当所有人都在卷大模型、卷算力，有人反其道而行之：用 8B 小模型端侧推理，按局收费，1 块钱一次。

AI 成为主流技术叙事之后，我们见证了太多以技术为第一性原理、却远离商业本质的公司。它们试图创造一个新场景，再为这个场景设计商业模式，最终都在为如何变现而发愁。但真正的机会也许恰恰相反：不是创造需求，而是在用户本来就愿意付费的场景里，提供一个更好的解决方案。

玩家愿意为 " 变强 " 付费吗？答案是肯定的。陪练、代练、私教、UP 主教学，这个市场一直存在，只是太贵、太慢、太不稳定。几百块请教练太贵，看视频学习太慢，代练治标不治本。这恰恰是 GameSkill 看到的机会：用 AI 把几百块的教练变成 1 块钱一局的即时反馈，把需要预约、等待、碰运气的服务变成随时随地、稳定输出的职业级分析。

这家公司所有看似 " 技术妥协 " 的决策背后，并不是单纯的技术考量，而是对市场、用户、成本的精准判断。通过链接算力 - 端侧芯片，数据 - 在战队经验，算法 - 游戏场景，实现 AI 对游戏场景的深度挖掘，端侧推理把边际成本压到足够低，让 "1 块钱一局 " 成为可能，按局付费则精准匹配了真实需求，而不是强推月卡年卡。这不是一个设计上瘾机制的产品，这是一个找对了场景、降低了门槛、提高了效率的 AI 应用。

硅星人与 GameSkill 创始人陈迪聊了聊，如何把世界冠军的经验塞进 AI 里、塞进玩家的电脑里，以及更重要的，如何在用户本来就愿意付费的那个时刻，递上一个他们买得起、用得上的工具。

第一部分：把世界冠军 " 塞进 "AI 里

1、硅星人：请简单介绍一下你们的产品。目前市场上也有 AI 游戏陪玩或助手，比如逗逗 AI，如何用一句话解释你们的核心区别？

陈迪：简单说，我们做的是 " 专业训练工具 "，市面上那些更像是 " 娱乐陪伴产品 "，服务的需求和场景完全不同。

陪玩类产品主要服务于普通玩家，让大家玩得更开心这非常有意义，但我们专注解决的是另一个层面的问题：如何在高水平竞技中持续进步，并稳定地赢下去。

比如：阵容搭配为什么被克制？残局中的走位和决策哪里出了问题？根据对手的历史打法，我们该怎么提前布置战术？这些都是战术层面、策略层面的布局，快速分析对手录像，甚至协助研发全新战术。就像围棋 AI 能下出人类想不到的棋步一样，当 AI 充分理解我们的战术体系后，它也能提供新的策略思路。

2、硅星人：这次 GameSkill 和天禄俱乐部的合作，具体包含了哪些内容？为什么要与顶级俱乐部合作，是共同打造 "AI 教练模型 " 么？

陈迪：首先在数据层面，天禄作为国内顶级的 FPS 俱乐部，向我们开放了他们多年积累的核心资料，包括比赛录像、复盘分析、战术讨论等等。这些不只是原始视频，而是带有教练完整思考过程的标注数据，用他们自己的话说，这相当于把 " 源代码 " 开放给了我们。

我们的技术团队会定期去天禄基地，跟教练、分析师一起工作，理解他们是怎么分析比赛、做战术决策的；反过来，天禄的教练也会参与我们 AI 模型的训练过程，确保 AI 学到的是真正专业的东西。

在实际应用中，AI 已经在几个关键环节发挥作用了。比如在赛后复盘，以前教练可能要花 2-3 小时看录像，现在 AI 能快速定位关键回合，自动标记重要决策点，效率提升非常明显。在战术分析上，AI 能帮教练分析对手的战术偏好，比如他们习惯在什么情境下用什么战术，再给出针对性的应对建议。未来我们还计划为每个选手配备 AI 助理教练，提供一对一的个性化训练建议。

这些环节最终会形成一个从日常训练、实战对抗到赛后复盘、战术研究的完整闭环，AI 将全程参与到选手的成长过程中。

3、硅星人：基于刚才的合作，这款 "AI 电竞教练 " 的核心功能有哪些？真的可以像职业教练一样指导选手么？能不能用一些具体的场景来描述一下？

陈迪：比如你在打 CS，正要 peek 一个转角，我们的 AI 会在耳机里实时提醒你：" 小心，这个位置可能有人 "，或者说 " 现在可以丢颗闪光弹了 "。这些判断都来自天禄教练团队的经验，相当于把一个顶级教练的思维 " 搬 " 到了 AI 里。关键是响应速度极快，能在毫秒内给出建议，基本是实时的，不像云端 AI 那样受网络延迟影响。

比赛结束后，AI 还会自动帮你复盘，直接告诉你：" 这局输在第三和第七回合，问题出在道具使用和残局决策上。" 以前像沈总他们复盘要花两三个小时从头看录像，现在 AI 能快速定位关键失误点，大大提升了效率。

对职业选手来说，AI 教练的价值还在于能发现很多人眼容易忽略的细节。比如训练赛中，它会分析画面中每个人的走位和道具使用，有时能指出一些我们教练组也没注意到的战术漏洞。虽然目前还不能完全替代真人教练，但已经成为一个非常有力的辅助工具。

简单来说，我们想做的是把世界冠军级别的战术理解，通过 AI 开放给每一个玩家。用天禄教练的思维过程去训练模型，让普通玩家也能享受到专业级的实时指导和赛后复盘，这就是我们产品的核心。

第二部分：端侧模型，如何实现职业智能？

4、硅星人：要实现这种 " 职业级 " 的游戏理解，技术上具体是怎么做到的？您提到 AI 是直接 " 看懂画面 "，这背后的模型是如何训练的？是需要识别每一个像素，还是有更高效的方法？

陈迪：我们训练 AI 的方式，其实很像培养一个真正的游戏高手，是一个循序渐进的过程。

第一层，是让 AI" 看得懂游戏 "。我们在互联网上抓取海量的 CS 比赛视频和解说，让 AI 学习最基础的信息：画面上的人是谁、拿着什么武器、正在哪个点位活动。这一步相当于让 AI" 看录像入门 "，建立对游戏的基本认知。

第二层，是让 AI" 看得懂门道 "。公开视频的解说不一定专业，所以我们自建了一个 30 人的高手标注团队。他们不会只说 " 他去了 A 点 "，而是会解读背后的意图，比如 " 他这个前压走位是为了抢占地图的控制权，为团队争取信息优势 "。这让 AI 的理解从 " 操作层面 " 提升到了 " 战术意图层面 "。

第三层，也是最核心的，是赋予 AI" 职业级的理解 "。这就是我们和天禄合作的关键。教练和分析师看比赛的维度完全不同，他们关注的是：道具配合为什么被压制？残局中的选位反映出怎样的决策逻辑？对手的数据显示出哪些习惯性打法？

我们将教练复盘时的讲解、战术笔记和深度分析，作为最高质量的数据 " 喂 " 给 AI，我们会逐步让 AI 学会 FPS 的各类游戏，也会与 MOBA 和其他游戏项目的俱乐部持续拓展合作，做不同游戏领域的专业教练。

5、硅星人：有些方案是先用一个模型 " 看 " 画面，再用一个语言模型 " 分析 " 文字报告，像两个 " 翻译 " 在工作。你们是采用语言模型理解的形式，还是让 AI" 端到端 " 地直接理解画面？

陈迪：我们用了 Qwen 的 VLM 模型，本身能够理解视频画面，普通计算机视觉模型可能只会说：" 画面上有 5 个人，3 个在 A 点，2 个在 B 点。" 而我们的模型要能判断出：" 对方是 3A2B 的防守阵型，根据历史习惯，A 点三人很可能前压，我们应该准备反制战术。" 我们正在摸索训练专门能够理解游戏的 VLM。

除了前期三层数据的特供，我们还用了一个关键技术：思维链。这让 AI 不只给结论，还会展示推理过程。比如它会一步步分析：" 对方经济不好 → 这局很可能 ECO → 装备会劣势 → 我们可以强攻 A 点 → 但要小心他们集中防守 "。这样教练能看清 AI 的思考逻辑，而不是面对一个 " 黑箱 "。

你刚才提到的转译方案：先用 CV 模型转文字，再交给语言模型分析，确实是一种更轻量的做法。但我们没选，因为它会丢失大量细节。

比如选手的微操、身法控制、走位节奏……这些转成文字后可能只剩一句 " 他移动了 "，但对职业对抗来说，细微差别往往决定成败。所以我们坚持用端到端的多模态模型直接理解视频信号，虽然训练成本高，但效果更贴近真实比赛的理解需求。

6、硅星人：为什么这个功能必须在玩家自己的电脑上完成？把复杂的计算放在云端，对你们来说不是更简单吗？ 选择端侧，是不是就是为了实现 " 零延迟 " 的实时指导体验？

陈迪：很多人可能没意识到，玩家的游戏设备本身就有大量闲置算力。一台游戏本，运行 CS 等电竞游戏时 GPU 占用率通常不到 70%（根据分辨率和图像质量设置），NPU 更是完全没有被利用。这意味着大约一半的端侧算力是空闲的，还有 CPU 内置的核心显卡也是完全没有没有用到。我们的策略，就是将这些已经被用户付费购买的闲置资源利用起来，在本地完成 AI 推理。

同时，我们正与英特尔等芯片厂商深度合作。随着 NPU 等专用 AI 芯片的算力每年翻倍，我们的模型能力也能随之快速进化：在这样分别在不懂的处理单元分配算例的方式，我们今年能跑 8B 模型，明年或许就能支撑 14B 甚至 30B。产品会随着用户硬件的换代而加速升级。

您觉得云端方案对我们更简单？其实恰恰相反。云端成本是个 " 无底洞 "：用户使用有波峰波谷，我们必须为峰值准备大量 GPU，谷时期资源又闲置。最关键的是，用户越多，云端成本越高，这是一个不可持续的成本模型。

普遍意义上来说，云端的适配更加简单，因为单一一套模型就可以适配不同的机型，但是局限于算力峰谷与延迟速度，云端产品更多还是局限在休闲类游戏的范畴，而端侧模型及算力匹配是目前更适合电竞游戏的最优解。

我们其实是在顺应一个明确的行业趋势。现在所有大厂都在推 AIPC 和 AI 能力的手机，就是因为大家认识到：未来一定是云端协同的。实时、高频的任务在端侧处理；复杂、低频的分析在云端进行。

7、一个不可避免的疑问是：一个 " 小模型 " 会不会显得 " 太笨 "？ 你们如何在模型的 " 实时响应速度 " 和 " 职业级的分析智能 " 之间做权衡？是通过专门的优化技术，还是有别的秘诀？

陈迪：这确实是一个关键问题，这我们不是在 " 速度 " 和 " 智能 " 之间妥协，而是让小模型变得极其聪明。

首先，" 小 " 不等于 " 笨 "。 就像经验丰富的冠军教练，不需要庞大团队就能精准判断。经过三层数据定向训练，我们的 8B 专家模型在 CS 领域的分析能力，很可能超过更大的通用模型。

我们采用了类似于 DeepSeek 的知识蒸馏方案，先在云端用巨大算力训练出 " 老教授 " 模型，再让它把核心经验提炼传授给端侧的 " 年轻教练 "，并最终通过一个 8B 级别的模型达到性能、延迟、算力、准确度的思维平衡。

最关键的是 " 任务分层 " 架构。 我们根据场景智能分配算力：实时指导 ( 走位、道具 ) ，端侧轻量模型负责，毫秒内响应；赛后复盘 ( 决策分析 ) ：云端或本地服务器的大模型深度分析；战术研发 ( 模拟对手、推演阵型 ) : 俱乐部专用推理设备完成。

通过专业化的专家模型、知识蒸馏优化、场景化任务分层，我们在现有设备上同时实现了职业级智能和实时响应。

第三部分：1 块钱 1 局，买一次 " 我能赢 " 的信心

8、硅星人：在明确了产品形态后，你们都覆盖了哪些用户？除了广大的普通玩家，游戏主播也常常是很关键的受众群体，是否会为他们开发差异化的功能？

陈迪：我们产品的商业模式本质上是分层服务，根据不同人群的核心需求来提供价值。

从职业端切入是我们的起点，但产品设计本身具备很强的扩展性。对于大主播这类内容创作者，我们发现他们面临一个共性痛点：很多人游戏水平很高，但未必擅长实时解说或内容制作。我们的 AI 可以成为他们的 " 智能制作助理 "：在直播时实时提炼战术要点，让解说更专业流畅；在制作教学视频时快速标记关键决策点，大幅提升内容质量。这相当于把他们专业的游戏理解，通过技术更高效地转化为优质的节目效果。

至于广大玩家，我们通过 C 端产品提供个性化服务。基础版侧重赛后分析和训练建议，高级版则提供实时对战指导。这种分层设计让用户可以根据自身需求和预算灵活选择。

9、硅星人：谈到商业化，面向最终用户时，你们在考虑哪些可能的收费模式？是采用订阅制、按使用时长或局数付费，还是一次性买断？哪些因素会影响你们最终的定价策略？

陈迪：在面向最终用户的商业化路径上，我们设计了按使用浓度付费的模式，核心是 " 订阅制 + 按需付费 " 的组合。

基础版：采用月费订阅制，定价在 20 元左右。它主要提供赛后分析报告、数据统计和个性化训练建议这类非实时、算力要求不高的深度分析服务。

高级版：采用按局付费的模式，每局约 1-2 元。它解锁的是实时教练指导功能，在战斗中提供关键的战术提示和决策支持。

大部分日常对局，玩家可能只需基础版。但在关键的晋级赛或重要的战队赛中，那种 " 绝不能输 " 的心态会让他们非常愿意花一两块钱，购买一个 " 保障 " 。这就像买保险，平时不需要，但关键时刻的存在感极具价值。

同时，按局付费赋予了用户极大的成本控制灵活性。玩家可以根据自己的实际需求和预算，自由选择在哪些对局中启用高级功能，避免了强制订阅可能带来的浪费。

在定价策略上，我们会综合考虑硬件成本摊薄、市场竞争态势、以及不同地区用户的付费能力。未来也可能引入年费优惠或与硬件厂商（如购买指定型号游戏本赠送会员）进行捆绑销售，进一步降低用户的决策门槛。

10、硅星人：在市场推广上，除了天禄带来的职业背书，你们还有哪些具体的获客策略？是否会与硬件厂商、直播平台或内容创作者合作？是否有出海的时间表？

陈迪：我们的市场策略很明确：与生态伙伴深度绑定，实现精准触达。与英特尔等芯片厂商的合作不仅是技术联合，也是双方的需求，他们需要能体现 AI PC 价值的 " 杀手级应用 "，而我们的产品正好填补这一空白。

具体合作包括：预装合作：在主流游戏本中预装我们的软件，用户开箱即用；联合营销：在新品发布时，共同宣传 " 在这台 AI PC 上，能获得职业级教练实时指导 "，并共同推动产品落地。

这一渠道的优势在于精准且高效——购买游戏本的本身就是我们的目标用户，设备性能也完全满足需求，大大降低了我们的获客成本。

当然出海是必然选择，但我们采取分阶段推进的策略。首站瞄准东南亚市场，因为该区域电竞氛围活跃，CS 玩家基础良好，且专业训练工具市场尚属蓝海。在欧美，玩家更强调个人风格，产品就不能以 " 指导者 " 姿态出现，而应成为 " 数据分析伙伴 "，从 " 你应该这样打 " 转变为 " 数据显示，这种情况下的主流选择是 A，你的选择 B 成功率为 X%"，以更中立的方式提供价值。我们也将很快推出手机版的 AI 游戏教练，覆盖主流的手机电竞游戏用户。