Früher habe ich über GameFi geschrieben, und meine größte Angst war nicht, dass „das Gameplay nicht neu genug ist“, sondern dass „in dem Moment, in dem die Belohnungen ausgegeben werden, bereits der Countdown bis zum Crash läuft“. Sobald Belohnungen zu einer undifferenzierten Geldverteilung werden, werden Bots und Studios schneller und aggressiver als echte Spieler. Am Ende sind es nicht die Spieler, die gehen, sondern die Wirtschaft, die zuerst stirbt. Der Punkt, den ich bei PIXELS immer wieder im Auge behalte, ist, dass es die Ausgabe von Belohnungen von einem operativen Bauchgefühl in ein messbares, iterierbares und blutstillendes System verwandelt hat. Und was die sogenannten AI-Ökonomen betrifft, liegt der Kernwert nicht in „AI“, sondern in den drei Worten „Ökonom“. Sie müssen für Retention, Churn, LTV und Zahlungsumwandlung verantwortlich sein, in der Lage sein zu erklären, „warum so ausgegeben wird“, und auch datenbasiert zuzugeben, „wenn etwas falsch war, sofort zu korrigieren“.
最近行业的热门话题其实很现实：链游不缺叙事，缺的是能穿过“刷子周期”的留存曲线。AI 代理、脚本化、批量农场在 2026 这个阶段已经不是边缘问题，是默认背景噪声。你如果还用“签到+任务+积分”那套模板，数据会看起来很热闹，但那热闹大概率不是人。PIXELS 把 AI 经济学家放在一个更尴尬也更关键的位置：它不是用来写宣传语的，它是用来在“奖励预算”与“真实玩家增长”之间做取舍的，做不好就直接反映在经济指标上，做得好才可能把买量预算的一部分，转移成“奖励驱动的可量化 ROI”。
我更愿意从一个很具体的流程讲起：你要让 AI 经济学家真正工作，第一步不是建模型，而是把游戏里每一次行为变成可用的信号。比如你要定义“新手第二天流失”的真实含义，到底是登录了没完成种植？还是完成了基础循环但没进入社交/工会？还是进了副本但失败两次就走？这些不是一句“留存下降”能解释的，必须拆成事件链。PIXELS 这种项目如果做得认真，数据层会非常“脏也非常真实”：采集、清洗、去重、归因、反作弊标记、设备指纹与链上地址的弱关联、同 IP/同设备的聚类，全都要做。因为只要你不先把“可能不是人”的样本识别出来，你的 AI 经济学家就会学会讨好机器人，最后把奖励策略优化到“最利于刷子”的方向——这比不做 AI 还糟糕。
所以我判断 PIXELS 的 AI 经济学家，不是一个单点模型，而是一整套“从洞察到动作”的闭环：先做 cohort（分群），再做因果/实验，再把结论回写成可执行的奖励投放策略。分群不是按“新老用户”那么粗暴，而是按行为路径分：快速进入核心循环的、沉迷社交交易的、只做任务不参与经济的、短线冲活动的、被引导到副本但卡关的。你会发现同样是“第 7 天游玩”，这些人对奖励的敏感度完全不同。对一个偏社交的玩家，提高“交易手续费减免”或“社交事件奖励”可能更有效；对卡关玩家，你给金币不如给一次“失败保护+道具试用”；对纯任务玩家，你硬推副本反而会加速流失。AI 经济学家如果能把这些差异量化出来，它就不是“推荐系统”，它是在做经济调参。
讲到这里，很多人会问：这不就是传统手游的 LiveOps 吗？为什么要特别强调 PIXELS？我觉得区别在两个地方。第一，链游的奖励天然带价值属性，任何投放都更像“发现金券”，被薅羊毛的速度远高于传统游戏；第二，链游的外部市场让玩家行为更容易被价格信号影响，玩家会在活动强度变化时出现明显的“迁徙”。所以 AI 经济学家要做的不是让 DAU 变好看，而是让“奖励效率”变可控：同样的奖励预算，究竟买回来了多少真实留存、多少付费回流、多少社交扩散、多少经济活动；以及最关键的，买回来的里面有多少是刷子。这个问题如果不回答清楚，任何“增长”都像在沙地上盖楼。
我自己最关注的一个指标叫“奖励后的次日行为质量”。很多项目只看“领了奖励的人次”，PIXELS 如果做得够硬核，会更像看“领了奖励后的 24 小时内，玩家是否回到核心循环并产生可持续行为”。举个特别具体的例子：同样发给玩家 100 单位奖励，你可以看到两类完全不同的后果。一类玩家领完去做交易、去升级、去参与活动，并在 24 小时内产生多次有效行为，这种奖励更像“点火”；另一类玩家领完就走，或者领完只做最短路径的任务，行为链很短，这种奖励更像“给了路费”。AI 经济学家如果能把两者区分开来，就能做出非常现实的策略：把奖励从“人头补贴”变成“行为补贴”，甚至更进一步，变成“关键节点补贴”。你卡在新手第 3 步就走，那我把奖励放在第 2 步到第 4 步之间的过渡处；你总在副本失败后离开，那我把奖励绑定在“失败后再尝试一次并完成”这个事件上；你只在活动期开刷，那我把奖励做成跨周期的阶梯式回归激励。这样做的结果是，奖励不再是“谁都能拿到”，而是“拿到的人更像真实玩家”。
这里就会牵扯到另一个热门但大家不爱聊的点：反作弊不是一个独立模块，它必须和经济学家共用语言。因为反作弊如果只做“封号”，其实只是在事后止损；真正厉害的是在投放之前就把“可疑样本”降权，让奖励策略天然排斥刷子。AI 经济学家可以把反作弊信号当成特征：异常路径长度、极低的交互延迟、同模式重复、同地址簇的同步行为、活动窗口内的极端集中度、资产流转的可疑图谱。然后在投放策略里把“奖励的边际收益”对可疑样本压到最低。你会发现这比封号更有效，因为对刷子来说，最痛的是 ROI 被打穿，而不是账号被封一个再开一个。
如果把视角再拉高一点，我会把 PIXELS 的 AI 经济学家理解成“奖励版的买量归因系统”。传统手游买量讲究 CAC、LTV、回本周期；PIXELS 的奖励投放如果做成工程系统，本质上也在做同一件事：你把一部分预算从外部广告搬到内部奖励，但你依然要计算回收。只不过这里的“回收”不是直接现金流，而是留存提升带来的长期收入、经济活跃带来的手续费/道具消耗、社交裂变带来的自然新增。AI 经济学家如果真的成熟，会输出非常朴素但很有杀伤力的结论：某一类奖励投放在某一类人群上，提升 7 日留存多少，带动 30 日付费概率多少，带来交易次数多少，净增经济消耗多少。反过来，它也能指出“哪些奖励是赔本买卖”，比如看起来 DAU 涨了，但全是低质量回流；看起来交易量上去了，但全是同簇地址对刷；看起来活跃高了，但消费没有跟上。这种结论一旦能稳定产出，PIXELS 的 LiveOps 就不再靠运营拍脑袋，而是靠“预算效率”说话。
你可能注意到我一直在说“闭环”。闭环里最关键的一环其实是实验。没有实验，AI 经济学家就只能做相关性，最后很容易自嗨。PIXELS 这种项目最值得做的实验类型，我脑子里大概有三类：第一类是 A/B 的奖励绑定事件实验，同样的奖励量，绑在不同的行为节点上，看哪种带来更长的行为链；第二类是分群的个性化投放实验，对不同 cohort 采用不同策略，看是否能用更少的预算换来更高的留存；第三类是动态调参实验，比如用多臂老虎机（bandit）在活动期间实时调整奖励权重，让系统把更多预算自动倾向于“边际收益更高”的策略。这些听起来很工程，但它的意义很“人话”：你终于能用数据回答“这次活动到底值不值”“奖励到底有没有被刷子吃掉”。
说到这里，我顺带提一下公开材料里经常被提到的一些“硬锚点”。我看到过的对外口径大概是：累计奖励发放规模到了“亿级”量级，收入披露也在“数千万美元”量级，玩家量级是“百万级”这种说法（不同渠道数字会有差异，我更在意的是量级而不是小数点）。这些锚点如果属实，它至少说明一件事：系统经历过生产环境的压力，不是 PPT 上的概念。因为你只有在真的跑到这个规模时，才会被迫把反作弊、归因、预算效率这些“枯燥东西”做扎实。很多项目讲 AI 讲得天花乱坠，但一上规模就露馅，原因很简单：数据噪声太大、刷子太多、系统太脆。PIXELS 这条线让我更愿意相信它在“脏活”上投入过。
那这套 AI 经济学家和 PIXEL 有什么关系？我会很克制地说：如果 PIXEL 只是一个单游戏代币，那它能做的事有限；但如果它被设计成跨玩法、跨活动、甚至跨更多合作内容的“奖励层燃料/忠诚度货币”，那么 AI 经济学家就会直接影响 PIXEL 的使用方式和消耗结构。注意我这里不谈价格，我谈的是结构：奖励怎么发、发给谁、绑定什么行为、回收机制怎么设计，这些都会改变代币在生态里的“流动路径”。如果 AI 经济学家把奖励从“短线补贴”变成“长期行为激励”，那代币的角色就会从单次奖励变成一套更像“会员体系”的积分燃料。反之，如果策略失败，代币就会被刷子当成提款机，生态会被迫回到“补贴—抛压—再补贴”的死循环。所以我看 PIXEL，不是看 K 线，而是看“奖励闭环有没有越来越像传统手游的精细化运营”，以及“反作弊与投放是否真正同频”。
最后我给自己留一个很现实的判断标准，也算是我后面观察 PIXELS 的三条“保命指标”，不喊单，只说我会盯什么。第一，我会盯活动策略是否越来越“绑定关键行为节点”，而不是简单堆任务；第二，我会盯社区和链上是否出现“某类地址/某类行为模式被系统明显降权”的迹象，说明反作弊信号确实进入了投放逻辑；第三，我会盯他们是否持续产出可验证的运营实验结果，比如留存提升、活动回本、奖励效率的量级改善——哪怕是间接披露，只要能看出迭代方向。因为只有这些东西能证明：AI 经济学家不是装饰，而是 PIXELS 这台奖励引擎的方向盘。
