从游戏轨迹到游戏机制：基于大型语言模型的因果归纳
人工智能
2026-02-03 v1 计算机视觉与模式识别
机器学习
摘要
深度学习智能体可以在复杂游戏领域中实现高性能，却往往缺乏对 underlying 因果游戏机制的理解。为此，我们调查了因果归纳：即从观察数据中推断支配规律的能力，任务让大型语言模型（LLM）从游戏玩法轨迹中逆向工程视频游戏描述语言（VGDL）规则。为减少冗余，我们从通用视频游戏 AI（GVGAI）框架中选取了九个具有代表性的游戏。我们比较了两种 VGDL 生成方法：直接从观察中生成代码，以及先推断结构因果模型（SCM）再转换为 VGDL 的两阶段方法。这两种方法在多个提示策略和受控情境下进行评估，情境变化包括向模型提供的信息形式和数量，从原始游戏观察到部分 VGDL 规格。结果表明，基于 SCM 的方法比直接生成更常产生接近真实情况的 VGDL 描述，在盲测中实现最高可达 81% 的偏好胜出率，并产生更少逻辑不一致的规则。这些学习到的 SCM 可用于因果强化学习、可解释智能体以及程序化生成新颖且逻辑一致的游戏等下游任务。
引用
@article{arxiv.2602.00190,
title = {From Gameplay Traces to Game Mechanics: Causal Induction with Large Language Models},
author = {Mohit Jiwatode and Alexander Dockhorn and Bodo Rosenhahn},
journal= {arXiv preprint arXiv:2602.00190},
year = {2026}
}
备注
Submitted to ICPR 2026