作者：ayu

作者：魏玛

人才与能源，正在成为科技公司AI战役中必夺的高地塔。

“这场AI的人才之战，是我见过的最疯狂的人才争夺战！”马斯克在推特上直言。

就在5月28日，这位特斯拉CEO创办的AI初创公司——xAI在官网宣布融资60亿美元，用于打造超级计算机，马斯克称之为“超级计算工厂”。诚然，这需要更多人才。马斯克甚至表示，xAI如果不提供offer，人就被Open AI挖走了。

在这场谁也看不到未来确切形状的人工智能大模型战役中，投资一个靠谱的团队，对于投资公司来说显然是最有力的保障。这也是这场人才争夺战愈演愈烈的重要原因。

不过，“真正优秀的人才通常不会主动找工作，因此需要去挖那些你看好的人才”。OpenAI创始人Sam Altman早年在他的文章中提及。

信息差是这场人才争夺战中决定胜负的关键。

我们的第一篇人才图谱聚焦这个科技巨头们重金押注的领域——具身智能。

如果说这场AI战事的未来难以预测，具身智能或许是其中一种终极形态。英伟达CEO黄仁勋更是表示，下一个AI浪潮将是具身智能。

硅兔尝试梳理了美国大公司，两个AI黄浦军校——谷歌和英伟达的具身智能人才图谱以及在其中的华裔大佬，或许能为希望在其中进行创业或投资的读者提供按图索骥的参考。

「1」根据谷歌和英伟达重点具身智能论文和项目一共梳理114名业界实战大佬，其中谷歌占比60%，英伟达40%，男多（90%）女少（10%）。

「2」8%的研究员学术水平比肩美国科学院院士。59%的研究员属于高水平段位。

「3」78%的研究员最高学历水平为博士，研究生占比18%，本科生仅占比4%。

「4」华裔在谷歌和英伟达具身智能研究员中占比约27%。

「5」斯坦福向谷歌和英伟达输送了最多具身智能大佬，其次是CMU和MIT，三家学校输送的人才占比约1/3。

欲知数据详解及华裔大佬履历见下?

「1」

共计248名研究员参与了谷歌和英伟达具身智能研究，剔除62名未在Google Scholar建档的研究员，剩余186名研究员中，业界力量占六成、学界力量占四成。

具体来看，谷歌独立研究能力更强，英伟达借助了多个顶尖学校的研究资源。参与英伟达机器人研究的高校研究人员达到45人，占比一半（51%）；相较之下，谷歌的这个比例不到三分之一（27人，28%）。

「2」

聚焦业界人才，谷歌和英伟达114位研究员中，男性占比约90%，华裔占比约27%，博士学历占比约78%。

在性别比例和族裔方面，谷歌和英伟达略有差异，谷歌似乎对女性更友好，有11名女性科学家加入，而英伟达只有2名。

英伟达华裔的比例更高，占比达40%，而这一比例在Google只有20%。

「3」

斯坦福向谷歌和英伟达输送了最多具身智能大佬，其次是CMU和MIT，三家学校输送的人才占比约1/3。

114位研究员最高学历毕业的院校总共有51所大学。其中，斯坦福大学有16人，卡内基梅隆大学有14人，麻省理工学院有7人，这三所学校的人数占比约三分之一，而其他大多数学校只有一名学生。

绝大部分研究人员来自美国的院校，但欧洲也有两所学校在具身智能领域产生了重大影响：英国伦敦帝国理工学院和牛津大学，毕业于这两所学校的研究人员共有8人。牛津大学在深度学习方面积累了丰富的经验，并且谷歌收购DeepMind后与牛津大学展开了合作，引入了深度学习领域的专家。例如，AlphaGo的研发团队中就包括了3名牛津大学在职教授以及4位前牛津大学的研究人员。

「4」

8%的业界研究员学术水平比肩美国科学院院士。59%的业界研究员属于高水平段位。谷歌研究员的学术能力相较英伟达更强。

我们采用被引用量和“h”指数来衡量学术水平。“h”指数是一位作者至少具有相同引用次数（h）的最高发表论文数量。例如：某人的h指数是20，这表示他已发表的论文中，每篇至少被引用了20次的论文总共有20篇。

一般来说，h指数在10以上可以被认为是较高水平，h指数18属于高水平，而成为美国科学院院士的一般要求是45以上。

这114名企业研究人员的h指数表现出了他们相当强的研究水平：89%的人的h指数大于10，59%的人的h指数大于18，而有8%的人的h指数甚至超过了45。

进一步比较谷歌和英伟达的学术水平会发现，谷歌研究人员影响力明显要比英伟达高。例如，谷歌企业研究人员引用量平均数和h指数平均数是12596和23，而英伟达的这一组数据为6418和21。

「5」

谷歌和英伟达各有约1/10的具身智能研究员离职加入其他公司。

谷歌70人中有7人离开，占比10%。目前在英伟达、苹果、特斯拉、1x、OpenAI、Figure AI等企业就职，总体上来说离开谷歌的人才较少，绝大多数人才在Google DeepMind工作。

其中，Scott Reed 2016 年加入 Google DeepMind 从事控制和生成模型方面的工作，后加入英伟达成为GEAR 团队的首席研究科学家。

注：谷歌离职研究员及去向

英伟达44名具身智能研究人员有4人离开，占比9%。一人去了谷歌，一人去了Allen Institute for AI研究机构，另外两人选择创业。

Igor Mordatch的研究兴趣包括机器学习、机器人学和多智能体系统，他曾是OpenAI的研究科学家，在斯坦福大学和Pixar动画工作室担任访问研究员。他共同组织了OpenAI学者指导计划，并担任AI4All、Google CS研究指导计划和Girls Inc.的导师和教学助理。离开英伟达后在Google DeepMind担任研究科学家。他发布文章约123篇，Google Scholar h指数51，被引用量18752次。

注：英伟达离职研究员及去向

「6」

“美国科学院院士”学术水平（h指数大于45）的研究员，谷歌得6人，英伟达得1人。他们分别是（按照指数高低）：

谷歌

Nicolas Heess

DeepMind研究科学家。

2011年发表论文《Learning a Generative Model of Images by Factoring Appearance and Shape》，彼时正在攻读爱丁堡大学的神经信息学与计算神经科学博士学位，毕业后在DeepMind工作至今。

早期研究聚焦在机器视觉、机器学习、图形/增强现实/游戏等领域，目前是英国UCL计算机系荣誉教授。

发布约224篇文章 ，Google Scholar h指数65，被引用量48917次。

Martin Riedmiller

DeepMind研究科学家。

1986-1996年在德国University of Karlsruhe（卡尔斯鲁厄大学，现在的卡尔斯鲁厄理工学院）学习计算机专业，并取得博士学位。毕业后他一边在学术界任教，一边创业。

2002年- 2015年先后在University of Dortmund、University of Osnabrueck、University of Freiburg担任教授，带领Machine Learning Lab；2010 -2015年在德国巴登创立Cognit – Lab for learning machines。

2015年加入Google DeepMind全职工作。

他的研究领域聚焦人工智能、神经网络、强化学习等，发布约188篇文章，Google Scholar h指数59，被引用量84113次。

Vikas Sindhwani

Google DeepMind研究科学家，领导着一个专注于解决机器人领域规划、感知、学习和控制问题的研究小组。

他拥有芝加哥大学的计算机科学博士学位和印度理工学院（IIT）孟买分校的工程物理学士学位。

2008年-2015年在IBM T.J. Watson Research Center纽约分部负责机器学习组。2015年加入Google DeepMind工作至今。

担任《机器学习研究交易》（TMLR）和《IEEE模式分析与机器智能交易》的编辑委员会成员；曾是NeurIPS、国际学习表示会议（ICLR）和知识发现与数据挖掘（KDD）的领域主席和高级程序委员会成员。

研究兴趣广泛涉及统计机器学习的核心数学基础，以及构建大规模、安全、健康人工智能系统的端到端设计。

曾获得人工智能不确定性（UAI-2013）最佳论文奖和2014年IBM Pat Goldberg纪念奖；并入围了ICRA-2022杰出规划论文奖和ICRA-2024机器人操作最佳论文奖的决赛。

发布约137篇文章，Google Scholar h指数52，被引用量17150次。

Vincent Vanhoucke

Google DeepMind杰出科学家、机器人技术部门高级总监，在谷歌工作超过16年。

拥有斯坦福大学电气工程的博士学位(1999-2003)和巴黎中央理工学院的工程师学位。

曾领导Google Brain的视觉和感知研究，并负责谷歌语音搜索的语音识别质量团队。共同创立了机器人学习会议（Conference on Robot Learning）。

研究涵盖了分布式系统和并行计算、机器智能、机器感知、机器人和语音处理等多个领域。发布约64篇文章，Google Scholar h指数50，被引用量165519次。

Raia Hadsell

DeepMind研究与机器人技术高级总监，VP of Research。

2014年加入至今。

在Reed College获得宗教学和哲学学士学位后（1990-1994），在纽约大学与Yann LeCun合作完成博士学位研究（2003-2008），集中于使用连体神经网络（今天通常称为“三元损失”）的机器学习、人脸识别算法，以及在野外使用深度学习进行移动机器人研究。论文“Learning Long-range vision for offroad robots”获得了2009年的杰出论文奖。

在卡内基梅隆大学机器人研究所做博士后研究，与Drew Bagnell和Martial Hebert合作，然后成为新泽西州普林斯顿市SRI国际公司视觉与机器人组的研究科学家（2009-2014）。

加入DeepMind之后，研究重点放在人工通用智能领域的一些基本挑战上，包括持续学习和迁移学习、用于机器人和控制问题的深度强化学习，以及导航的神经模型。是一个新开放期刊TMLR的创始人和主编，CoRL的执行委员会成员，欧洲学习系统实验室（ELLIS）的成员，也是NAISys（神经科学与人工智能系统）的创始组织者之一。担任CIFAR顾问，并曾担任WiML（机器学习中的女性）执行委员会成员。

发布约107篇文章，Google Scholar h指数45，被引用量36265次。

Nikhil J Joshi

资料有限，在印度印度理工学院（Indian Institute of Technology）获得物理硕士学位，在印度基础研究机构Tata Institute of Fundamental Research 获得分子物理学博士学位。2017年加入Google Brain做软件开发，之前在多家企业任职。Google Scholar h指数45，被引用量8320次。

英伟达

Stan Birchfield

英伟达首席研究科学家和高级研究经理。

2016年加入，主要负责计算机视觉和机器人技术的交叉领域，包括学习、感知、以及人工智能介导的现实和交互。

1999年获得斯坦福大学电气工程博士学位，辅修计算机科学。

毕业后，加入湾区初创公司Quindi Corporation担任研究工程师，开发智能数字音频和视频算法。

2013-2016年，加入微软，负责开发计算机视觉和机器人技术的应用与地面实况导航系统，并领导开发了自动摄像头切换功能。

Google Scholar h指数56，被引用量14315次。

「7」

部分业界华裔大佬

这114名企业研究人员中共有31名华裔，重点介绍12名佼佼者，其中谷歌 4人，英伟达 6人，OpenAI 、1x各1人。

谷歌

Fei Xia（夏斐）

Google DeepMind高级研究科学家。

2016年毕业清华，2021年在斯坦福大学电气工程系获得了博士学位。

读博期间曾在NVIDIA的Dieter Fox，Google的Alexander Toshev和Brian Ichter那里做过研究实习。在斯坦福大学完成博士学位后，于2021年秋季加入Google的机器人团队。

研究兴趣包括大规模和可转移的机器人模拟，长期任务的学习算法，以及环境的几何和语义表示的结合。最近研究方向是将基础模型（Foundation Models）用于智能体的决策过程中。

学术成就包括在ICRA 2023会议上接受了5篇论文，在CoRL 2022会议上接受了4篇论文。

代表工作有GibsonEnv, iGibson, SayCan等，iGibson开发用于机器人学习的大规模互动环境，以及在机器人控制策略中使用模仿学习和模型预测控制（MPC）的结合。Google Scholar h指数为33，引用量为12478。

Andy Zeng

Google DeepMind高级研究科学家。

在UC Berkeley获得了计算机科学和数学的双学士学位，并在普林斯顿大学获得了计算机科学博士学位。2019年博士毕业后加入Google Brain工作，专注于机器学习，视觉，语言和机器人学习。

研究兴趣包括机器人学习，使机器能够智能地与世界互动并随着时间的推移自我提高。

学术成就包括在各种会议上发表的论文，如ICRA，CVPR，CoRL等。

参与的重要项目包括PaLM-E。

Google Scholar h指数为32，引用量为12207。

Tianhe Yu

Google DeepMind研究科学家。

2017年在UC Berkeley获得了计算机科学、应用数学和统计学的最高荣誉学士学位，2022年在斯坦福大学获得了计算机科学博士学位，导师是Chelsea Finn。

2022年博士毕业后加入Google Brain工作，专注于机器学习，视觉，语言和机器人学习。

研究兴趣包括机器学习，感知，控制，特别是离线强化学习（即从静态数据集中学习），多任务和元学习。最近在探索在决策问题中利用基础模型。

学术成就包括在各种会议上发表的论文，如ICRA，CVPR，CoRL等。

参与的重要项目包括PaLM-E。

Google Scholar h指数为25，引用量为7726。

Yuxiang Zhou

Google DeepMind高级研究工程师。

2010年至2018年间在英国伦敦帝国学院攻读计算机科学硕士和博士学位，导师是Stefanos Zafeiriou教授。

2017年9月至2018年3月在Google Brain & DeepMind进行了深度强化学习和机器人学的研究实习，在2018年12月加入Google DeepMind，担任研究工程师。

研究主题包括解决机器人学、第三人称模仿学习、统计变形模型的密集形状研究等。

Google Scholar h指数为17，引用量为3099。

英伟达

Linxi Fan（范林熙）

NVIDIA 高级研究科学家，也是 GEAR Lab的负责人。

在斯坦福大学视觉实验室获得博士学位，师从李飞飞教授。

曾在 OpenAI（与 Ilya Sutskever 和 Andrej Karpathy）、百度 AI 实验室（与 Andrew Ng 和 Dario Amodei 合作）和 MILA（与 Yoshua Bengio 合作）实习。

研究探索了多模态基础模型、强化学习、计算机视觉和大规模系统的前沿。

率先创建了 Voyager（第一个熟练玩 Minecraft 并持续引导其功能的 AI智能体）、MineDojo（通过观看 100,000 个 Minecraft YouTube 视频进行开放式智能体学习）、Eureka（一只 5 指机器人手，执行极其灵巧的任务，如笔旋转）和 VIMA（最早的机器人操作多模态基础模型之一）。MineDojo 在 NeurIPS 2022 上获得了优秀论文奖。

Google Scholar h指数为18，引用量为5619。

Chen-Hsuan Lin

NVIDIA高级研究科学家。

本科毕业于国立台湾大学，获得了电气工程学士学位。在卡内基梅隆大学获得了机器人学博士学位，导师是 Simon Lucey，受 NVIDIA 研究生奖学金支持。

曾在 Facebook AI 研究和 Adobe 研究进行了实习。

致力于计算机视觉、计算机图形学和生成 AI 应用。解决涉及 3D 内容创建的问题感兴趣，包括 3D 重建、神经渲染、生成模型等。

研究获得了 TIME 杂志 2023 年度最佳发明奖。

Google Scholar h指数为15，引用量为2752。

De-An Huang（黄德安）

NVIDIA 研究科学家，专业领域是计算机视觉、机器人学、机器学习、生物信息学。

斯坦福大学获得了计算机科学博士学位，导师是李飞飞和胡安·卡洛斯·尼布尔斯。在卡内基梅隆大学攻读硕士学位期间，曾与Kris Kitani合作，在国立台湾大学攻读本科期间，曾与Yu-Chiang Frank Wang合作。

曾是NVIDIA 西雅图机器人实验室的 Dieter Fox、Facebook 应用机器学习的 Vignesh Ramanathan 和 Dhruv Mahajan、Microsoft 雷德蒙德研究院的 Zicheng Liu 和匹兹堡迪斯尼研究院的 Leonid Sigal 的实习生。

Google Scholar h指数为32，引用量为4848。

Kaichun Mo（莫凯淳）

NVIDIA  Dieter Fox 教授领导的西雅图机器人实验室的研究科学家。

在斯坦福大学获得了计算机科学博士学位，导师是 Leonidas J. Guibas 教授。曾隶属于斯坦福大学的几何计算组和人工智能实验室。在2016年加入斯坦福之前，在上海交通大学计算机科学ACM班获得了学士学位（PS：上海ACM荣誉班直博率高达92%，3次斩获ACM国际大学生程序设计竞赛全球总冠军，培养出640名计算机“最强大脑”）。GPA为3.96/4.30（排名1/33）。

专业领域是3D计算机视觉、图形学、机器人学和3D深度学习，尤其关注对象为中心的3D深度学习，以及针对3D数据的结构化视觉表示学习。

Google Scholar h指数为20，引用量为17654。

Xinshuo Weng

NVIDIA 研究科学家，与 Marco Pavone 合作。

她在卡内基梅隆大学与 Kris Kitani 合作获得了机器人学博士学位（2018-2022 年）和计算机视觉硕士学位（2016-17 年）。本科毕业于武汉大学。

她还曾与 Facebook Reality Lab 的 Yaser Sheikh 合作，担任研究工程师，帮助构建“逼真的远程呈现”。

研究兴趣在于自主系统的生成模型和3D计算机视觉。涵盖目标检测、多目标跟踪、重新识别、轨迹预测和运动规划等任务。开发了 3D 多对象跟踪系统，例如在 GitHub 上获得 >1,300 颗星的 AB3DMOT。

Google Scholar h指数为23，引用量为3472。

Zhiding Yu (禹之鼎)

NVIDIA 机器学习研究小组的首席研究科学家和负责人。

2017年从卡内基梅隆大学获得了电子与计算机工程博士学位，并于2012年从香港科技大学获得了电子与计算机工程硕士学位。于2008年从华南理工大学联合电气工程（冯炳权实验班）本科毕业。

研究兴趣主要集中在深度表示学习、弱监督/半监督学习、迁移学习和深度结构化预测，以及它们在视觉和机器人问题中的应用。

WAD Challenge@CVPR18 中的领域自适应语义分割赛道的获奖者。在 WACV15 获得了最佳论文奖。

Google Scholar h指数为42，引用量为17064。

OpenAI

Mengyuan Yan

技术人员。

2014年获得北京大学物理学学士，2020年获得斯坦福大学电子电器工程博士学位。

Interactive Perception and Robot Learning Lab（IPRL）的成员，该实验室是斯坦福AI Lab的一部分，导师是Jeannette Bohg和Leonidas Guibas。

研究领域包括计算机视觉、机器学习、机器人学和生成模型。

共发布28篇文章，Google scholar h指数15，被引用量4664次。

1X Technologies

Eric Jang

AI副总裁。

2016年毕业于布朗大学硕士，专业是计算机科学。

2016 – 2022年在Google工作，担任机器人高级研究科学家，

研究主要集中在将机器学习原则应用于机器人领域，开发了 Tensor2Robot，这是机器人操作团队和 Everyday Robots 使用的 ML 框架（直到 TensorFlow 1 被弃用）；是Brain Moonshot团队的共同负责人，该团队制作了SayCan。

2022年4月离开Google Robotics，加入1X Technologies（原名Halodi Robotics），带领团队完成了两项重要工作，一个是通过端到端的神经网络，实现了人形机器人EVE的自主性。

7篇论文的第一作者，合著15+以上，Google scholar h指数为23，引用量为11213。写了一本书《AI is Good for You》讲诉人工智能的历史和未来。

「8」

通过重点研究论文和实验项目锁定谷歌和英伟达的具身智能人才。

谷歌重基础模型研究，其具身智能人才参与的重点研究发布包括：

SayCan：能够将高层级任务拆解为可执行的子任务。

Gato：将多模态数据进行token化输入Transformer架构。

RT-1：将机器人轨迹数据输入Transformer架构，得到离散化动作token。

PaLM-E：在PaLM通用模型基础上，进一步提升了多模态性能。

RoboCat：将多模态模型Gato与机器人数据集相结合，使得RoboCat具备在模拟环境与物理环境中处理语言、图像和动作等任务的能力。

RT-2：是RT-1模型与PaLM-E模型的结合，使机器人模型从VLM进化到VLA。

RT-X：在保持原有架构的基础上，全面提升了具身智能的五种能力。

以上模型逐步实现了模型自主可靠决策、多模态感知和实时精准运控能力的结合，同时展现出泛化能力和思维链能力。

综合以上研究论文，共梳理143名谷歌研究员。‍‍‍‍‍‍‍‍‍‍‍‍

英伟达重仿真模拟训练，其具身智能人才参与的实验项目包括：

Eureka：利用大型语言模型进行强化学习的奖励机制设计

Voyager：开放世界中用大语言模型驱动智能体

MimicPlay：通过观察人类动作进行长距离模仿学习

VIMA：多模态指令操控执行通用机器人任务

MinDojo：利用互联网规模级数据建立开放具身智能体

此外，英伟达在2024年重点发力具身智能，官宣成立通用具身智能研究GEAR（Generalist Embodied Agent Research）实验室，主要围绕多模态基础模型、通用型机器人研究、虚拟世界中的基础智能体以及模拟与合成数据技术四个关键领域开展研究，旨在推动大模型等AI技术由虚拟世界向现实世界发展。

本文首先梳理了上述提到的Google核心项目论文共7篇，每篇论文都详细列出了项目研究人员，并清晰地公布了他们的具体工作内容。

英伟达的研究页面公布了参与robotics项目的人员名单，共计54名；另外综合考虑GEAR发布的所有论文作者，共梳理出105名具身智能研究人员。

附录：谷歌、英伟达具身智能百人列表

来源：MetaCat

在本期 Devs on Devs 中，Moving Castles 的 GVN 与 Gaul 团队的Neilson 和 Emergence 的 lermchair 进行了对谈。GVN（正如下面的对话中提到的）是 AW 领域的一个“小丑”或“牛虻”，他以玩笑的方式推动人们完善他们对自治世界的定义，并利用他自己在链上和线上的实验，来寻求真理和探索该领域。在 Moving Castles 和 Trust Support 的帮助下，他参与了 Mascot Stream 3D（一个互动的 Twitch 游戏频道）、Eat Drain Arson（一款基于 MUD 的链上游戏）、Network States （一款与 Small Brain 和 0xHank 共同打造的链上游戏）等项目，以及众多文章，例如《》 。Neilson 和 lermchair 是 Unity 的 MUD 模板、MUD 插件和 Unity 游戏引擎以及 Engine Study、Gaul 和 Emergence 等项目的幕后推动者。Gaul 将很快在 Small Brain Games Discord 频道上进行游戏测试。

在对谈中，三人深入探讨了游戏和自主世界的哲学和社会考量：在设计时考虑易用性和可依赖性是否有意义，或者自主世界是否需要有与新媒介本身一样新颖的交互。他们还讨论了自主性（Autonomy）和自动化（Automation）之间的关系、自主世界的历史先驱，并探讨了链上后果（On-chain Consequences）的概念。

游戏与灵感

Neilson：我认为一个好的对谈起点是灵感，以及我们每个人想要构建什么，以及在构建这个东西时你会关注什么。很多游戏都是这样宣传的：“我正在做……，比如《超级汽车宠物》和《英雄联盟》。所以如果说我做“这个”加上“这个”，总是在以一种非常游戏类型的风格来思考。

GVN：说得好。我们为此努力了很长时间，因为我们在做一件前无古人的事情。一方面，我认为不应该总是用语言来解释你在做什么。但与此同时，我认为游戏设计的一个教训（我们在《Moving Castles 》中学到的）是，从玩家已经熟悉的东西开始其实是件好事，因为这样可以缩短学习曲线。

《Eat, Drain, Arson》的早期截图。一款由 Moving Castles 开发的游戏

Neilson：没错，关键就是预期（Expectations）。这有助于引导玩家进入特定的思维空间。

GVN：是的。我观看了《万智牌》首席设计师之一在游戏开发者大会上的演讲。他提到一件事：搭便车。也就是说，你只能一次引入有限的新信息。他举了一张特洛伊木马牌的例子，他们将其重新命名为阿克洛斯之马，以将其嵌入到他们的世界构建中。玩家理解它，因为它仍然代表了马的概念。但后来，开发人员改变了这张牌的名字。他们称之为皇冠熊或类似的名字。这是完全相同的一张牌。人们会说，“我不明白这张牌怎么玩”。所以我喜欢搭便车这种熟悉术语的想法，因为人们可以立即理解。这是一个有趣的命题：即使你正在构建新的东西，你有多想搭便车于熟悉的游戏类型之上，只是为了让玩家的生活更轻松？

Neilson：不管有没有区块链，你都希望为玩家和自己构建一些东西，比如你在上面构建、扩展或重新混合的东西。区块链几乎让我们回到了最初的原则。

GVN：是的。不过更实际地说，你的灵感是什么？

Neilson：我不知道。我不知道我是否有一个特定的游戏类型给了我灵感。我正在制作一款类似推箱子风格的游戏。我现在玩《超级汽车宠物》太多了。我把这个话题给你。否则这将是一场关于《超级汽车宠物》的对话。

GVN：我下载了《超级汽车宠物》。但我必须说，我并没有上瘾。它并没有吸引我。我不知道为什么，但我玩只是为了了解它。所以也许我上瘾了。

Neilson：你玩过《吸血鬼幸存者》吗？

《吸血鬼幸存者》的截图

GVN：是的。有人告诉我，这位设计师以前设计过老虎机。那你呢 [Lermchair]？你在游戏方面的灵感是什么，或者说通常的灵感是什么？

Lermchair：这个问题的经典答案是：“一切都令人鼓舞”。你不断收集想法，然后偶尔你的想法会相互碰撞，你会得到新的见解。我一直在研究游戏之外的东西。例如，复杂的自适应系统和涌现、自组织和共同进化过程的概念。

GVN：我认为这也是一个很好的观点。我认为目前很多关于链上游戏/自治世界的讨论都是人们从游戏的角度进行思考。有时我会想，“实际上我们可以超越这一点”。我认为自治世界从社交媒体和相互连接的世界、桥梁的概念中汲取灵感。它们不仅是实体，也是不同类型世界之间的桥梁。Twitter 是一个世界，Discord 也是一个世界。想象一下在这两个环境之间建立桥梁，连接它们，然后在它们周围创造一个更大的世界。也许我们不仅在构建游戏的未来，也在构建一种全新的媒介。

链上涌现（Emergence）

Neilson：我认为“涌现”对我来说仍然是一个目标。我想这就是你一直想要达到的目标，通过设计简单的规则来发现复杂的行为，最终得到非常复杂的模式。这也是我一直在尝试做的：在区块链解决之前，不要乐观地预测接下来会发生什么，因为区块链有所有这些在事物相互作用时可能发生的涌现的复杂行为。我想尝试找到设计规则的空间，从所有其他游戏中汲取灵感，将许多简单的东西设计在一起，然后希望将它们放到一个共享空间中，在那里它们可以开始以更成熟或更复杂的方式行事。所以对我来说，涌现是一个很大的灵感。

Lermchair：你认为“涌现”实际上是可以设计的东西吗？

GVN：是的，我正想问这个问题。

Neilson：我认为这是你努力追求的目标。

GVN：我喜欢 EVE Online 的人们所说的，不保护玩家免受其他玩家的侵害，这是一种培养涌现的方式。你不是为涌现而设计的，而是设计了一种必须针对某些人的挫败感。它不是针对开发人员，而是针对其他玩家。所以你想对挫败感做些什么，然后你就有了解决它的方法。这就是涌现出现的地方。你只是间接地为人们提供工具来修复对他们造成的问题。然后当人们削弱你的术士时，你会感到沮丧，如果你对此无能为力，就会对某种权威产生挫败感。然后你最终会从中创造出一个全新的世界。

Neilson：但我希望世界能从盈余开始。我觉得很多正在构建的东西都是游戏玩法中非常非常直接的经济权衡。当一个世界诞生并让玩家进入其中时，怎么能不立即面对许多链上游戏所面临的所有这些经济现实呢？相反，至少要进入一个空间，让他们不仅仅是为了收集、消费和建造而聚集在一起，而是真正感受到他们可以做的活动过剩，而这些活动不仅仅是为了达到更高的制作水平。需要更长的开发时间和更多的周期才能在世界中找到足够的活动和物品，这样它就不会感觉如此渐进和线性，并到达一个感觉实际上有一系列选择的地方。

GVN：那么你会使用“过剩”来对抗“稀缺”吗，或者……

Lermchair：或者你只是意味着，游戏里面有很多事情可以做？

Neilson：是的。我认为两者都有。从物品数量上看。你开始玩游戏时，不必为经济选择而烦恼，无论是gas、资源还是其他代币。这些都不是你开始玩游戏时的条件，因为你已经感受到了稀缺的压力，所以你不想尝试或玩游戏。因此，盈余可以采取这两种形式，但它也可以采取你在游戏中可以做出的决定过剩的形式，但这并不是“我立即采取这一步，我已经看到我的厄运在第一步就预示着，因为我的数字在减少，我有点走下坡路了”。对吧？希望这是选择和决定的扩大，而不是限制你可以做出的决定。

Lermchair：游戏之外的决策呢？例如，《黑暗森林》中发生的一些最有趣的行为实际上并不在游戏中，而是在游戏之外：人们组建 DAO，这些 DAO 相互开战，创建机器人来自动化游戏。

《黑暗森林》地图

Neilson：当《黑暗森林》这样的游戏规模足够大时，就会出现这种现象。它确实允许出现那些元游戏或社会结构。显然，游戏中已经有一些足够强大的东西来支持这些围绕游戏构建和搭建的东西。所以我认为《黑暗森林》为许多其他项目设定了一个非常高的标准。

GVN：也许这才是真正将世界从模拟世界转变为活生生的世界的原因。同人小说，如《星球大战》、《哈利波特》、《指环王》等，随便什么都可以。传统上，它们之所以如此受欢迎是因为同人小说，因为这个世界本身之外还存在着外部元素或世界的一部分。自主世界所具备的就是让“外部”进入并成为世界的一部分的能力。

Roguelike 游戏和自治世界

Neilson：因为我们有自治世界的吉祥物：“小丑”、“魔术师”本人，我觉得我想利用这个小机会来定义自治世界对你意味着什么。我认为我更多地关注的是它在设计、艺术和文化方面的含义，而不是通过链上游戏开发的视角。

GVN：2008 年，许多人在柏林会面，讨论 roguelike 游戏。“柏林诠释”是一系列关于 roguelike 游戏的规则。他们建造了“roguelike 的殿堂”。一群人致力于定义 roguelike 游戏是什么。读起来很有趣，因为我认为我们在定义自主世界时经历了很多事情。一个有趣的结果是他们写道：“我们无法定义 roguelike，但我们可以建立一个范围，以了解游戏的 roguelike 程度”。所以我认为，首先，有趣的是我们不需要说“这是一个自主世界，这不是一个自主世界”，而是一个范围。我不确定是否可以直接建立一个自主世界。

Neilson：嗯。

GVN：根据我们在 《Moving Castles》 的开发实际经验，我认为大型自治世界是一系列独立的链上游戏，它们之间有桥梁，而不是由工作室开发的单个游戏。

Neilson：这就是为什么我们需要一个柏林自治世界学派、一个旧金山自治世界学派，并且我们需要一些思想流派来开始创建相互交流、互联互通的不同版本。

GVN：黑暗森林是一个自主的世界吗？我不知道。我认为它肯定是按规模划分的。而且我认为它还有很多可以实现的功能，可以使其成为一个更大的环境，同时嵌入不同类型的游戏玩法。

自动化与自治

Neilson：好吧，我认为按照你的思路，我可能一直在思考这个问题，那就是最大限度地提高自主性。你还提到了另一个概念，那就是自动化，也就是你无需思考就能做的事情。自主性在很大程度上是一种自由、个性或摆脱束缚的能力。自主性是一种做决定的能力，或者是一个可以代表他人做决定的个体，或者是一个没有其他约束（找不到更好的词来形容）的能力。但自动化似乎与此相反。Promodium 是关于自动化的，对吧？比如，在游戏中交易自动化设备，然后构建更大的结构，这就是许多自主世界：所有这些不同的指纹部件能够相互自动化，并完成所有这些事情，从而创造出巨大而广阔的世界，这些世界基本上可以独立存在。

来自 Gaul / Engine Study 的截图

GVN：你能否详细谈谈自动化和自主性之间的关系？

Neilson：我想象的转变是，当你在玩游戏时，你会变成一个遵守游戏规则的自动化主体。所以实际上你作为玩家正在玩游戏，而且在某种程度上是自动化的。你失去了自主权，因为你实际上是在决定同意游戏规则。所以从这个意义上来说……

GVN：从某种意义上说，你希望自己开始服从。为了服从游戏创造者的某种愿景，你不得不牺牲自己的自主权或对事物的愿景。

Neilson：是的。你牺牲了生活中的一点点自主权，只是为了遵守一些规则。现在，在这种结构中，你可以自由地实现自动化，但也可以探索这些规则中剩余的自主权，因为游戏的本质仍然是表达。并不是因为你失去了一些自主权，你就失去了表达能力。事实上，你获得了表达能力，因为你处在一个类似的受限环境中，周围还有一堆其他自动化的东西。所以我认为这就是我真正想弄清楚的地方：自动化以及游戏如何自动化你的自主权。我认为一个很大的问题是，我认为很多人喜欢看 Twitch 主播或类社会关系，你可以看着别人玩游戏。你将自己的社交自动化转移到其他为你玩游戏的东西上。你看着别人为你做事。你看着这些自主的个人为你做事。所以我认为这就是你将自己生活的某些部分自动化，交给其他个人或游戏或事物，以便获得一些自主权或失去一些自主权之间的关系。

这是由 Moving Castles 和 Trust Support 在 Twitch 上制作的 Mascot Stream 3D Stream 的截图

GVN：是的。我必须搞清楚自动化，这个世界的自动化和自治都是政治性的。

Neilson：很像一些意大利未来主义的东西。

GVN：七十年代的意大利有一场非常强大的左翼运动、自治运动或工人主义运动。

Neilson：那将会是一个黑暗的兔子洞。

GVN：我认为我们将在游戏中看到这种游戏可以自行运行的想法。在没有 tick 机制或没有自动执行的环境中，这是一个棘手的问题。但我最近经历过的一件事是，我在工作一天后玩塞尔达，当时我非常累。你知道，我只是想，“我想放松一下，我想在我的游戏机上玩这个游戏”。我点了食物，然后开始玩，当食物送到时，我仍然不想考虑任何事情。我想看一些可以自行播放的东西，比如电影，但我也不想离开塞尔达的世界，因为我沉浸其中。我没有精力走出去，沉浸在一个完全不同的世界中。我只是希望我可以将《塞尔达》设置为自动播放，或者我可以让别人分享我的账户并在我吃饭时为我玩。如果你有一个塞尔达多重签名，那就太酷了。我和我的伴侣会这样玩《塞尔达传说》，因为有时候我不在，我想从游戏中得到一些特定的东西，而她也想在游戏中得到其他东西。当我不在的时候，她会到处收集东西、拍照、做饭和制作药水。然后我回来，我得到了所有这些新东西，我觉得能和一个填补游戏空白的人共享一个账户真是太好了，或者说，我错过了游戏中的所有这些东西，因为我对它没有投入太多。

Neilson：我觉得想象这样的场景非常美妙，既在《塞尔达》的世界里，又不一定相互竞争。我认为这又回到了我们如何创造一个让你感觉自己在增加价值的世界。你不会觉得必须面对竞争而感到压抑，而是能够在你共享的单人世界中合作，这是一个非常棒的时刻。

GVN：另一个重要问题是：你的世界有多开放？在《塞尔达传说》中，你拥有一个非常安全的环境。你实际上不能共享账户。但它仍然有效，因为我和我的搭档住在同一个地方。这是一种非常安全的体验，信任你允许进入你的世界的人。然后在另一个范围内。你有一个完全开放的自主世界，每个人都应该能够随时改变它。我们真的希望世界如此开放吗？我们准备好提出设计解决方案了吗，不允许一个可怜的人破坏所有人的体验？我的意思是，这就是游戏所拥有的。《EVE Online》 必须处理这个问题。回到频谱上的自主世界，频谱中有很多点可以开发世界。我认为有趣的是频谱中的所有这些部分如何连接在一起形成整体。

Lermchair：人们很容易认为《塞尔达传说》是一个既可以有多人游戏又可以有单人游戏的世界。但这样想几乎是错误的。世界是非常难以捉摸的东西，以至于电子游戏的世界实际上与游戏本身的规则和设计并没有区别。如果你能够通过客观地定义世界内部和外部的概念来创建模糊的世界边界，这是自主世界的目标之一，那么互操作性就会变得容易。

《塞尔达传说》。图片来源：Polygon

GVN：我认为一个大问题仍然是玩家想从自主世界获得什么。比如，我们开始知道我们作为设计师可能想从中得到什么，但这和玩家想要的一样吗？

Neilson：值得注意的是，我既从游戏设计的背景谈起，也从我如何推销一款游戏谈起。你推销一个幻想、一个梦想或玩家的巅峰体验，真的就是这样。你推销的第一件事是游戏世界是什么，为什么人们会玩它并想继续玩下去。我认为这是最重要的。对我来说，至少一个设计是我脑海中的一幅画面，玩家做一系列他们喜欢做的事情，然后从那里开始。

自治世界的前身

Lermchair：你们认为我们在整个历史中所见过的自主世界的前身是什么？

GVN：这个问题问得好。你觉得呢？

Lermchair：你读过《欢乐工具》吗？这是伊万·伊里奇写的一本小书。伊里奇将收音机描述为一种欢乐工具。收音机被引入中美洲社区后，如果收音机坏了，并不总是有手册或图纸可以修理。然而，由于收音机技术易于获取且足够“欢乐”，人们可以自然地玩耍和互动，这些中美洲社区能够并形成维护这些收音机的传统。这项技术形成了一个社区，以保持其活力。你可以在历史上多次看到这种情况。例如，在 1980 年代，伯克利有一个名为“社区记忆”的项目，它是仓库中的一台主机。它是 Reddit 之类的东西的第一个版本。该项目将终端放在街上，任何人都可以使用它阅读和发布留言板。然后问题就变成了：“我们在公共场所的街道上放置这些非常昂贵的电子设备，它们很容易损坏。你如何确保人们不会毁掉它们”？而创造者得出的答案是，有必要围绕这台电脑组建一个俱乐部或组织，以维护它，让它继续存在。这最终导致了 Homebrew 电脑俱乐部的出现，这也是苹果公司起步的方式。所以总有这样的例子，人们聚集在一起维护某样东西，并让它尽可能长久地存在下去。

社区记忆终端

Neilson：这是一个很好的自主世界定义。你必须保持旺盛的生命力。每个人都在努力。我认为，归根结底，唯一值得构建的自主世界就是这样。我认为人们过于担心让事物存活太久。我认为这是每个游戏都应该努力争取的感觉，社区中的每个人都在保持游戏活力，为游戏注入新元素，创造更多的东西。

Lermchair：开源软件也可以这样。

GVN：我认为这是一个很好的例子，展示了游戏设计在自主世界中应该如何运作。我觉得人们仍然渴望为他人提供解决方案。就像，是的，这就是游戏。这就是我们玩游戏的方式。但我认为我的方法是通过给人们一些值得关心的东西来设计自主世界。首先要明白的是，他们是否关心它？《黑暗森林》之所以如此成功，是因为他们给了人们他们关心的东西，因此必须想出一个解决方案来让他们对世界的想法继续存在。在《迷失》系列的第二季或第三季中，角色们发现了一个地下掩体，里面有一台有倒计时功能的电脑，然后他们必须输入密码，然后按回车键，然后计数器重置。角色们被告知，如果他们不这样做，世界就会灭亡。我认为这对一个自主世界来说是一个有趣的开始，因为游戏不是关于输入代码，而是当角色们开始对它产生矛盾或不同意见时，真正的游戏就发生了。“这是真的吗？” “我们真的应该继续做我们被告知的事情吗？”然后他们组建了派系，这些派系试图决定是否继续或中断这个过程。这就是世界真正活跃起来的地方。所以你有这个并不重要的游戏循环，但我们的任务是，如果我们停止这样做，世界就会灭亡。这就是玩家可以围绕任务创造这个新兴世界的地方。

现实世界的后果

Lermchair：也许把某样东西放到区块链上的好处在于，你会有实际的后果。在以太坊上，我们可以在某个游戏中的某个合约中存入一百万美元，并在传说中说，如果世界末日，合约会失去你所有的钱。如果你在以太坊上死了，你就会失去所有的钱。

GVN：那可能是一件很有趣的事情。你可以假装自己是一个黑客组织，但你会想，“如果你们不每天、整天这样做，我们就会窃取世界上所有的加密货币”，然后看看人们会怎么做。

Lermchair：就像那个模因，如果你在元宇宙中死了，你也会在现实生活中死去。

GVN：我也喜欢关于现实后果的观点，因为我希望在自主世界中看到的一件事是游戏与现实分离的观念的终结。元宇宙试图忘记现实的存在，而是以一种扭曲的、婴儿潮一代的世界观来重建现实。我认为，自主世界实际上就是将游戏与游戏之外的世界联系起来的力量。也许 EVE 就是这样：你可以投资真钱，也可以在船上赔钱。我认为非常有趣的是这种信息的互联性。

Neilson：你怎么知道你正在做的事情会让你感觉良好？失去真金白银的感觉并不好。你怎么知道要遵循什么直觉？

GVN：所以我认为这是一个重要的讨论，因为我觉得我们都在进行实验。我认为大多数人在构建某些东西时都失败了。你如何面对这个问题？你如何从中做出好东西？因为我个人觉得，在 Moving Castles，我们制作了很多原型，有时我们甚至没有发布，但我们从中学到了很多东西。而且我们也了解到有些方向实际上并不是可行的。当我们谈论游戏时，我们可以尝试很多有趣的技术想法，但它们不一定有趣。

Neilson：尝试制作尽可能多的原型并尽可能快地完成，并弄清楚什么是有趣的，这绝对是件好事。然后，更难的一步是确保你的项目不会死在你的硬盘上，并且你要努力在某一天真正按下发布按钮并将其发布出去。我认为有很多很棒的项目和软件只完成了 80%。希望明年有很多人发现这一点并开始构建，真正一路走到终点线，真正将其推向市场。我认为训练自己成为一名开发人员和设计师非常重要，要弄清楚完成某件事需要什么。尽快处理所有垃圾和原型，然后完成某件事。这与开始一个项目非常非常不同。这是一个完全不同的世界，我认为人们直到到达那里才会意识到这一点。所以，是的，希望我们能有人进入这个领域并完成事情，也就是说，开始做事。