通过一个 Minecraft 的迷你游戏，本文研究人员分析了使用生成型人工智能模型与人类玩家协同合作达成游戏目标的模式和行为，并指出了语言模型在游戏开发中的限制。

Jul, 2024

通过非参数双样本假设检验，我们成功地与匿名人类判断人类行为的结果达成一致，并证明其可以作为相似性的统计量。

Mar, 2022

该研究通过对 AAA 工作室、独立工作室和工业研究实验室的 17 位游戏代理创作者的访谈，揭示了游戏代理制作面临的设计、实现和评估等几个方面的挑战。并与学术研究相比较，指出未来研究中支持游戏产业代理创作的方向。

Sep, 2020

使用大型语言模型与知识图谱相结合，通过与非玩家角色的互动交流获取关键信息，以加快强化学习代理的训练。

Jul, 2023

本研究介绍了如何使用强化学习模型和 Q 学习算法创建能够学会玩井字游戏、九人跳和玛卡拉棋的人工智能代理，同时还提出了一种制作较弱 AI 代理的方法，并提供了一种比较 AI 代理的方法。

Sep, 2022

多人游戏的独特挑战在于均衡策略的非唯一性和代理人执行高度次优策略的风险。本文首次解决了多人对称标准形式游戏中的这些挑战，给出了 AI 代理人应该找到的正确解决方案以及能够证明解决该类游戏的通用算法框架。我们还证明了许多先前实用系统中开发的元算法甚至无法实现基本目标，即获得代理人的总奖励的平等份额。

Jun, 2024

本研究将利用机器学习方法对 Resistance: Avalon 这个社交推理游戏中的暗杀阶段进行分类，最终目标是打造一款能够模拟所有角色并适应所有游戏阶段的智能 Avalon 玩家。

Sep, 2022

本文提出了一种使用自动代理进行游戏测试的方法，该方法可以以分钟级的速度完成测试者需要数天才能完成的有机游戏。该测试方法的应用在《模拟人生移动版》中取得了积极的效果，对游戏的平衡性，奖励设置以及选项效果进行了评估和优化，从而提升了玩家体验。

Nov, 2018

评估人工智能与人类在复杂多智体游戏中的一致性，提出了一种使用可解释的任务集框架评估的方法，重点关注高级行为任务而非低级策略。通过分析人类游戏数据和训练 AI 代理，将人类和 AI 游戏对比，发现人类和 AI 之间存在显著差异，强调在多人游戏中应对人工智能的评估、设计和整合进行清晰解释。

Feb, 2024

本研究提出了一个新颖的两层优化过程来训练共有多个独立的强化学习智能体，这些智能体仅使用 Q3A 视频游戏的像素和游戏得分作为输入，即使在富有挑战性的多智能体环境中互相协作和竞争，这些智能体也能够达到类人水平，并展现出人类般的行为表现。

Jul, 2018