基础模型时代下的游戏人工智能

arXiv 2026 34.3 method

TLDR

本综述将基础模型与学习世界模型在游戏领域的研究组织为六个角色，考察跨角色迁移、证据与联系。

评分理由

The paper provides a useful cross-role synthesis of AI for games, linking world models, learned environments, and game design workflows. However, as a literature review, it does not present new real-world experiments or benchmarks, and the abstract leaves empirical evidence and limitations underspecified.

Read-first 评分解释

综合优先阅读分 34.3，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 30。

近期性 5%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

方法质量 15%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：评估、结果、验证

主题相关性 25%

42.9

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 15%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：工件

图谱声望 15%

5.7

基于可用 OpenAlex 引用关系构建局部引用图，并计算 PageRank 风格的图谱声望。局部 PageRank：0.0016

引用影响力 15%

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。引用数：0

引用速度 10%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：439。

关键词评分

world model

world dynamics prediction

model-based reinforcement learning world model

world simulator

generative world model

interactive world model

video world model

深度分析

创新点

提出了游戏全生命周期中AI使用的六角色分类法：游玩与行动；对玩家和游戏进行建模；设计游戏；构建和维护游戏；在运行时生成与调整；测试和评估游戏。
阐明了跨角色迁移路径：轨迹训练世界模型，学习到的环境为智能体提供经验，设计规范驱动可执行实现，游玩或测试反馈指导修订。
将核心挑战界定为在跨角色复用或迁移输出与能力的同时，在游戏特定情境中重新建立有效性证据。

方法

本文是一项结构化文献综述，根据AI输出的直接用途将AI-for-games研究组织为六个角色。对每个角色，它考察游戏或工作流提供什么结构、AI学习或产生什么、哪些能力和制品可迁移，以及哪些证据支持相关主张。它还综合了跨角色联系，并评估了不同场景下的评估成熟度。

关键结果

综述发现跨角色联系确实存在，但许多控制方案、规则、引擎接口、状态表示和玩家情境仍具场景特异性，需要在目标场景中验证。评估在受限游戏玩法和选定的学习环境中最为标准化，而学习世界中的持久状态、重复软件修订、经验证的玩家建模、持续运行时适应以及代表性自动化测试仍不太成熟。

局限性

研究方向在很大程度上各自独立发展，掩盖了哪些能力可跨场景迁移、哪些能力仍与特定游戏、引擎、界面或玩家群体绑定。
控制方案、规则、引擎接口、状态表示和玩家情境往往仍是场景特定的，因此下游主张需要在目标场景中验证。
对于学习世界中的持久状态、重复软件修订、经验证的玩家建模、持续运行时适应以及代表性自动化测试，评估仍不太成熟。

资源

论文