论文
从玩法轨迹到游戏机制：大语言模型的因果归纳
From Gameplay Traces to Game Mechanics: Causal Induction with Large Language Models
摘要
深度学习智能体可以在复杂游戏领域取得高性能，但往往不理解底层的因果游戏机制。为解决这一点，我们研究因果归纳——从观测数据推断支配性规律的能力——方法是让大语言模型（LLM）从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，我们使用语义嵌入与聚类从General Video Game AI（GVGAI）框架中选取九个代表性游戏。我们比较两种VGDL生成方法：从观测直接生成代码，以及先推断结构因果模型（SCM）再将其翻译为VGDL的两阶段方法。两种方法都在多种提示策略与受控上下文条件下评估，上下文条件改变提供给模型的信息量与形式，从原始玩法观测到部分VGDL规格。结果表明，基于SCM的方法比直接生成更常产出更接近真值的VGDL描述，在盲评中取得最高81%的偏好胜率，并产生更少逻辑不一致的规则。所学得的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但逻辑一致的游戏等下游用例。
