論文の概要: AI for Games in the Foundation Model Era

• arxiv url: http://arxiv.org/abs/2609.16679v1
• Date: Tue, 15 Sep 2026 06:00:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.361176
• Title: AI for Games in the Foundation Model Era
• Title（参考訳）: ファンデーションモデル時代のゲームのためのAI
• Abstract要約: ファンデーションモデルは、学習されたゲームワールドモデルの進歩とともに、ゲームライフサイクル全体にわたってAIを再構築している。 AI出力の即時使用に応じて、文献を6つの役割に分類する。 各ロールについて、ゲームやワークフローによって提供される構造、AIが学習または生成する構造、機能とアーティファクトが設定や役割間で伝達される機能、そしてクレームをサポートするエビデンスについて調べる。
• 参考スコア（独自算出の注目度）: 36.41163570360799
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundation models, alongside advances in learned game-world models, are reshaping AI across the game lifecycle. Beyond playing games, recent systems model players and game dynamics, support design and development, adapt player-facing experiences at runtime, and evaluate resulting artifacts. Yet these directions have evolved largely separately, obscuring which capabilities transfer across settings and which remain tied to particular games, engines, interfaces, or player populations. We organize the literature into six roles according to the immediate use of AI output: playing and acting; modeling players and games; designing games; building and maintaining games; generating and adapting at runtime; and testing and evaluating games. For each role, we examine what structure is supplied by the game or workflow, what AI learns or produces, which capabilities and artifacts transfer across settings and roles, and what evidence supports the claims. We identify cross-role connections: trajectories train world models, learned environments provide experience for agents, design specifications drive executable implementations, and play or testing feedback guides revision. However, control schemes, rules, engine interfaces, state representations, and player contexts often remain setting-specific, so downstream claims require validation in the target setting. Evaluation is most standardized for bounded game playing and selected learned environments, while persistent state in learned worlds, repeated software revision, validated player modeling, sustained runtime adaptation, and representative automated testing remain less established. The central challenge is to reuse or transfer outputs and capabilities across roles while re-establishing evidence for effectiveness in the game-specific contexts where they are used.
• Abstract（参考訳）: ファンデーションモデルは、学習されたゲームワールドモデルの進歩とともに、ゲームライフサイクル全体にわたってAIを再構築している。 ゲームだけでなく、最近のシステムモデルプレーヤーとゲームダイナミクス、デザインと開発のサポート、実行時にプレイヤーが直面するエクスペリエンスの適応、結果のアーティファクトの評価も行っている。 しかし、これらの方向はおおむね別々に進化し、特定のゲーム、エンジン、インターフェース、またはプレイヤーの人口と結びついている設定間での移動能力を見極めている。 AIのアウトプットの即時使用、プレイヤーとゲームのモデリング、ゲームの設計、ゲームの構築とメンテナンス、実行時の生成と適応、ゲームのテストと評価である。 各ロールについて、ゲームやワークフローによって提供される構造、AIが学習または生成する構造、機能とアーティファクトが設定や役割間で伝達される機能、そしてクレームをサポートするエビデンスについて調べる。 トラジェクトリは世界モデルを訓練し、学習された環境はエージェントの体験を提供し、設計仕様は実行可能な実装を駆動し、プレイまたはテストのフィードバックガイドを改訂します。 しかし、制御スキーム、ルール、エンジンインターフェイス、状態表現、プレイヤコンテキストはしばしば設定固有のままなので、下流のクレームはターゲット設定で検証する必要がある。 評価は制限付きゲームプレイや選択された学習環境において最も標準化されているが、学習の世界における永続的な状態、繰り返しソフトウェア修正、検証されたプレイヤーモデリング、持続的な実行時適応、代表的な自動テストは確立されていない。 中心的な課題は、ロール間でのアウトプットと能力の再利用または転送であり、ゲーム固有のコンテキストで有効性を示す証拠を再確立することである。

関連論文リスト

• Coachable agents for interactive gameplay [22.530832644886658]
  強化学習は、高度なAIとロボットシステムを作成する上で価値のあるツールであることが証明されている。 複雑なドメインのスタイルを示すエージェントをコーチングするためのフレームワークを作成します。 AAAのゲーム『Horizon Forbidden West』と『Gran Turismo』でフレームワークの応用を実演する。
  論文  参考訳（メタデータ） (2026-07-01T08:57:25Z)
• GameCraft-Bench: Can Agents Build Playable Games End-to-End in a Real Game Engine? [65.42976417627254]
  ゲーム生成はゲームエンジン内で行われ、スクリプト、シーン、アセット、レンダリング、実行時インタラクションは共同でコヒーレントなゲームプレイを生成する必要がある。 我々は、完全なゲームアーティファクトを生成する問題として、エンド・ツー・エンドのゲーム生成を形式化する。 我々は、このフレームワークを15のゲームファミリーで140のGodotタスクからなるベンチマークであるGameCraft-Benchとしてインスタンス化する。
  論文  参考訳（メタデータ） (2026-06-16T12:34:39Z)
• GameWorld: Towards Standardized and Verifiable Evaluation of Multimodal Game Agents [76.60994803070436]
  GameWorldは、ブラウザ環境におけるマルチモーダル大言語モデル(MLLM)ゲームエージェントの評価のためのベンチマークである。 2つのゲームエージェントインタフェースが研究され、 (i) キーボードとマウスのコントロールを直接出力するコンピュータ利用エージェント、 (ii) セマンティックアクション空間で作用する汎用マルチモーダルエージェントが研究されている。 18組のモデルとインタフェースのペアによる結果は、最高のパフォーマンスエージェントでさえ、ビデオゲームで人間の能力を達成するには程遠いことを示唆している。
  論文  参考訳（メタデータ） (2026-04-08T17:49:03Z)
• Large Language Models in Game Development: Implications for Gameplay, Playability, and Player Experience [2.2833627959494045]
  本稿では,大規模言語モデルの統合がゲーム開発におけるゲームプレイ,プレイ性,プレイ体験にどのように影響するかを検討する。 この研究は、生成的AI統合が確立されたゲーム構成をどのように再認識するかについての予備的な実証的な洞察を与え、ゲームエンジニアリングの実践の中で、新しいアーキテクチャと品質の考慮を導入する。
  論文  参考訳（メタデータ） (2026-03-29T22:30:50Z)
• Static Vs. Agentic Game Master AI for Facilitating Solo Role-Playing Experiences [3.383857646639421]
  本稿では,シングルプレイヤーロールプレイングゲームのためのゲームマスターAIを提案する。 このAIは、Dungeons & Dragonsのようなマルチプレイヤーのテーブルトップゲームに関連する、インタラクティブなテキストベースの物語と体験を提供するように設計されている。
  論文  参考訳（メタデータ） (2025-02-26T19:42:22Z)
• A Text-to-Game Engine for UGC-Based Role-Playing Games [6.5715027492220734]
  本稿では,単純なテキスト入力を複雑なマルチモーダルRPG体験に変換する基礎モデルを活用する,テキスト・ツー・ゲームエンジンの新しいフレームワークを提案する。 エンジンは動的にゲームナラティブを生成し、テキスト、ビジュアル、メカニックを統合すると同時に、プレイヤーのインタラクションに基づいてキャラクター、環境、ゲームプレイをリアルタイムで適応させる。
  論文  参考訳（メタデータ） (2024-07-11T05:33:19Z)
• Instruction-Driven Game Engines on Large Language Models [59.280666591243154]
  IDGEプロジェクトは、大規模な言語モデルが自由形式のゲームルールに従うことを可能にすることで、ゲーム開発を民主化することを目的としている。 我々は、複雑なシナリオに対するモデルの露出を徐々に増大させるカリキュラム方式でIDGEを訓練する。 私たちの最初の進歩は、汎用的なカードゲームであるPoker用のIDGEを開発することです。
  論文  参考訳（メタデータ） (2024-03-30T08:02:16Z)
• Preference-conditioned Pixel-based AI Agent For Game Testing [1.5059676044537105]
  環境とのインタラクションによって学習するゲームテストAIエージェントは、これらの課題を軽減する可能性がある。 本稿では,ユーザの好みに応じて設定された環境を探索しながら,主に画素ベースの状態観測に依存するエージェント設計を提案する。 実AAAゲームにおける多くの側面に類似した複雑なオープンワールド環境において、調査対象とテスト実行品質に対して、我々のエージェントは、最先端の画素ベースのゲームテストエージェントよりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-08-18T04:19:36Z)
• Promptable Game Models: Text-Guided Game Simulation via Masked Diffusion Models [68.85478477006178]
  ニューラルビデオゲームシミュレータのためのPGM(Promptable Game Model)を提案する。 ユーザーは高レベルのアクションシーケンスと低レベルのアクションシーケンスでゲームを実行することができる。 私たちのPGMは、エージェントの目標をプロンプトの形で指定することで、ディレクターのモードをアンロックします。 提案手法は,既存のニューラルビデオゲームシミュレータのレンダリング品質を著しく上回り,現在の最先端の能力を超えたアプリケーションをアンロックする。
  論文  参考訳（メタデータ） (2023-03-23T17:43:17Z)
• Learning to Simulate Dynamic Environments with GameGAN [109.25308647431952]
  本稿では,エージェントが環境と対話するのを見ることでシミュレーターを学習することを目的とする。 ゲームGANは,学習中にスクリーンプレイやキーボード操作を取り入れることで,所望のゲームを視覚的に模倣することを学習する生成モデルである。
  論文  参考訳（メタデータ） (2020-05-25T14:10:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。