启用新一代 ID 为所有 Google 帐号提供更好的 Google Play 游戏服务支持

Google Play 游戏服务 (PGS) 即将推出新一代玩家 ID,进一步加强用户的隐私保护并提升多平台游戏体验。

作者 / Google Play 软件工程师 Laura Nechita 和产品专家 Victor Chen

为进一步加强对用户隐私的保护并提升多平台游戏体验,Google Play 游戏服务 (PGS) 即将推出 新一代玩家 ID。在此之后,每当用户首次登陆一款游戏时,系统都会为他们分配唯一的新一代玩家 ID。无论用户在哪种设备或平台登陆一款游戏,此 ID 将始终保持一致,但在各游戏间并不相同。

已经使用 PGS 登录游戏的现有用户或帐号不会受此变更影响,他们将保留当前的 PGS 玩家 ID,我们也将推出可以跨游戏识别用户的 开发者玩家密钥,以便让拥有多款游戏的开发者为用户提供跨游戏的体验。您可以访问 官方网站,了解详情。

有了新一代 ID,所有帐号都将获得更出色的 Google Play 游戏服务支持 (包括 受家长监督 的帐号)。

以下是发布时间安排:

2023 年

2 月 16 日

  • 您可以使用 PGS 测试帐号 开始测试新一代 ID
  • 您可以在完成测试后发布此功能
2023 年

4 月 15 日

  • 新创建的游戏项目可在草稿模式下启用新一代 ID
  • 您可以在 Google Play 管理中心的游戏属性页面停用新一代 ID
2024 年

2 月

  • 新一代 ID 将在所有游戏项目中投入使用 (包括现有游戏项目)
  • 如果在此期间发现任何问题,您将有一个月的时间停用新一代 ID 并修复该问题
2024 年

3 月

  • 所有游戏项目必须采用新一代 ID,并且无法停用

对您的游戏有何影响

  • 新一代 ID 仅分配给首次在游戏中登录 PGS 的用户。
  • 在游戏中已登录 PGS 的用户不受影响。
  • 我们即将推出全新 开发者玩家密钥,让您可以为用户提供跨游戏的体验。

欢迎您持续关注我们,及时了解更多开发技术和产品更新等资讯动态。

谷饭原创编/译文章,作者:脉脉不得语,转载请注明出处来自谷饭,并加入本文链接: https://www.goofan.com/2023/03/enable-next-generation-ids-for-better-play-games-services-support-for-all-google-accounts/

(0)
脉脉不得语脉脉不得语谷饭作者
上一篇 2023年 3月 11日 下午2:17
下一篇 2023年 3月 15日 下午1:55

相关推荐

  • Compose Material 3 稳定版现已发布

    为您介绍 Compose Material Design 3 稳定版,帮助开发者打造精美应用,优化用户体验。

    2022年 11月 22日
  • Google Play 商店更新 | 帮助用户轻松找到适合的应用

    Google Play 商店最新调整,为您提供更多新机会,展示多设备应用体验,提高用户参与度。

    2022年 11月 7日
  • 丰富多彩 | Android 14 Beta 2 发布

    Android Beta 2 聚焦相机和媒体、隐私和安全、系统界面以及开发者生产力方面的改进,大家还可以在合作伙伴的设备上体验 Android 14,是时候开始让应用做好准备了!

    2023年 5月 18日
  • Android 中的无障碍功能

    无障碍功能的宗旨是打造方便所有人使用的服务,本视频为您展示用户可能会如何修改默认配置,及修改的原因,帮助您了解\x26amp;nbsp;Android\x26amp;nbsp;设备上的无障碍功能。\x0a\x0a即刻了解\x26amp;nbsp;Android\x26amp;nbsp;无障碍功能\x26amp;nbsp;→\x26amp;nbsp;https://developer.android.google.cn/studio/intro/accessibility\x0a构建无障碍功能更出色的应用\x26amp;nbsp;→\x26amp;nbsp;https://developer.android.google.cn/guide/topics/ui/accessibility

    2022年 11月 23日
  • 使用离线强化学习对通用 Agent 进行预训练

    本文是来自 Google AI Lab 实验室的一篇文章,介绍了一种使用离线强化学习进行通用Agent预训练的方法,名为Scaled Q-Learning。这种方法使用CQL算法扩展了离线RL,并展示了如何实现高效的多任务训练。结果表明,在各种Atari游戏中,Scaled Q-Learning的性能优于其他方法,包括基于行为克隆和基于视觉表示学习的方法。此外,Scaled Q-Learning具有扩展能力,并且利用大型模型的能力更好。这项工作推动了RL智能体的实际应用,也许从长远来看,类似的工作将会导致通用的预训练RL智能体,发展出广泛适用的探索和交互技能。全文翻译如下。

    2023年 2月 25日
wechat
关注微信公众号