相比前幾年的GDC遊戲開發者大會多半專注在如何提昇虛擬實境視覺、互動體驗，今年則是有更多遊戲應用更聚焦在雲端，以及人工智慧技術導入作法。
先從人工智慧技術來看，其實跟許多科技產品、軟體或網路服務一樣，遊戲中開始導入人工智慧技術應用，其實在很早之前就已經發生，例如應用在敵方角色的攻擊，或是遊戲地圖內容自動生成等。但與其說過去在遊戲中的是人工智慧技術應用，倒不如說是隨機運算模式更為洽當，對於熟練的玩家而言，可能在多玩幾次之後的學習預測與判斷效果都比電腦還強。
不過，人工智慧技術發展在近年來隨著軟硬體運算效率提昇，開始有更大幅度改變，例如DeepMind在過去藉由AlphaGo系統擊敗南韓棋王李世乭之後，開始與Blizzard Entertainment合作，透過深度學習方式讓電腦系統嘗試遊玩《星海爭霸II》，藉此判斷不同遊玩進度時期的策略推定與決策推擬，同時配合遊戲快速遊玩節奏讓系統必須在更快時間內完成「思考」。
人工智慧對玩家、設計者都能帶來好處
而類似的情況，EA旗下簡稱為「SEED」的創新體驗研究部門 (Search for Extraordinary Experiences Division)，稍早也讓電腦系統進行學習遊玩《戰地風雲1 (Battlefield 1)》。在多次學習之下，電腦系統已經可以明確知曉遊戲實際遊玩方式，並且在個人生命值過低或彈藥不足時候，採取不同行動模式，例如選擇避戰或找尋補充生命值、彈藥方式。
雖然整體上的遊玩決策與快攻效率仍不比人類玩家，甚至在必須講究團隊合作攻擊戰略時，系統所操作的個人角色可能會出現不知所措情況，甚至出現一直撞牆或原地轉圈現象，顯示目前人工智慧技術仍無法比照人類精準操作與快速判斷遊玩決策，依此要打造一套能擊敗所有電競戰隊的電腦系統恐怕還是有難度，但或許能藉此持續提昇玩家遊玩互動體驗，而不會覺得每次與電腦系統對抗或組隊時，要嘛是電腦攻擊策略過於容易配猜測，不然就是遇到豬一樣的電腦隊友。
除了DeepMind、EA將人工智慧學習訓練應用在遊戲內容，Ubisoft先前製作《看門狗2》時也藉由製作完整舊金山市區的街道內容，甚至進一步使遊戲中的NPC人物能像真實生活般於虛擬街道上走動，讓致力研發自動駕駛車輛的科技廠商能直接取用，藉此透過更安全方式進行自駕車的前期訓練。而這樣的想法，其實就與NVIDIA後續提出建構完整虛擬世界相似，讓自駕車能現行藉由虛擬方式進行前期訓練，如此即可節省實際上路測試所需時間，同時也能在實際上路之前避免一些不必要的前期錯誤造成任何傷亡。
而人工智慧技術精進，對於遊戲內容創作也有一定提昇，例如讓電腦動畫渲染細節、雜訊去除，甚至定義虛擬場景中不同光源位置造成光影互動效果，讓開發者能更容易建置遊戲虛擬世界場景，並且能以更具效率且節省成本方式設計遊戲內容，同時也能將設計重心聚焦在遊戲核心項目。
利用人工智慧打造遊戲場景、修正錯誤
就Ubisoft說明，製作《極地戰嚎5》、《刺客教條：起源》在內遊戲時，其實就是借助人工智慧演算效益，不但讓內容場景、人物3D模型建置變得更加快速，相對也讓過去透過逐一設定光影條件，造成在部分遊玩過程出現不自然情況，甚至出現人物臉部崩壞、肢體呈現角度錯誤問題。對於遊戲設計角度來看，人工智慧技術的導入其實在內容創作上有提昇整體效益的實質意義存在。
另外，Google近期開放Google Maps API資源，讓遊戲開發者能利用現有圖資資訊快速打造遊戲內容場景，其中更可直接套用現實世界的街景影像內容，或是進一步透過電腦渲染會製成全新風格面貌，其中背後處理也必須仰賴大量人工智慧技術輔助。
至於近期越來越多人談論的擴增實境、混合實境布局，其實在影像即時處理到使用者眼前呈現過程中，同樣有越來越多內容設計仰賴人工智慧技術作為輔助，以最簡單的「變臉」技術應用來看，藉由傳統物件判斷、套用濾鏡的方式，可能會在快速移動的情況下露出破綻，但以現行常見的「變臉」直播應用卻有越來越精緻的特效產生，原因就是藉由臉部學習等方式加快系統處理效果。
因此對於遊戲內容來說，導入人工智慧技術並非只是為了讓玩家在過完互動過程變得更具挑戰，更大目的其實是為了讓遊戲有更容易設計效益，同時也能讓創作者花費更多心思構想如何做出更有趣的遊戲作品。甚至也有越來越多遊戲設計透過人工智慧技術協助過濾原始編碼中的錯誤，藉此在遊戲正式上市銷售前去除不必要的錯誤，並且減少透過事後更新修正的成本支出。
推動人工智慧，雲端技術應用也有重大貢獻
與人工智慧同樣息息相關的雲端服務應用，其實也在人工智慧技術應用背後扮演重要角色的雲端服務，除了對應之稱線上多人連線遊玩、串流應用與線上直播等伺服需求，更重要的是節由持續學習、分析玩家遊玩行為模式，藉此讓遊戲系統所採用的人工智慧技術能有更進一步「成長」，藉此讓遊戲可玩性持續增加，甚至增進與玩家互動同樂效果。
由於當前的人工智慧依然是基於巨量數據分析、持續學習的運作原理，並且藉由硬體加速等方式推動學習效率，進而產生目前越來越多人強調的端點學習運算，以及藉由顯示卡進行的加速學習，但從過去以來持續推動的仍為基於雲端協同運算的分析學習模式，亦即目前微軟、IBM、亞馬遜、阿里巴巴等雲端服務業者持續精進服務，同時也能藉由雲端虛擬化、快速佈署、結合分散式學習的應用模式，讓系統能從更多、更廣泛裝置端取得學習經驗，並且將實際累積的學習成果套用到各地裝置端使用。
舉例來說，若是自動駕駛廠商完成建造一款無人車與運作系統，在初期時候為了確保安全與效益，因此藉由建置虛擬化場景先讓無人車系統進行前期訓練，透過大量模擬訓練累積一定學習成果後，即可讓安全表現相對較高的自動駕駛系統實際上路，並且學習真實路況與不同車輛行進間的應變方式，進而完成一款具有高度自動駕駛能力的車輛。
在日後持續學習部分，則可藉由雲端平台持續蒐集必要數據讓車輛系統學習，並且透過從分散在各地的無人車累積不同學習經驗，進而透過雲端同步、共享方式使所有無人車都能累積相同學習經驗，更可隨時針對路況改變、交通規則改變，甚至其他變因快速調整自動駕駛運作模式。
