AI原生游戏：综述与路线图

# AI原生游戏：调查与路线图 来源：https://arxiv.org/html/2607.00527 ###### 摘要 生成式AI现已使游戏能够在运行时生成对话、任务、角色、图像和世界。然而，仅凭生成并不能使游戏成为AI原生，也无法保证可玩性。本文通过运行时生成式AI是否构成核心循环来定义AI原生游戏：如果移除AI组件或简单替换，核心玩法形式将崩溃或发生根本性变化。这个反事实标准将AI原生游戏与AI增强游戏、边界工件、聊天机器人、酒馆式角色扮演、程序化内容生成以及AI辅助制作区分开来。基于这一定义，我们筛选候选工件并分析了53款公开可用的AI原生游戏和原型。我们引入了一个双轴G/N分类法：G轴捕捉面向玩家的游戏类型，而N轴捕捉使生成式AI对玩法不可或缺的主导AI机制。语料库集中在语言导向的设计上，尤其是叙事冒险、认知互动和生成叙事，而语义裁决、多智能体模拟、生成式建造和关系/同伴玩法等类别则相对较少。我们认为核心设计问题是将语义开放性组织成稳定的游戏玩法。AI原生设计依赖于机械不变量：目标、规则、状态、反馈、节奏和玩家代理权，这些使开放式的AI输出变得可解释且有意义。最后，我们提供了一个路线图，涵盖可控生成、AI即机制设计、多模态与多智能体系统、推理经济学、评估、安全与监管。整理的游戏语料库可在此处获取（https://github.com/igloomatics/Awesome-AI-native-games-collection）。 ###### 索引术语：AI原生游戏、大语言模型、程序化内容生成、游戏AI、交互叙事、可控生成、AI安全。 ## 1 引言与背景 ### 1.1 引言 生成式人工智能正日益从游戏开发的制作侧工具转变为游戏系统的运行时组件。早期的计算和生成方法主要在游戏前使用，帮助设计师、艺术家、作家和程序员创建或探索资产、关卡、对话、规则、代码和设计方案[65 (https://arxiv.org/html/2607.00527#bib.bib14)]。如今，一场对游戏设计影响更深远的变化正在出现：基础模型在游戏过程中被集成到游戏中，它们解释玩家输入、生成响应、更新虚构世界、控制角色，有时甚至裁定结果。在这类系统中，AI不仅是用来制作游戏的工具；它成为了游戏运行机制的一部分[17 (https://arxiv.org/html/2607.00527#bib.bib1),85 (https://arxiv.org/html/2607.00527#bib.bib4),39 (https://arxiv.org/html/2607.00527#bib.bib2),73 (https://arxiv.org/html/2607.00527#bib.bib18)]。

这一转变提出了一个根本性的设计问题。生成大量内容的能力本身并不能产生引人入胜的游戏体验。游戏依赖于约束、目标、反馈、节奏、挑战以及策略性理解的机会[26 (https://arxiv.org/html/2607.00527#bib.bib44),74 (https://arxiv.org/html/2607.00527#bib.bib46)]。在运行时调用的生成模型可能会生成看似合理的对话、任务、物品或世界，但这些输出可能不一致、不平衡、琐碎、不安全或与玩家代理权脱节。因此，无限制的生成可能在增加多样性的同时，削弱了使游戏有意义的那些结构。核心问题不在于AI能否生成游戏内容，而在于生成式AI能否被整合到可靠且引人入胜的游戏机制中[17 (https://arxiv.org/html/2607.00527#bib.bib1),75 (https://arxiv.org/html/2607.00527#bib.bib3)]。

本文以严格意义使用术语*AI原生游戏*。AI原生游戏不仅仅是那些在开发中使用AI或包含AI驱动功能的游戏。相反，它们是生成式AI作为构成性核心机制发挥作用的游戏：如果移除AI组件，核心玩法形式要么崩溃，要么变得根本不同[73 (https://arxiv.org/html/2607.00527#bib.bib18),17 (https://arxiv.org/html/2607.00527#bib.bib1)]。这个反事实标准将AI原生游戏与AI辅助制作、AI生成静态资产、传统游戏AI、程序化内容生成以及可选的对话式NPC系统区分开来[88 (https://arxiv.org/html/2607.00527#bib.bib17),65 (https://arxiv.org/html/2607.00527#bib.bib14),39 (https://arxiv.org/html/2607.00527#bib.bib2)]。

最近的调查涵盖了大语言模型（LLMs）与游戏、程序化内容生成（PCG）、共同创作设计以及游戏AI智能体。这些工作表明生成模型可以支持游戏设计、内容生成、叙事生产、玩家建模、游戏智能体以及游戏用户研究。然而，它们并未完全解决一个更具体的理论问题：AI在什么条件下会成为游戏玩法的一部分，而非外部工具、辅助功能或内容生成方法[32 (https://arxiv.org/html/2607.00527#bib.bib112),17 (https://arxiv.org/html/2607.00527#bib.bib1),39 (https://arxiv.org/html/2607.00527#bib.bib2),75 (https://arxiv.org/html/2607.00527#bib.bib3),85 (https://arxiv.org/html/2607.00527#bib.bib4),86 (https://arxiv.org/html/2607.00527#bib.bib5)]。回答这个问题需要一个关于边界、类别、案例、局限性和未来方向的综合论述。对AI原生游戏的调查必须定义包含和排除的内容，将AI原生游戏与相邻形式（如AIGC游戏和聊天机器人）区分开来，识别代表性工件，解释为什么许多当前系统未能成为令人满意的游戏，并指定未来进展所需的技术能力。因此，这个主题同时是概念性的、分类学的、经验性的和纲领性的。

本文的主要贡献有四个方面。首先，它通过运行时生成式AI、核心循环依赖和不可替代性定义了AI原生游戏，并引入了一个2×\\times2边界矩阵，区分了AI原生游戏、AI增强游戏、AI边界工件和不在范围之内的案例。其次，它构建并分析了一个包含53款从候选工件中选出的公开可用的AI原生游戏和原型的语料库。第三，它提出了一个双轴G/N分类框架，其中游戏类型（G）捕捉面向玩家的形式，主导AI机制（N）捕捉使生成式AI成为玩法构成要素的AI功能。第四，它利用该框架识别当前的设计集中点和空白，并为可控生成、机制层创新、多智能体世界、推理经济学、模型可移植性、评估、安全与监管提出了一个路线图。

本文其余部分的结构如下。第2节 (https://arxiv.org/html/2607.00527#S2) 介绍了概念起点、综述范围、语料库构建和编码过程。第3节 (https://arxiv.org/html/2607.00527#S3) 定义了AI原生游戏，并将其置于游戏AI、PCG、交互式戏剧和运行时生成玩法的历史和当代背景中。第4节 (https://arxiv.org/html/2607.00527#S4) 发展了对AI原生游戏的归纳分类，并报告了所分析语料库的描述性统计。第5节 (https://arxiv.org/html/2607.00527#S5) 提出了未来研究的路线图。第6节 (https://arxiv.org/html/2607.00527#S6) 讨论了伦理、安全和监管影响。第7节 (https://arxiv.org/html/2607.00527#S7) 通过总结论点并指出AI原生游戏的更广泛意义来结束全文。

### 1.2 背景：从PCG到AI原生玩法

人工智能长期以来一直是数字游戏的一部分，但传统游戏AI通常运行在设计者编写的规则空间内[47 (https://arxiv.org/html/2607.00527#bib.bib33),88 (https://arxiv.org/html/2607.00527#bib.bib17)]。寻路、有限状态机、行为树、效用系统、战术规划器、自适应难度系统和对手模型可以产生复杂的行为，但它们通常执行的是开发过程中指定的目标、状态和动作表示[47 (https://arxiv.org/html/2607.00527#bib.bib33),27 (https://arxiv.org/html/2607.00527#bib.bib35),88 (https://arxiv.org/html/2607.00527#bib.bib17)]。在这一范式中，AI支持游戏世界的运行，但很少在运行时扩展玩家所能表达、尝试或转换的语义范围。

早期的交互式戏剧展示了另一种可能性[61 (https://arxiv.org/html/2607.00527#bib.bib36)]。Mateas和Stern开发的*Façade*利用自然语言理解、可信智能体、节拍序列化和戏剧管理，使社交互动和叙事张力成为玩法的核心[43 (https://arxiv.org/html/2607.00527#bib.bib10),41 (https://arxiv.org/html/2607.00527#bib.bib11)]。尽管它依赖于符号AI和大量的编写工作，而非现代生成模型，但它表明AI可以成为社交和叙事游戏玩法的媒介，而不仅仅是作为对手控制或导航系统。它的重要性在于展示了玩家语言、角色回应和戏剧进程可以被组织成游戏的主要交互材料。

程序化内容生成（PCG）及其自适应变体提供了另一个关键的计算先例。形式上，传统的离线PCG表明确定性算法可以通过遍历参数化搜索空间高效合成静态游戏工件——如关卡、物品、任务和纹理[77 (https://arxiv.org/html/2607.00527#bib.bib16),22 (https://arxiv.org/html/2607.00527#bib.bib15),65 (https://arxiv.org/html/2607.00527#bib.bib14),72 (https://arxiv.org/html/2607.00527#bib.bib63)]。为了实现更高的响应性，现代范式转向运行时或自适应PCG，例如*Left 4 Dead*的“AI导演”系统，它基于对玩家压力的实时启发式评估，动态调节游戏节奏、敌人生成和资源分布[87 (https://arxiv.org/html/2607.00527#bib.bib38),27 (https://arxiv.org/html/2607.00527#bib.bib35),79 (https://arxiv.org/html/2607.00527#bib.bib20)]。关键在于，尽管这些运行时自适应机制偶尔表现出某种形式的实时算法推理，但它们根本上仍不同于AI原生范式。传统的自适应PCG严格作为一个受条件检索引擎运作，受限于程序员定义的if-else矩阵或组合字典；它无法在其封闭世界约束之外生成逻辑或语义[77 (https://arxiv.org/html/2607.00527#bib.bib16),65 (https://arxiv.org/html/2607.00527#bib.bib14),72 (https://arxiv.org/html/2607.00527#bib.bib63)]。相比之下，AI原生游戏利用生成式基础模型的开放世界语义处理和涌现推理，标志着从有界结构优化向开放式概念和行为涌现的转变。

LLMs和当代生成式AI改变了这一局面，使得开放的语义解释和实时生成更加可行。它们可以将自然语言映射到动作，生成上下文敏感的对话，总结先前事件，提出任务，模仿社会角色，并在文本、图像、音频和类似代码的表示上运作[17 (https://arxiv.org/html/2607.00527#bib.bib1),75 (https://arxiv.org/html/2607.00527#bib.bib3),85 (https://arxiv.org/html/2607.00527#bib.bib4)]。与此同时，它们将不稳定性、幻觉、延迟、安全漏洞、隐私问题和重复推理成本引入了运行时环境[17 (https://arxiv.org/html/2607.00527#bib.bib1),86 (https://arxiv.org/html/2607.00527#bib.bib5)]。这些限制在游戏中尤为关键，因为玩家期望一致的规则、可靠的反馈、响应式的交互和持久的世界状态。

因此，AI原生游戏的出现不应仅仅理解为模型升级，而是设计权威的再分配。在传统游戏中，大多数内容、规则和表示可能性在发布前就已固定。在AI原生游戏中，部分解释、内容生产、裁决或世界转换被推迟到运行时[73 (https://arxiv.org/html/2607.00527#bib.bib18),17 (https://arxiv.org/html/2607.00527#bib.bib1)]。这并没有消除设计师的角色；相反，它将设计转变为构建约束、接口、验证器、记忆系统、安全机制和反馈回路，这些机制管理着运行时AI如何参与游戏。

## 2 范围与方法论

本调查建立在Yuqian Sun等人在其作品*1001 Nights*中阐述的*AI原生游戏*概念之上，其中生成式AI不被视为外围的生产工具，而是可玩体验的构成部分[73 (https://arxiv.org/html/2607.00527#bib.bib18)]。遵循这一观点，我们将AI原生游戏理解为一种游戏，其中生成式AI作为构成性的核心机制：如果移除AI组件，核心游戏玩法将无法再按设计运行，或变成一种根本不同的游戏形式。这个定义并不意味着每个资产、规则或交互都必须由AI生成。相反，它要求生成式AI存在，直接参与核心循环，并且不能轻易被有限的编写资产或传统的确定性机制所替代。

这一定义在LLM之前的关于AI中心玩法的讨论中也有概念上的先驱。在大语言模型最近普及之前，相关的思想出现在*基于AI的游戏*、*表现性AI*、AI交互式戏剧、可信智能体、戏剧管理和AI驱动的交互叙事等术语中[44 (https://arxiv.org/html/2607.00527#bib.bib12),42 (https://arxiv.org/html/2607.00527#bib.bib9),41 (https://arxiv.org/html/2607.00527#bib.bib11),62 (https://arxiv.org/html/2607.00527#bib.bib13)]。这些概念与AI原生游戏共享一个理念，即AI可以成为一种表现性的游戏媒介，而不仅仅是用于敌人控制、寻路或难度调整的工具。然而，它们在技术基础和实际范围上与当代的AI原生游戏有所不同。LLM之前的系统通常依赖于符号表示、编写节拍、基于模式的语言理解、行为语言或领域特定的规划器。而当代的AI原生游戏则使用基础模型在运行时解释开放式的玩家输入并生成语义灵活的输出。

据我们所知，目前还没有现有的调查专门针对AI原生游戏作为一个独特的设计类别进行系统的、大规模的综述和分类。现有的调查对相邻领域做出了重要贡献，包括游戏中的LLMs、用于游戏开发的LLMs、基于GPT的游戏研究、基于LLM的程序化内容生成、基于LLM的游戏智能体、共同创作设计以及更广泛的游戏AI[17 (https://arxiv.org/html/2607.00527#bib.bib1),75 (https://arxiv.org/html/2607.00527#bib.bib3),85 (https://arxiv.org/html/2607.00527#bib.bib4),86 (https://arxiv.org/html/2607.00527#bib.bib5),39 (https://arxiv.org/html/2607.00527#bib.bib2)]。这些研究