实测GPT-6做游戏：从AI素材到可玩原型的全流程

一次会议后的即兴实验

两位游戏开发者在结束一场关于GPT-6的会议后，决定现场做个实验：把AI生成的游戏素材直接丢给GPT-6，看它能不能凭几句口语化的提示词，把一款2D太空射击游戏做出来。整个过程被录像并剪辑放出，成了一次颇有价值的实战演示。

结论先行——GPT-6在理解需求、组合素材、生成可玩原型方面表现惊人，但距离"一句话做出成品游戏"仍有明显距离。真正能落地的工作流，依然离不开专门的AI美术工具和人工调整。

AI美术工具：素材生产的关键一环

这次实验中，素材几乎全部由一款名为HarpX（视频中读作Hopix/HarpX）的AI美术工具产出。作者坦言，做游戏最费劲的往往不是原型代码，而是能"直接当资产用"的美术图。普通的AI图片生成器（如豆包、即梦）能出好看的概念图，但普遍存在两个硬伤：比例不符合手机游戏的竖屏需求、无法把画面拆解成独立可用的游戏元素。

作者最初用ChatGPT（5.6版本时期）生成了一张2D太空大战的竖屏概念图，风格是科幻卡通，包含主界面和战斗界面。相比之下，即梦的效果也不错但不是竖屏，最终因为"更像手机游戏"而选定了这套方案。

从一张图到完整素材库

真正体现工具价值的是后续的拆解与衍生能力。作者演示了一整套模板化流程：

• 风格化探索：把参考图丢进模板，直接生成主角战斗机、敌方战机等元素
• 一键抠图：自动把主体从背景中提取出来
• 背景提取与重绘放大：可放大到8K，用于制作超大游戏场景地图
• 雪碧图拆分：这是最关键的一步，能把一整张场景图拆解成独立的武器、子弹、敌人、UI组件、小图标等

作者反复强调，雪碧图拆分和场景元素拆布是很多工具做不到的能力："它的图挺好，但没法用"——而能拆解成可用资产，才是决定AI美术能否真正进入生产流程的分水岭。

雪碧图（Sprite Sheet） 是游戏开发中的一种资产格式，指将多个独立的小图像（如角色各帧动作、UI按钮、子弹等）拼合在同一张大图上，由游戏引擎在运行时按坐标裁切调用。这种格式能大幅减少渲染时的Draw Call数量，是2D游戏开发的标准资产形式。传统流程中，美术师需手动在Photoshop等软件中排版并记录每个子图的坐标；AI生成的图片通常是整张合图，若无法自动识别并拆分出每个独立元素的边界与坐标，就只能作为参考图欣赏，无法直接导入Unity、Godot、Cocos等引擎使用。这正是作者所说"图挺好但没法用"的技术根因——自动拆分雪碧图意味着AI工具需要完成目标检测与边界分割，而非单纯的图像生成。

特效、UI与序列帧的自动化

工具还覆盖了游戏开发中的其他麻烦环节。UI部分，作者用"基于此风格"的参考图方式，让工具直接生成了游戏内的UI组件雪碧图，并进一步拆分出各种小组件，"除了输入文字和选择，基本没啥要手动做的"。

特效是该工具较新推出的功能。把一张素材截图作为参考图，选择爆炸型、发射型、领域召唤等模板，就能生成对应特效——不过作者提到一次生成花费了约270点数（credit），成本不低。生成的特效视频还能通过"视频转序列帧"功能，直接转成游戏可用的序列帧动画。

所有素材整理好后，可以按包的形式导出，也支持通过分享链接携带完整参数直接复用。

序列帧动画（Sprite Animation / Frame-by-Frame Animation） 是2D游戏中实现动态效果的主流方式：将爆炸、技能特效等动态过程拆成若干静帧，游戏引擎按固定帧率依次播放，形成动画效果。与骨骼动画不同，序列帧对美术质量要求更直观，但文件体积较大。传统制作需要美术师逐帧手绘或在After Effects中逐帧导出，是独立开发者的重要时间成本项。将AI生成的特效视频自动切割成等间隔帧图序列，本质上是对视频进行固定帧率采样并输出PNG序列，之后只需在引擎中配置帧率即可完成动画资产接入，省去了人工逐帧截图的繁琐操作。

GPT-6上场：口语化提示词做出可玩原型

这是整场实验的重头戏。作者把整理好的素材（玩家飞船、各类敌人、陨石、弹药、爆炸帧、特效等）全部丢进项目，UI部分故意不给，用来"考验"GPT-6。工具用的是Codex（RGBD环境），模型档位选了"高"这一中间级别，因为担心更高档位的额度不够。

最有意思的是提示词写法：作者没有写得非常详细，而是"非常随和、非常口语"，就想看看GPT-6能否理解并自由发挥。

实际表现超出预期

GPT-6先自主查看了素材，判断出"素材中包含完整的战机部件、陨石、弹药、爆炸帧和特效"，然后优先使用现有素材，不够时才自己生成。跑起来的游戏原型令人惊讶：

• 自动配好了Logo、标题、背景音乐
• 实现了完整的升级系统：冷凝弹、减速、移动速度、尾部机炮、主炮、能量回收、拾取范围、侧翼、蜂群导弹等
• 升级分级带描述文案（如"一切恐惧都来自于火力不足"），审美在线
• 有紧急闪避机制、Boss战、机库升级、商店购买等完整玩法循环

作者在试玩时连声惊叹，游戏确实"能跑、能打、好玩"，甚至有史诗级的升级评级和战斗节奏设计。

Codex 是OpenAI专门针对代码生成优化的模型系列，其底层能力集成于GPT系列后续版本中。文中提到的"RGBD环境"指的是一类集成了代码执行沙箱的开发辅助环境，允许模型不仅生成代码文本，还能在隔离环境中实际运行、调试并迭代，形成"生成—运行—修正"的闭环。这与早期只能输出静态代码片段的代码补全工具有本质区别。模型档位（低/中/高）通常对应不同的推理token预算或思维链深度，档位越高消耗的算力配额越多，但对复杂任务的理解与规划能力更强。作者选择"高"这一中间档位，是在任务复杂度与配额消耗之间的实用性权衡。

现实的边界：AI still needs人

兴奋之余，两位作者也给出了冷静的判断。尽管GPT-6凭几句口语化提示就做出了可玩原型，但和最终成品之间仍有明显差距：

"通过素材做出来之后，还不能完全丢给它去实现整个效果，最终还是得需要人去做详细的调整。"

比如Boss战结束缺少爆炸后的过渡动画、战斗节奏偶有被打断的问题，都需要人工介入打磨。作者的结论很务实：想靠纯粹几句话把游戏做出来仍有难度，AI开发必须配上美术素材和人工调整，才能发挥最佳效能。

这次实验勾勒出了一个正在成型的AI游戏开发工作流：专业AI美术工具负责生产可用素材，大模型负责理解需求、组合逻辑、生成原型代码，而人类开发者负责把控方向和最后的精细打磨。三者协作，才是目前AI辅助独立游戏开发最现实的路径。