Sensationell! Die 4K-Bildgenerierung schafft es nun in unter 10 Sekunden, für die gesamte Spieleentwicklungsbranche ist der Himmel eingebrochen.

In den letzten Tagen tauchen im Internet ständig verschiedene Demonstrationen der Effekte von KI-Spielen auf. Gerade hat jemand ein Shooting-Demo gezeigt, bei dem man die Szene nur mit den Tasten WASD in Echtzeit generieren kann, schon hat ein Schöpfer einen Cyber-Stadtteil mit voller Reflexion von Neonlichtern bei regnerischem Wetter erstellt – man kann sagen, dass die Menschen nacheinander vor Schreck erstarrt sind.

Wer diese Clips als Außenstehender lange genug sieht, bekommt unweigerlich den falschen Eindruck, dass die Spieleentwicklung bereits so weit fortgeschritten ist, dass man mit ein paar Zeilen Code ein Meisterwerk erzeugen kann.

Wenn man aber tatsächlich in ein Projektteam hineingeht, ist die Situation längst nicht so unkompliziert. Als ich vor einiger Zeit mit mehreren Künstlern und Designern aus der ersten Reihe über ihre tägliche Arbeit sprach, stellte sich heraus, dass das grundlegende Problem, das alle am meisten Kopfzerbrechen bereitet, nach wie vor die oberste Ebene der Konzeptbilder ist.

Gerade ist der Graukasten des Levels fertiggestellt, und man möchte mit KI eine Licht- und Schichtschicht auflegen, um die Atmosphäre zu prüfen. Das Bild sieht gut aus, aber die ursprünglich vorgesehenen Deckungen und Wege wurden ohne Genehmigung verändert.

Endlich hat man ein ansehnliches Konzeptbild ausgewählt, um es an die nachgelagerte Abteilung weiterzugeben – bei Vergrößerung stellt sich heraus, dass alle Materialübergänge verschwommen sind. Wenn man einen bestimmten Bereich nach den Anweisungen des Hauptkünstlers leicht anpasst, bricht die KI gleich die gesamte Gebäudestruktur des Bildes neu auf.

Die Spielpipeline ist eng miteinander verknüpft. Selbst wenn die nachgelagerte Ebene mit zahlreichen 3D- oder Videowerkzeugen ausgestattet ist, stehen statische 2D-Bilder bis heute ganz am Anfang der visuellen Produktion. Wenn hier auch nur eine kleine Abweichung auftritt, müssen für die anschließende Modellierung und Animation viele zusätzliche Arbeitsstunden aufgewendet werden, um die Fehler zu beheben.

Das ist vielleicht auch der Grund, warum die großen Spitzenunternehmen trotz der lauten Rufe nach allmächtigen multimodalen Modellen nach wie vor massiv in die Bildgenerierungssparte investieren.

Erst kürzlich hat MiniMax das Bildgenerierungs- und Bearbeitungsmodell H3-Image offiziell veröffentlicht und gleichzeitig Open-Source gestellt. Es unterstützt die Eingabe mehrerer Referenzbilder und beschleunigt die Generierung von 4K-Hochauflösungsbildern auf einen Zeitraum von etwa zehn Sekunden. Zusammen mit dem ständig weiterentwickelten Google Nano Banana 2.1 und dem ebenfalls gewichtsgeöffneten Qwen-Image-2.1 wollen alle Beteiligten am Tisch offensichtlich das alte Image des „Zufallsspielzeugs“ ablegen.

Gerade als H3-Image Open-Source wurde, haben wir auch eine praktische Prüfung in mehreren gängigen Spielentwicklungsabschnitten durchgeführt, um zu sehen, wie viel Arbeit die heutigen KI-Visualisierungswerkzeuge den Spieleentwicklern abnehmen können und welche neuen Möglichkeiten sie bergen.

Wenn keine einseitigen Stärken mehr vorliegen, öffnet sich auch der ästhetische Sinn der KI

Für eine sehr lange Zeit mussten Spieleentwickler, die KI zur Unterstützung ihrer visuellen Arbeit nutzten, immer das alte Problem der „einseitigen Begabung“ der Modelle ertragen.

Zum Beispiel haben Textmodelle wie Claude eine sehr klare Logik, mit der man Visualisierungskonzepte strukturiert ordnen kann, aber die erzeugten visuellen Effekte sind oft trocken und steif. Etablierte visuelle Modelle wie Midjourney haben eine gute ästhetische Ausrichtung, aber bei strengen strukturellen Logiken oder komplexen textlichen Informationen geraten sie schnell an ihre Grenzen.

Ausgerechnet die Spielgrafik ist am anspruchsvollsten: Sie verlangt sowohl, dass Raum und Teile logisch zusammenpassen, als auch, dass der visuelle Stil stimmt. Aufbauend auf früheren multimodalen Technologien und gezielten Optimierungen ist die offensichtliche Veränderung von H3-Image, dass es sowohl logisches Verständnis als auch visuelle Ästhetik berücksichtigt.

Zuerst zum logischen Verständnis: Die Anforderungen an Konzeptkünstler in echten Projekten bestehen selten nur darin, eine Waffe oder ein Monster zu zeichnen. Meistens sind auch eine Reihe von Zerlegungs- und Erklärungsanforderungen damit verbunden.

Nehmen wir als Beispiel die Zerlegungszeichnung der Waffe „Himmelsbrecher“: H3-Image zeigt in einem einzigen Bild gleichzeitig eine dreidimensionale Explosionsstruktur, eine CAD-Linienzeichnung in Seitenansicht und einen Mündungsquerschnitt. Die Montagebeziehung zwischen Laufspule, Magazin und gepuffertem Schaft wird klar dargestellt, und die chinesischen Bauteilbeschriftungen sind ordentlich angeordnet.

Auch bei den in Krimispielen üblichen Brief-Requisiten im Spiel hält es seine Position bei der Textwiedergabe und der Materialintegration. Auf der linken Seite gibt es keine unleserlichen Zeichen oder Fehler in den langen handgeschriebenen chinesischen Texten, die Tinte breitet sich natürlich entlang der Falten des Pergaments aus; auf der rechten Seite ist ein Schnittbild der Klosteranlage abgebildet, und die kleinen Beschriftungen darin sind auch bei Vergrößerung noch klar lesbar.

Natürlich reicht es im Spielworkflow bei weitem nicht aus, nur die Struktur richtig zeichnen zu können. Was mir noch mehr auffällt, ist, dass die KI in dieser Phase auch eine sichtbare Verbesserung im visuellen ästhetischen Sinn gezeigt hat.

Frühe KI-Bilder sahen oft sofort unecht aus, weil sie zu überladen waren – die Modelle stapften gerne komplizierte Muster und Glanzlichter in alle Ecken. Um zu beurteilen, ob ein Modell Spielbilder versteht, reicht es eigentlich, zu prüfen, ob es mit den beiden Konzepten „Leerraum“ und „visueller Schwerpunkt“ umgehen kann.

Ein ausgereiftes Spielbild muss einerseits Leerraum lassen, Hintergrundrauschen kontrollieren und Platz für Charakter-Silhouetten, Kampfeffekte und UI-Elemente schaffen. Andererseits muss es den visuellen Schwerpunkt erfassen und die Aufmerksamkeit der Spieler in offenen Welten oder Box-Leveln durch spektakuläre Gebäude lenken.

Nach unseren praktischen Tests kann H3-Image diese Nuancen bereits gut beherrschen. Das linke Bild des einsamen Bootes auf dem kalten Fluss behält eine große saubere, nebelverhangene Wasserfläche bei und wirkt zurückhaltend und ätherisch; im rechten Bild werden die Berge auf beiden Seiten abgedunkelt, und durch den Kontrast zwischen Steinbrücke und warm-kaltem Licht wird der Blick natürlich zum Tempel am Ende gelenkt – die Spieler wissen auch ohne Minimap, wohin sie gehen müssen.

Auch bei Versuchen mit alltäglicher Entspanntheit und vielfältigen Stilen verhält sich H3-Image sehr natürlich. Wenn man zum Beispiel eine Open-World-Straßenansicht im Stil von *GTA* generiert, sehen die Zebrastreifen bei Sonnenuntergang, die Passanten mit Einkaufstüten, die die Straße überqueren, und das Wasser auf dem Boden wie ein echter Screenshot aus dem Spiel aus, den ein Spieler zufällig während des Laufens gemacht hat – ohne den künstlichen Werbebild-Effekt von gestellten Aufnahmen.

Beim Wechsel zu Stilen wie Filz-Stop-Motion-Animation, Aquarell oder Papierschnitt sind die Details der Filztextur auf dem kleinen Fuchs und der Knopf-Bäche sehr ansprechend, was für kleine und mittlere Teams geeignet ist, um in der frühen Phase der Projektgenehmigung verschiedene Stile auszuprobieren.

Neue Lösungen für die Umsetzung von Szenen, 3D und CG

Aus Branchenumfragen der diesjährigen GDC und den von großen inländischen Unternehmen veröffentlichten Entwicklungsdaten geht hervor, dass die KI-gestützte 2D-Kunstproduktion in der Branche bereits weit verbreitet ist.

Die Studios haben die Phase des neugierigen Ausprobierens längst hinter sich. Heute rechnen alle mit Arbeitsstunden und interessieren sich mehr dafür, ob neue Werkzeuge reibungslos in die oberen und unteren Prozesse integriert werden können und wie viele Nacharbeiten sie einsparen. Wir haben anhand mehrerer praktischer Tests die tatsächliche Leistung von H3-Image in drei gängigen Abschnitten – Spielszenen, 3D-Assets und CG-Vorvisualisierung – untersucht.

Zuerst geht es um die „räumliche Ordnung“ bei der Szenenerkundung. Bei modernen Levelabläufen wird normalerweise zuerst ein Graukasten erstellt, um Maßstab und Bewegungswege der Deckungen festzulegen. Früher fürchtete man bei der Änderung von Szenenkonzeptbildern mit Generierungsmodellen am meisten, dass sich die ursprünglich entworfene Route bei einem Wechsel von Wetter oder Lichtverhältnissen unkontrolliert verändert.

Wir haben einen gezielten Änderungstest mit einem Basisbild eines Levels bei Tageslicht durchgeführt. Die Anforderung war, das Layout der Container-Deckung auf der linken Seite, der Hauptstraße in der Mitte und des Korridors auf der rechten Seite beizubehalten, das Bild in eine stürmische Nacht umzuwandeln und das Leuchtfeuer auf der Klippe in der Ferne einzuschalten. Gleichzeitig haben wir Seedream 5.5, das auf kontinuierliche Bearbeitung spezialisiert ist, als Vergleich herangezogen.

Obwohl beide Modelle die grundlegende Straßenstruktur beibehalten haben, ist die Verarbeitung der Scheinwerfer auf der Klippe und der Reflexionen des Wassers auf der Straße bei H3-Image klarer, und die Blickführung ist viel besser als bei Seedream 5.5, das nur ein kleines Fenster beleuchtet.

Bei der Vergrößerung lokaler Details zeigt sich der Vorteil des nativen 4K-Formats deutlich: Die Wassertropfen und Rostspuren auf den Blechcontainern in der Nähe sowie die Risse der Felswände in der Ferne sind noch klar erkennbar. Das erleichtert den Künstlern die Zerlegung von Materialreferenzen, und kleine und mittlere Teams können nun auch problemlos kostengünstig „Mehrzustandsänderungen derselben Szene“ ausprobieren.

Weiter unten in der Pipeline gelangt man zum Übergabepunkt der 3D-Assets. Egal wie gut die Dreidimensionalität von 2D-Renderbildern ist, sie unterscheiden sich grundlegend von 3D-Netzen, die direkt in die Engine importiert werden können. Die nachfolgenden Schritte wie Flächenreduzierung, Topologie, UV-Unterteilung und Materialanpassung lassen sich nicht einsparen. Der Wechsel zu einem intelligenteren Bildmodell am Anfang der Pipeline dient hauptsächlich dazu, dass die nachfolgenden Modellierer und Netzwergzeuge wie Hunyuan 3D weniger oft die Struktur erraten müssen.

Der ausländische Schöpfer cyber hat bei der Überarbeitung eines alten Mech-Designs mit H3-Image Linienzeichnungen von vier Ansichten (Vorder-, Seiten-, Rückansicht und isometrische Ansicht) erstellt und daraufhin ein Renderbild des Mechs bei Regen generiert. Die Verbindung der Panzerung und die Textur der Wassertropfen auf der Oberfläche sind sehr ordentlich, und die Geschwindigkeit der 4K-Bildgenerierung hat ihn zufriedengestellt.