手游开发者们,佛系青蛙会死吗?

点击上方“CSDN”,选择“置顶公众号”

关键时刻,第一时间送达!

近段时间,朋友圈打招呼的方式,不是“你养蛙了吗?”,就是“你的蛙儿子去哪儿了?”有时,顺便配上一张蛙儿子最近进“寄”回来的明信片,这种方式妥妥满足了一个又一个母性爆发的少女少妇。

不过,就在这场“养蛙”的集体喧闹中,作为一个自己都三餐不饱的媒体工作者,我已经管不了我的“蛙儿子”去哪儿了,因为,我不仅要“养”它,还要“种树”、“喂鸡”、“跳一跳”,顺便“撩男人”,然后带他一起“竞答”赚钱……这些虚拟的小游戏,几乎占用了我所有的碎片化时间,让我应接不暇。尽管有言“时间像海绵里的水,挤一挤总是有的”,但对于我而言,“养蛙”并非是我的头等大事,起码是长远来看不是。

但是,我们不禁很好奇,为什么连中文都没有的「旅かえる」在国内会如此火爆?国内游戏开发者们又是如何看待这一现象的?为此,CSDN 特别邀请了在游戏领域浸淫多年的两位专家 —— 白鹭引擎CEO陈书艺、游戏邦创始人郑金条进行了分析与解答。

为什么连文字都不认识,却能玩得这么火?

“用户更加渴望碎片化和社交化”

陈书艺谈到:“重度游戏和占用用户大量时间的游戏已经疲软了,而手游与PC端游不同,用户更加渴望碎片化和社交化,由于容易被打断,所以玩家更追求‘好玩’和‘社交’的本质。”

而“这种放置类的养成游戏”,有趣之处在于你没办法控制你养的宠物,甚至不能与它对话,看似佛系和随意的游戏,成长路线是伴随用户的投入。本质上,还是因为感情的投入和宣泄,加上与主流游戏的反差,借助话题性的自然传播,成为登顶游戏。

来自随机调研的一位玩家同时也评价道:“像PRG、ORPG这样的重度游戏,有故事、有剧情、有内容;而目前玩的游戏,充其量算是一种休闲娱乐了。如果做选择,他肯定选择重度游戏。”但现实情况是,时间已经被无限分散了,“根本没有大量时间消耗在这类游戏上”。

“趋势和新需求,没有规律可以预判”

从去年二次元游戏的火热,到Taptap的爆发,再到王者荣耀和吃鸡的火热,以及微信跳一跳的全民参与,再到最近风靡一时的恋与制作人和旅行青蛙,郑金条认为,“趋势和新需求,这种只有试错且试对了的产品才知道,这是没有规律可以预判的。

“简单来讲,吃鸡的逻辑在于:从头到尾的高频紧张感;跳一跳只是普通的时机判断游戏,功劳在微信强推;恋与制作人和旅行青蛙则更偏向短暂用户积压情绪的释放,体验和流行周期会短很多。”

由此也可印证,在手游市场,玩家的喜好变化是难以预见的。像旅行青蛙这种近乎于佛性的游戏设定,将原本游戏中复杂的操作、策略、等级提升途径全部简化为一个只需点击手机屏幕的操作,在他人看来,“这简直就是开发团队在玩家卸载的边缘疯狂试探”。

用户养的不是“蛙”,更不是寂寞

自媒体“青阅读”评论,“社会中一个个孤独的年轻个体从这些虚无的游戏中试图寻找到一点群体的参与感……欲望越来越多,只是因为求而不得,又不愿意努力,所以只好躺下当咸鱼,跟这只无聊的青蛙做个伴了。”

其实,抱着丰富社交圈子的功利心态的玩家自然蜂拥而上,但还有一类人群,他们在下载这款App时,就已经迈出了艰难的一步,而此时无论真实世界的谈资是否还是“青蛙”,他们都会义无反顾静静地看着“蛙儿子”看书、睡觉、吃饭,及时收割三叶草,准备好出游的干粮。

这不是因为“蛙”填充了自己的寂寞时光,而是,有蛙的地方,才是他们心灵的远方。即使佛系青蛙死了,这部分用户恰恰仍会成为蛙系列的忠实粉丝。

————— 推荐阅读 —————

点击图片即可阅读

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值