历数国内外知名制作人~~制作人发展趋势

我们来看一下,这像不像影视业的各家公司旗下的大牌导演名单。。。有的是纯开发,有的是开发运营一体化。出身也各有不同,有出身好的精锐,也有草根一步步做出来的精锐。有策划出身,有美术,有程序,有管理,有运营。总之,无其不有。制作人的成长方式是多种多样,有的甚至和这些都没有任何的关系,制作人的成长没有固定的套路。目前国内制作人的基本门槛在从业5年以上,要求高的公司甚至要求8年以上。强调执行力,百折不挠的毅力。

 

 


下面文章作者认为,游戏业最终会采用影视业制作人方式,影视公司押宝制作人。制作人自己组建团队,选择演员,剧本等。策划如同编剧,类似核心的主策划等等。是一整套的创作和经营班子的体系运作,如同当前腾讯四处搜罗优秀音乐制作人一样,游戏的表现力特别依靠特效和声效2部分。决胜公司未来抢占制高点的核心就在于“制作人”,类似好莱坞拥有众多大牌导演。因此,盛大针对腾讯挖角计划,目标选在其拥有的制作人,有心的同学可查询盛大和腾讯网络上发表的自家观点。
游戏人为什么会像电影制作人方向发展?

 

 


【盛大派】
1、盛大游戏首席制作人                  张向东(原产品管理中心总监,陈天桥创业团队核心骨干。产品出身。)
2、盛大游戏《永恒之塔》制作人          李瑜(原微软XBOX那快的精英,跟正苗红、真正的全球化精锐。管理出身。)
3、盛大集团《星辰变》制作人            谭群钊(盛大集团总裁亲自出马带的项目。技术出身。)
4、盛大游戏《蜀山Online》制作人        陈光(盛大游戏副总裁,兼Dragon Nest》《MFO》制作人。市场运营出身。)
5、盛大游戏《功夫世界》制作人          吴裔敏(腾讯穿越火线负责人,现盛大游戏系统总经理,兼《英雄连》《吞食天地2》制作人。产品出身)
6、盛大游戏《巨星》制作人              赵雨润(原九城公关总监、运营出身。)

 

 

【腾讯派】
腾讯互娱《QQ西游》制作人               林永青(原《石器时代》运营商华义集团公司总经理、运营管理出身。)
腾讯互娱《QQ仙侠传》制作人             刘子健(腾讯互娱旗下最大的工作室——量子工作室汇集前QQ、QQ游戏、QQ堂、QQ宠物等项目的顶尖专家级策划、美术、研发与引擎团队。产品出身。)
腾讯互娱研发制作人                     曾宇(现任互动娱乐研发中心总经理、亲手缔造QQGame游戏平台。技术出身。)
腾讯互娱执行制作人                     Steve Gray(首席技术主任、音乐家、作家、游戏设计师、开发著名的《魔戒》系列游戏作品而被外界所知。技术出身)
腾讯互娱《轩辕传奇》制作人             孙宏宇(北极光工作室总经理兼轩辕制作人,管理出身。)

 


【巨人派】
1、巨人网络《征途》事业部            纪学峰(原征途数值总监,后替换丁国强,负责征途事业部。数值策划出身。)
2、巨人网络《巨人》事业部            丁国强(原盛大英雄年代主策划,史玉柱挖去成为征途项目主策,策划出身。)
3、巨人网络《万王之王》事业部        张志宏(原华彩系,游戏行业骨灰级人物。运营出身。)

 

 


【网易派】
1、网易《大话西游》原制作人          梁宇翀(现西式回合制梦幻2.5游戏《勇者传说》项目制作人、策划出身。)
2、网易《梦幻西游》                  徐波(高中毕业。原梦幻主策划,现任多益网络总经理。GM出身后转策划。)

 

 


【其他派】
1、蓝港在线《西游记》制作人          张玉宇(CTO担任制作人、技术出身)
2、金山游戏《剑侠情缘2》             王炜(金山元老级人物,西山居剑侠系列游戏制作人兼技术总监。创办游戏巅峰公司,研发制作《仙侣奇缘》系列网络游戏。08年加盟对于蓝港在线、技术兼管理出身。)
3、原《仙剑3》主策划                 王世颖(前导策划,后加入北软、现为腾武副总。策划出身。)
4、完美时空                          李青(清华大学工程物理系、首席设计官、集团VP、创业团队核心之一。美术偏重。)
5、火石软件《游戏人生》制作人        吴锡桑(火石软件CEO、《水浒Q传》制作人、技术出身。)
6、上海九维《武林英雄》制作人        宋辰(前九维总裁,缔造网页游戏《武林三国》《武林英雄》,网页游戏领域金手指。市场运营管理出身,)

 


【欧美阵营】
暴雪《魔兽世界》、《网络创世纪》制作人      Richard Garriott
EA《模拟人生》制作人                           威尔怀特  

  

 

【日本阵营】                             
任天堂《超级马里奥》制作人                    宫本茂               任天堂公司台柱   
CAPCOM制作人                                  小林裕幸 
世嘉《莎木》制作人                            铃木裕
KONAMI《合金装备》制作人                      小岛秀夫
《GT》制作人                                  山内一典
《鬼泣》、《生化危机》制作人                  三上真司

 


【韩国阵营】
前NCsoft公司《天堂》制作人                        宋在京
NCsoft公司《RO》《卓越之剑》制作人                金学圭
NCsoft公司《激战》制作人                          Mike和Jeff
WEMADE公司《传奇》《传奇3》制作人                 朴瓘镐      
T3公司公司《劲舞团》制作人                        Yoo-Ra Kim
Neople公司《DNF》制作人                           金允鍾
NEXON公司《跑跑卡丁车》制作人                     郑本
前Webzen公司《奇迹》制作人                        Cho Ki Yong

  

 

 
【成为优秀游戏制作人的几个特点】
1、成功的年龄都不低,大多在28-30岁开始发力,30岁以上的比例很高。
2、社会阅历丰富,几经起伏,人生历经过坎坷,或经历过社会最底层、徐波客服出身,朱元璋还和尚出身!
3、性格分化明显,张扬派和温和派对立,但大多都是完美主义者、有很强的个性。
4、大多经历过1-2个完整的项目以上,而且最好有项目失败的经历。
5、性格共同点:极有韧性!打不死,炸不烂。任何挫折和困难,或人生低谷都压不倒,越压越强。
6、对自己有比较清晰的了解,知道自己的个性特征,自己的专长,自己的弱点。
7、找出与目标的差距,保持巩固自身的优势,补充弥补自身的弱点。
8、在向目标进发的过程中,不断地分析调整,无论遇到怎样的挫折都能保持自信,坚定理想,相信这样就能最终达到自己的目标。

 


    现在国内的程序出身的游戏制作人,大多都是纯技术出身,缺少多方面的锻炼和成长机会,没有经历过产品在市场上检验和竞争的残酷碰撞,思维相对稳健保守。如果仅从职业上讲,程序的思维一般被认为比较严密,逻辑性比较强,但缺点也是这个,有些程序员在考虑许多问题的时候,跳不出思维的框架,比如喜欢一开始就从能否实现来考虑等。从侧面造成了国内的游戏开发,以相互抄袭居多。作为游戏制作人不一定非要像诸葛亮那样上知天文,下知地理,但博学总是有好处的,特别是要多学习游戏相关的知识,例如游戏设计、市场营销、技术情报、沟通决策、美术、音乐、程序、编剧、管理流程、宣传等。

 


    三国的吕蒙原本是一个粗人,苦读了几年书,成了一个文武兼备的大将。游戏人时刻记得为自己充电,只有博学,才能多才,多读书无疑是让自己博学最好的方式。做游戏是一件很辛苦的事情。想要做好游戏,必须勤奋,必须习惯每天10小时以上的工作,甚至每周6天上班。这是游戏本身的性质所决定了的。成功的秘诀往往是百分之一的灵感,加上百分之九十九的努力。大部分的顶尖游戏制作人,大多都建议我们要做连自己都想玩的游戏,只有让自己先感动,自己先想玩,也才能让更多的人感动和喜欢。因此,游戏的趣味性是最重要的,如果自己都无法从游戏中找到乐趣,那么别人也不会。

 

 
    当然,这个观点有一些争议,有人说游戏是商业化的产品,所以必须优先考虑市场因素,不能只做自己想玩的游戏。这话同样也非常正确,我们再回来仔细分析“要做自己都想玩的游戏”这句话中的“都”字,领悟到了什么含义呢?就是说,我们想做的游戏,和市场的商业需要,最好是一致的,目标是交集的,这样才比较容易成功。

转载于:https://www.cnblogs.com/sunwei2012/archive/2010/07/12/1776090.html

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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。
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。
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。
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 、资源5来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 、资源5来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。、 5资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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