该研究使用 Instruction-Driven Game Engine (IDGE) 项目来实现游戏开发的民主化，通过一个大型语言模型（LLM）遵循自由形式的游戏规则并自主生成游戏过程。通过发出简单的自然语言指令创建游戏，该项目大大降低了游戏开发的门槛。研究旨在以下一个状态预测的任务方式来训练 IDGE，通过自动预测玩家操作后的游戏状态。初步进展是在为大家所喜爱的扑克牌游戏开发了 IDGE，这个引擎不仅支持广泛的扑克牌变体，还通过自然语言输入允许规则的高度定制化。此外，它还支持通过最少的样本快速原型设计新游戏，为游戏开发提出了一种新型的创新范式，依赖于最少的提示和数据工程。这项工作为未来基于指令驱动的游戏创作奠定了基础，有可能改变游戏的设计和玩法方式。

Mar, 2024

本文介绍了 GameGAN 这个生成模型，它通过学习代理与环境交互中的表现来模拟图形游戏环境，并通过内部环境地图和动静分离的方式实现更高的可解释性和更广泛的应用。

May, 2020

提出一个基于神经符号学习的 KG 推理模型，通过结合 KG 嵌入和规则学习模块来实现语义关联的增强和解释能力的提高，实验表明这一模型在神经符号学习方面表现优异。

Dec, 2021

通过使用机器学习，该研究提出了一种能够通过观察图像数据和相关动作对来学习环境行为并进行建模的高质量神经模型，称为 DriveGAN，不需要监督信号训练控制模型，并在多个数据集上进行了训练和测试，表现优于之前的数据驱动模拟器，实现了对场景和非玩家对象的各个方面进行控制的新功能。

Apr, 2021

通过利用人类注释的游戏玩法视频，实现一种多重尾部框架，该框架学习执行同时水平转换和生成的任务，具有在 Level 传输中提高总体性能的潜力，并展示未来版本泛化到未见过游戏的可能性。

Jun, 2023

自动地将真实场景视频转换成逼真并且可交互的游戏环境的新方法 Video2Game，使用神经辐射场模块捕捉场景的几何与视觉外观，使用网格模块加速渲染，以及使用物理模块模拟对象之间的相互作用和物理动力学。

Apr, 2024

该研究提出了一种新的生成代理框架 EduAgent，结合认知先验知识来引导大型语言模型首先推理各种行为之间的相关性，然后进行模拟，实现对真实学生和虚拟学生学习行为的模仿、预测和生成。

Mar, 2024

大型语言模型的出现引入了一种新的搜索引擎范式，使用生成模型来收集和总结信息以回答用户查询。我们正式将这种新兴技术统一归类为生成引擎，并认为它具有生成准确和个性化的回答的潜力，正在快速取代谷歌和必应等传统搜索引擎。为了解决内容创作者面临的挑战，我们引入了生成引擎优化（GEO），这是一种通过黑盒优化框架来优化和定义可见性指标，以帮助内容创作者提高其内容在生成引擎回应中的可见性，且经过严格评估，我们展示了 GEO 在生成引擎回应中可提高可见性高达 40％的效果，同时也强调了对特定领域的需求。我们的工作在信息发现系统领域开辟了新的前沿，并对生成引擎和内容创作者产生了深远的影响。

Nov, 2023

本文提出了一种可编辑的逼真的自由视角视频生成方法，通过使用只有 16 个稀疏摄像头，将大规模动态场景中的每个动态实体表示为连续函数，并采用新的分层神经表示方法进行支持感知和逼真操作，并提出使用场景解析 4D 标签地图追踪和连续变形模块隐式分离时间运动，同时采用面向对象的体积渲染方案进行了再组装所有神经层，并采用新颖的分层损失和运动感知射线采样策略，实现了大规模动态场景的高效训练，并支持各种编辑功能，显示了该方法生成高质量的可编辑的自由视角视频。

Apr, 2021

介绍了一种名为 PANGeA 的程序化人工叙事生成方法，通过引导游戏设计师的高级标准，利用大型语言模型（LLM）为回合制角色扮演游戏（RPG）生成叙事内容。PANGeA 不仅生成游戏级别数据，还培养了玩家与环境之间与程序化游戏叙事相一致的动态、自由形式的互动，NPC 以五个人格模型的特征表现出个性偏见，并通过自定义的内存系统，通过验证将互动与游戏叙事对齐，进而生成与程序化叙事相一致的响应，显示了 PANGeA 在生成与叙事一致的内容方面有潜力。

Apr, 2024