北京——2024年2月21日 亚马逊云科技宣布，上海沐瞳科技有限公司（以下简称“沐瞳”）应用亚马逊云科技Amazon Bedrock等生成式AI服务，为玩家打造卓越的游戏体验并赋能业务决策。沐瞳旗下游戏产品《Mobile Legends: Bang Bang》（以下简称《MLBB》）基于亚马逊云科技和其合作伙伴在生成式AI领域的创新技术与解决方案，显著提升辱骂识别与舆情分析的响应速度与准确率，辱骂识别准确率达到90%以上，大幅度提升了玩家的游戏体验；舆情分析已支持200k Token（令牌）输入，保障了更精准的输出结果和语义汇总效果，为后续游戏产品优化提供关键信息与决策支撑。

本教程将带你深入了解沐瞳科技如何借助亚马逊云科技生成式AI服务，解决全球多语言环境下的游戏运营难题，并实现玩家体验的质的飞跃。

一、背景与挑战

沐瞳成立于2014年，致力于全球化游戏的开发，已成功推出多款在海外具有高知名度的移动游戏产品，包括《Magic Rush: Heroes》、《Mobile Legends: Adventure》、《MLBB》、 《Watcher of Realms》等。其中，《MLBB》于2016年全球上线，目前游戏月活突破1亿，全球累计下载量超10亿次，是全球最受欢迎的 MOBA（Multi-Player Online Battle Arena，多人在线战斗竞技场游戏） 手游之一。

《Mobile Legends: Bang Bang》

《MLBB》能取得这样的成绩，与沐瞳长期以来注重玩家体验的策略密不可分。在生成式AI技术浪潮下，沐瞳积极探索生成式AI与游戏垂直领域的融合，在与玩家体验息息相关的两个方面——辱骂识别和舆情分析——利用生成式AI，实现玩家体验进一步质的提升。

1. 辱骂识别的传统痛点

• 《MLBB》在全球范围内广受欢迎，沐瞳为游戏配置了针对不同小语种国家的定制化语言包，仅在东南亚地区就涉及十几种不同的小语种语言。
• 传统辱骂识别方式主要通过玩家自主举报，客服人员借助翻译软件来判定，不仅需要大量人工介入，且判断周期长、判断准确率低，整体效果不佳。

2. 舆情分析的传统痛点

• 沐瞳每天会收到一万四千余条来自不同国家、以不同语言撰写的评论，有限的人力无法覆盖如此海量的评论。
• 抽样分析又可能导致以偏概全，难以实现高颗粒度、细分层级的舆情分析。

小提示： 多语言游戏运营中，语言多样性是最大挑战之一。传统人工+翻译工具的方式容易产生误判，且效率极低。

二、解决方案：亚马逊云科技生成式AI服务

沐瞳应用亚马逊云科技Amazon Bedrock及其合作伙伴的Claude系列模型，分别解决了辱骂识别和舆情分析两大难题。

1. 辱骂识别：使用Claude Instant模型实现快速精准翻译与识别

• 沐瞳应用Amazon Bedrock中支持的合作伙伴的Claude Instant 模型进行自动化的机器翻译与识别。
• Claude 基础模型拥有平均1.3秒到1.5秒的快速响应能力，可实现《MLBB》中辱骂识别响应速度显著提升。
• 基于Amazon Bedrock支持的Claude模型可以精准识别多种小语种，能运用系统调优解决翻译精度问题。
• Claude模型拥有二次过滤功能，成功保障《MLBB》辱骂识别准确率达到90%以上。
• 亚马逊云科技还提供了模型的Prompt Engineering（提示工程）优化服务，帮助沐瞳更有效地编写和调整模型的提示语，从而达成更佳的模型性能和输出准确度。

2. 舆情分析：使用Claude2模型实现长文本摘要与精准语义汇总

• 沐瞳应用Amazon Bedrock来调用Claude2模型进行文本摘要，可将每日一万四千余条评论作为token（令牌）输入。
• Claude2提供了长达200k token（约等于15万个单词或500页文本）的上下文窗口，意味着相对于市场上主流大模型100k token，Claude2的信息处理量增加一倍。
• 针对用户平均每天500-600K的评论输入量，Claude2模型可应用较少的文本切片，从而保障更加精准的输出结果与语义汇总效果。

3. 数据检索与辅助分析：Amazon OpenSearch Service

• 沐瞳还应用了亚马逊云科技全托管的OpenSearch日志与搜索服务Amazon OpenSearch Service，轻松完成对PB级日志分析和对文本和非结构化数据的搜索、可视化和分析任务。
• 该服务帮助沐瞳迅速定位关键数据，并提取、应用于Amazon Bedrock平台上，以进行更深一步分析。
• Amazon OpenSearch Service还可快速查询与匹配大规模和多维度的向量数据，同时具备同义词与近义词识别功能，能够很好地辅助Amazon Bedrock做判定，极大地提高了数据检索效率与数据分析的精确度。

小提示： 在设置Prompt Engineering时，建议针对不同小语种预先编写示例提示语，并多次迭代测试，以最大化模型输出准确度。

三、常见问题（FAQ）

Q1：为什么选择Claude模型而非其他大模型？

A： Claude模型具有多项优势：快速响应（平均1.3-1.5秒）、精准识别多种小语种、支持长达200k token的上下文窗口（信息处理量是主流模型的两倍），并且具备二次过滤功能，非常适合游戏场景下的实时辱骂识别和大量评论的舆情分析。

Q2：如何实现200k Token的输入？

A： Claude2模型原生支持200k token的上下文窗口。沐瞳将每日一万四千余条评论直接作为输入，利用Claude2的强大能力一次性处理大量文本，无需频繁切片，从而保证了输出结果的精准性和语义汇总效果。

Q3：Amazon OpenSearch Service在整体方案中扮演什么角色？

A： Amazon OpenSearch Service主要用于数据检索和预处理。它能够快速定位关键数据，提取后交给Amazon Bedrock进行深度分析。同时，其同义词与近义词识别功能可辅助模型判定，提升整体数据分析的精确度。

Q4：如果遇到模型对某些小语种翻译不准确怎么办？

A： 可以通过系统调优（fine-tuning）和优化Prompt Engineering来解决。亚马逊云科技提供了专业的Prompt Engineering优化服务，帮助沐瞳调整提示语，从而提升模型对特定小语种的翻译精度。

四、成果与展望

沐瞳科技智能服务负责人张文文表示：“亚马逊云科技在生成式AI领域拥有全栈式布局与强大技术优势，且具有多年服务游戏行业的丰富实战经验。未来，我们将继续与亚马逊云科技深化合作，探索生成式AI在更多游戏场景下的应用落地，构建进一步提升游戏体验与运营效率的创新解决方案，持续为全球游戏玩家打造更加优质与激动人心的游戏作品。”

通过本教程，你可以看到沐瞳科技如何通过亚马逊云科技生成式AI服务，成功将辱骂识别准确率提升至90%以上，并实现舆情分析支持200k Token输入，显著提高了玩家体验与运营效率。这一案例为其他全球化游戏公司提供了极具参考价值的实践路径。