本文介绍了 GVGP 领域的通用游戏智能竞赛框架 GVGAI 及其扩展，其中涵盖了使用 VGDL 进行游戏描述的方法，以及它在研究、教育和竞赛方面的应用。同时也提到了未来计划和改进，展望了该框架在未来的潜力。

Feb, 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

本文综述了深度强化学习 (DRL) 的进展，包括基于价值、基于策略和基于模型的算法，并对其在游戏 AI 领域内的应用和挑战进行了讨论和总结。

Dec, 2019

通过应用强化学习于生成型人工智能，我们讨论了现有技术水平、机会以及开放性研究问题。具体而言，我们分析了三种应用情况，包括没有指定目标的生成方法、在最大化目标函数的同时生成输出的方法，以及将难以通过目标函数捕捉到的所需特征嵌入生成过程的方法。这一令人着迷的新兴领域的机会和挑战也在调查中得到了深入讨论。

Jul, 2023

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

本文回顾了近期深度学习在不同类型的游戏中（例如第一人称射击、街机游戏和实时策略游戏）的应用，分析了不同游戏类型对深度学习系统的独特需求，并强调了应用这些机器学习方法到视频游戏领域的重要挑战，例如通用游戏演奏、处理极大的决策空间和稀疏回报等。

Aug, 2017

通过解决大规模模型的局限性以及利用现有技术，本文提出解决方案，进而解决大规模模型固有的缺陷，逐步实现真正的人工智能通用智能。

Aug, 2023

本文介绍了 Griddly—— 一种游戏人工智能研究平台，它不仅提供高度配置的游戏环境和不同的观察者类型，还有高效的 C++ 核心引擎。研究者在该平台上进行的基准实验有助于研究不同观察配置和强化学习智能体的泛化能力。

Nov, 2020

深度生成人工智能是机器学习社区中长期关注的重要话题之一，能够影响文本生成和计算机视觉等多个应用领域。最大似然估计是训练生成模型的主要范式，通过减少模型分布和目标分布之间的差异来捕捉和近似目标数据分布。然而，该目标无法满足用户对生成模型的全部要求。增强学习作为一种竞争性选择，能够通过创建新目标以利用新信号来注入新的训练信号，具有灵活性和强大的能力，能够从多个角度遵循人类的归纳偏好，如对抗学习、手工设计规则和学习奖励模型等。因此，增强学习已成为一个热门的研究领域，在模型设计和应用方面拓展了生成人工智能的界限。虽然最近在不同应用领域存在一些调查报告，但本综述旨在提供一个高级别的综述，涵盖了广泛的应用领域，包括严格的分类和对各种模型和应用的充分覆盖。值得一提的是，本综述还调查了快速发展的大规模语言模型领域。通过展示可能解决当前模型限制并扩展生成人工智能前沿的潜在方向，我们总结了本综述。

Aug, 2023