这篇论文介绍了如何将通用游戏人工智能（GVGAI）与 OpenAI Gym 环境相结合，用于测试并比较几种深度强化学习算法在各种 GVGAI 游戏上的表现，为评估游戏的相对难度提供了第一手数据。

Jun, 2018

我们介绍了 GVGAI 竞赛的新领域 ——General Video Game Rule Generation 问题，该问题的解决方案是使用基于 GVGAI 软件的软件框架，给定一个游戏关卡，生成符合该关卡的游戏规则，我们描述了 API 和三种不同的规则生成器：随机生成器、构造性生成器和基于搜索的生成器，并且初步结果表明，构造性生成器生成有趣的游戏规则，但表达范围有限，而基于搜索的生成器可以生成多样化的游戏规则，但质量参差不齐。

Jun, 2019

使用生成式人工智能（GAI）来提高深度强化学习（DRL）算法的性能，解决样本效率低和泛化能力差的问题，通过介绍经典的 GAI 和 DRL 算法及其应用，并展示了 GAI 增强 DRL 算法的实际集成框架，提供了一个基于无人机辅助的近场 / 远场通信的案例研究来验证框架性能，并介绍了几个未来的研究方向。

May, 2024

本研究使用 VGDL 设计了一系列谎言游戏，研究了它们如何利用认知偏见欺骗 AI 代理，发现所有被测试的代理都容易受到几种欺骗，并表示我们可以使用这些游戏来评估 AI 算法的能力和评估游戏的谎言行为。

Jan, 2018

介绍了一种技术，可以从 General Game Playing 生成规则，建立 Inductive General Game Playing 难以被现有的归纳逻辑规划方法处理，并给出了 IGGP 数据集和实验结果。

Jun, 2019

讨论将八个增强技术应用于 GVGP 领域的 MCTS，其中包括渐进式历史、N-Gram 选择技术、树重用、广度优先树初始化、避免损失、基于新颖性的修剪、基于知识的评估和确定性游戏检测，这些增强技术的应用统计上显著提高了胜率，将平均胜率从 31.0% 提高到 48.4%，接近 2015 年 GVG-AI 竞赛中最优秀的代理程序的水平。

Jul, 2024

通过遗传编程框架，结合人类控制器的输入数据，创造出有意义的人工玩家，解决现有游戏人物设计中手动编写脚本和规则的瓶颈问题，并提供洞察玩家在游戏中的表现以及相应的模型。

Mar, 2018

作者讨论了如何测试普遍人工智能的智能程度，并提出了用游戏描述语言中游戏空间的抽样来扩展通用智能的概念以处理有限时间的中心思想。

Sep, 2011

通过结合经典人工智能技术 —— 专家系统与现代适应性梯度下降训练的专家系统（GDTES），利用生成式人工智能（GAI）创建网络和训练数据集的机制，本研究提出了一种人工智能的学习和发展推理路径以在先验未知领域做决策的方法，并展示了朝着产生人工通用智能（AGI）的目标迈出的小步骤。

Jun, 2024

该论文介绍了 Arcade Learning Environment（ALE），这是一个既是挑战问题又是平台和方法论，用于评估通用、域无关的人工智能技术的发展。ALE 提供了与数百种 Atari 2600 游戏环境的接口，每个环境都不同、有趣且旨在挑战人类玩家。ALE 为强化学习、模型学习、基于模型的规划、仿真学习、迁移学习和内在动机提供了重大的研究挑战，并提供了一个严格的测试平台，用于评估和比较这些问题的方法。

Jul, 2012