文丨二几
36 氪获悉，AI 游戏 Mod 创作与内容平台 ModCraft 已完成数千万人民币种子轮融资，投资方包括商汤国香资本、L2F 光源创业者基金。融资资金将主要用于 AI 模型训练以及平台增长。
从产品来看，ModCraft 目前提供两大服务：一是让用户通过 AI，用自然语言制作游戏 Mod；二是在平台上发现、游玩和分享其他玩家创作的 Mod。截至目前，平台已经上架 28 款游戏，都是在 Steam 具有较高知名度的作品。包括经典国产独立游戏《太吾绘卷》，斩获 TGA 2025 年度游戏的《光与影：33 号远征队》，以及近年爆火的合作游戏《PEAK》等。
在创始人李硕看来，Mod 的意义远不止是玩家 UGC。
他认为，" 游戏 Mod 本质上是游戏和游戏以外的地方的接口。" 通过这个接口，厂商可以根据需求定制游戏工具、获取运行数据；大模型也可以通过 Mod 进入游戏，把游戏变成供 AI 学习的仿真环境。
这也构成了 ModCraft 更长远的产品路径。除了通过 AI 降低 Mod 创作门槛，ModCraft 还希望基于这些真实的游戏创作、反馈与运行数据，训练面向游戏开发的 AI 模型。李硕希望，这套模型未来不只是 " 会做 Mod" 或 " 会玩游戏 "，而是能够进一步理解游戏玩法、参与内容创作。
李硕相信，最终 AI 能做出比纯人工更 " 好 " 的游戏内容。ModCraft 的远期目标，也正是成为服务游戏和独立游戏设计师的工具与平台，帮助中国大作更好的走向世界。
目前 ModCraft 团队的 AI Lab 已经在进行大量数据工作，将 Mod 中的数据提取出来用于模型训练，并与字节跳动等模型厂商达成合作。
类似的方向已经有公司在探索。由游戏视频平台 Medal 分拆而来的 General Intuition，就利用 Medal 积累的游戏录像以及其中与玩家行为、游戏事件相关的行动标签，训练能够在虚拟环境中感知、预测和采取行动的模型。General Intuition 将游戏视为训练空间智能和环境理解能力的重要场景。
与 General Intuition 主要从游戏视频和行动数据中获得训练素材不同，ModCraft 希望进一步通过 Mod 直接连接 AI 与游戏运行环境，并主动产生、提取其中的数据。对 ModCraft 来说，Mod 既是普通玩家参与游戏二创的工具，也可能成为 AI 获取游戏数据的基础设施。
01
ModCraft 创始人李硕是研发出身的游戏行业老兵。他 2010 年毕业，之后加入腾讯参与《剑灵》项目；2015 年加入游族网络，曾担任《权力的游戏：凛冬将至》制作人。
真正促使他进入 AI 领域的，是去年 AI Coding 能力的一次明显跃升。
此前，他曾经多次接触过 AI 与游戏结合的创业机会。2021 年离开游族时，国内知名 AI 团队成员曾邀请他参与游戏方向创业；2022 年，VAST 探索 AI 生成 3D 落地应用方向时，也曾向他伸出橄榄枝。但在李硕看来，当时 AI 能力还没有真正达到游戏生产的门槛。直到去年夏天，他才觉得时间到了。
与此同时，中国买断制 PC 游戏市场也在快速增长。李硕观察到，Steam 在中国已经拥有五六千万用户，新一代年轻玩家也越来越愿意为高性价比、高品质的游戏产品付费。此前，他也主导开发原创开放世界生存建造游戏《炭熄》，获得 B 站投资。
不过，本次 AI 方向的创业，他没有选择直接从 AI 生成游戏切入，而是把目光投向了一个更小众的领域——游戏 Mod。
李硕认为，Mod 像是站在原作巨人的肩膀上创作。游戏美术、玩法、世界观和玩家社区都已经存在，可以为 AI 提供大量完整的上下文。因此，比起从零开始生成一款完整游戏，AI 做 Mod 更容易做出真正具备可玩性的内容。
玩家侧的需求也更加明确。基于自己作为游戏制作人的经验，李硕认为原创游戏想要实现自传播，往往需要极具辨识度的美术、足够抓人的故事，或者能够迅速吸引玩家的玩法创意，这是非常困难的。而玩家愿意下载一个 Mod，往往意味着他们已经认可游戏本体，并希望获得更多内容。每一款新游戏的上线，都可能成为 ModCraft 一次新的用户触达机会。
在海外，Mod 已经形成了成熟的内容生态，Nexus Mods、CurseForge、Thunderstore 等平台聚集了大量 Mod 作品。相比之下，中国买断制游戏起步较晚，Mod 生态发展空间巨大。
李硕相信，AI 进一步降低创作门槛后，Mod 内容有望迎来一次爆发式增长。原来手搓一个 Mod 可能需要几周，甚至几年，AI 可以让这个过程缩短至几分钟。
同时，AI 可以让更多原本不会写代码、不会使用专业工具的人也开始参与创作，" 就像 2015 年以后，普通人也可以制作短视频了。" 李硕分享，ModCraft 的一位实习生在零代码基础的情况下，用 AI 为《太吾绘卷》做了一个剧情 Mod，整个过程消耗约 900 万 Token。
李硕为 ModCraft 规划了两条商业化路径。
从 C 端来看，平台可以通过订阅模式向创作者收费，也可以和游戏厂商合作，探索优质 Mod 的付费分发。从更长期的角度看，ModCraft 希望成为一个 "Mod 版本的 Roblox"。
而在 B 端则有两种商业化可能性。首先，Mod 可以实现游戏的定制化功能。例如，游戏主播和直播工作室经常会有定制化需求：主播希望玩家送出礼物后触发特殊事件，或者规定游戏中不能使用某个职业、不能掉落某种装备。
这类需求在 AI 出现之前就已经存在。比如抖音平台上《红色警戒 2》主播一直比较活跃，一个重要原因是这款游戏拥有较成熟的 Mod 工具，支持直播所需的种种功能。而 Steam 仅去年一年就新增了超过 1.8 万款游戏，大量游戏并没有成熟的 Mod 工具。AI 的出现，则有机会降低 Mod 制作和适配的门槛，让更多游戏具备承接这类定制化需求的可能。
其次，Mod 可以成为厂商获取数据的入口，让 AI 把游戏视作仿真环境，持续产出数据。厂商可以使用这些数据做 AI 视频模型或世界模型的训练。目前 ModCraft 已经与字节跳动等头部模型厂商达成合作，提供模型训练数据。
02
目前的 AI 游戏开发工具，正在从代码生成、3D 模型生成进一步走向直接参与游戏制作。
今年 9 月，OpenAI 发布 GPT-6 Astra，可以操作开发环境完成游戏相关工作，也能够将 Blender 中的模型转化为可在 Unreal Engine 5 中游览的场景。
但在李硕看来，即使 AI 已经能够进入游戏开发流程，仍然有一个更难的问题没有被解决：AI 如何知道什么样的游戏是好玩的？
这也是他从 Mod 切入 AI 游戏开发的核心原因之一。与游戏行业招聘策划时的逻辑有些相似：一名游戏策划往往需要拥有足够丰富的游戏经历，才能理解什么样的设计是好玩的。AI 模型也可以通过足够大量的 Mod 产品学习究竟 " 什么好玩 "，最终掌握 " 怎么做好玩的游戏 "。
本质上，AI 能够制作一款游戏的 Mod，本身就意味着围绕这款游戏的工具链和知识库已经足够完善。在此基础上，AI 再可以通过 Mod 进入游戏，并将游戏运行过程中产生的各种数据转化为训练材料。
玩家本身的反馈也是模型训练的基础，一个 Mod 能否获得下载量和玩家评价，能够反映这种玩法是否受到关注；而一个 Mod 能否真正被大量玩家长期使用，则进一步体现了玩法本身的实际效果。Mod 本身就是一种快速的玩法实验，很多经典游戏最早也是玩家自制的 Mod。
最终，ModCraft 希望通过玩家的创作、反馈和实际游玩数据，让 AI 逐渐理解什么样的玩法更受玩家欢迎，并进一步生成更具可玩性、能够进入实际生产的游戏创意。
03
为了完成从 UGC 到 AI 模型训练的这套闭环，ModCraft 的团队构成也很特殊。其中一大特色就是有很多资深 Mod 创作者，也就是 Modder。
团队 Lead Modder 吴理华曾制作《黑神话：悟空》的自走棋、Boss Rush 等多款知名 Mod。其中 Boss Rush 后来被官方内置为游戏玩法。另一位团队成员制作的《黑神话：悟空》整活 Mod，相关视频在 B 站获得 766.9 万播放，曾登上全站播放量总榜 21 位。除此之外，团队成员还包括《怪物猎人》《艾尔登法环》等游戏的知名 mod 作者。
李硕说，全国意见领袖级别的 Modder 基本都在这里了。他本人也是 Mod 作者，为《英灵神殿》制作了多款 Mod。
在他看来，做 AI Mod 工具，本质上也需要把资深 Mod 作者长期积累的经验转化为产品能力。" 他们每天在公司说，我在用 AI 蒸馏我自己。"
除 Mod 作者外，ModCraft 还有一支 AI 研究团队。成员均具备全球顶尖高校研究背景，其中包括多位 CMO（中国数学奥林匹克）金牌获得者。他们的研究领域覆盖当前 AI（特别是大语言模型与通用游戏智能）领域最核心的前沿技术方向，将负责大语言模型、强化学习和 Agent 调优。
当然，上面提到的所有人都有一个共同的身份——资深游戏玩家。
某种程度上，ModCraft 选择的并不是一个全新的游戏内容形态。Mod 已经存在了很多年，真正发生变化的是，AI 正在让过去属于少数 Mod 作者的能力，开始向更多普通玩家开放。
从这个角度看，AI 生成游戏也未必要从零开始。基于现存的游戏和玩家的二创欲望，AI 可以帮助玩家扩展游戏内容，再在这个过程中理解什么是有趣的游戏，可能是另一条更现实的路径。
至少对 ModCraft 而言，这场尝试才刚刚开始。
未来 3 到 6 个月，团队一方面会大幅扩展支持的游戏数量，将产品进一步推向市场，让更多玩家参与 Mod 创作；另一方面，则会开始训练模型的游戏能力。
游戏不仅承载了海量的文本、图像、音频和视频数据，更完整记录了人在复杂、动态环境中的行为决策、交互方式、审美偏好和娱乐需求，是一个高度结构化、持续产生反馈的 " 人类行为数据富矿 "。
团队相信，随着多模态模型、世界模型和具身智能等技术进一步发展，这类包含 " 环境—行为—反馈 " 闭环的数据价值有望进一步提升，并作为重要数据资产，进一步训练更具泛化能力、更懂人类需求的 AI 模型。团队目前积累的游戏数据已经与头部模型厂商开展模型训练合作，进一步验证了游戏数据在 AI 训练场景中的潜在价值。
本文首发自"36 氪游戏 "。
