。

这个案例和游戏开发并不完全相同，但它们面对的是同一个问题：

AI 能不能在较长时间里持续工作，而不是每完成一步就等人类告诉它下一步做什么？

Anthropic 也在研究 Claude Code 的动态工作流和多 Agent 协作。

它关注的不只是代码生成，还包括任务如何拆解、子任务如何分配，以及 Agent 如何根据执行结果调整后续工作。

这条路线同样有不少问题。比如任务目标可能逐渐偏移，Agent 可能过度追求完成自己的局部目标，也可能在长时间执行中出现判断失误。

但这些问题本身也说明，行业竞争已经不再只是模型回答得有多好。

还有一个更容易被忽略的变化。

Unity 自己也在主动拥抱这件事。

Unity 官方已经提供了面向 Claude Code、Codex 等第三方 Agent 的工具支持，包括 Unity 插件、CLI 和 MCP Server，让外部 Agent 能够连接 Unity 编辑器，获取项目上下文并执行相关操作。

这件事很有意思。

过去，游戏引擎是开发者使用的工具。现在，引擎厂商开始考虑怎么让 AI Agent 也能使用它。

这不是简单地在编辑器里加一个聊天框。

当 Agent 能够读取工程、理解场景、调用工具、修改代码，再把执行结果反馈回来，游戏引擎就有可能从一个人类操作的软件，变成 Agent 可以参与工作的环境。

AI 公司在争夺模型能力，软件厂商则在开放自己的工作环境。

两边正在往同一个方向走。

Unity 的一份报告，透露了一个变化

Unity 在 2026 年发布的 Game Development Report，也提供了一些值得参考的数据。

这份报告调查了 300 名游戏开发者。

其中，52% 的受访者把工作重点放在小规模项目上；67% 的受访者表示，原型开发周期在三个月以内。

报告还专门统计了 MCP Server 的使用情况。

在受访者中，50% 已经使用 MCP Server。进一步看这些 MCP 使用者，90% 将它连接到游戏引擎或编辑器，76% 用于编码和调试，68% 用于 QA 测试。

这些数据不能代表整个游戏行业，更不能直接推导出 AI 已经成为游戏开发的主力。

但它至少反映出一个现实：开发者开始尝试把 Agent 接入真正的开发环境，而不只是拿它当一个代码问答工具。

尤其是 90% 这个比例。

它说明在已经采用 MCP 的开发者中，游戏引擎和编辑器是非常重要的连接对象。

这背后的逻辑并不复杂。

Agent 要完成工作，就得接触工作本身。

只会在聊天窗口里给建议，很多事情永远只能停留在建议阶段。

但 AI 做出游戏原型，不等于它会做游戏

说到这里，也不能把事情说得太乐观。

现在 AI 能够生成场景、制作动画、写脚本，甚至操作游戏引擎。但这不代表它已经能够独立开发一款好游戏。

游戏能运行，不等于游戏好玩。

角色能挥剑，不等于战斗有打击感。

场景足够精细，也不等于玩家愿意在里面待上十分钟。

这些问题很难用简单的测试结果衡量。

一款游戏的好坏，涉及节奏、反馈、审美、叙事和玩家体验。很多时候，开发者自己也需要反复试玩，才能知道某个设计到底对不对。

AI 可以根据要求生成一个战斗系统，却未必知道这个战斗系统为什么不好玩。

它可以把场景做得很漂亮，却不一定知道玩家真正应该看向哪里。

更不用说大型项目里的架构设计、资源管理、性能优化和长期维护。

所以我不太认同那种“AI 已经能独立开发游戏”的简单结论。

至少现在，做出一个 Demo 和交付一款成熟产品之间，仍然隔着很长一段路。

但这不妨碍 AI 先接手其中一部分工作。

比如搭建基础场景、生成重复代码、制作简单动画、处理测试任务。这些事情有明确的目标，也比较容易检查结果。

人类开发者则可以把更多时间放在玩法判断、体验设计、系统架构和最终质量上。

这可能才是眼下更现实的变化。

游戏开发可能只是一个开始

我觉得，这次 AI 公司集中展示游戏开发能力，真正值得关注的不是游戏本身。

而是游戏开发把 Agent 的短板暴露得非常彻底。

它要求 AI 理解复杂需求，调用不同工具，跨越多个专业领域，长时间执行任务，还得知道自己做出来的东西到底能不能用。

这几个要求，恰好也是 AI Agent 进入其他行业时绕不开的问题。

今天是游戏开发。

明天可能是工业设计、影视制作、建筑设计，或者其他需要多个软件协同完成的工作。

这些领域有一个共同点：最终交付物不是一段回答，而是一个真正能够使用的成果。

过去，我们总在比较哪个模型更聪明，谁的代码能力更强，谁的推理分数更高。

但当 AI 开始进入真实工作环境，比较标准可能会慢慢变掉。

一个模型回答得再漂亮，如果不能把事情做完，价值还是有限。

反过来，一个模型可能没有那么惊艳的回答，却能自己打开软件、理解工程、完成修改、运行测试，最后交出一个可以继续使用的成果。

这才是 Agent 真正需要证明的能力。

Kimi 这次把游戏开发摆到了台前。

但我更愿意把它看成一个信号：AI 公司开始认真争夺的，已经不只是用户的聊天窗口，还有用户每天真正干活的地方。

下一场 AI 竞争，可能不是谁更会回答问题，而是谁能真正把一件复杂的事情做完。