Procedural Content Generation in Games: A Survey with Insights on Emerging LLM Integration

📄 arXiv: 2410.15644v1 📥 PDF

作者: Mahdi Farrokhi Maleki, Richard Zhao

分类: cs.AI

发布日期: 2024-10-21

期刊: Proceedings of the Twentieth AAAI Conference on Artificial Intelligence and Interactive Digital Entertainment (AIIDE-24), Lexington, USA, November, 2024

DOI: 10.1609/aiide.v20i1.31877

💡 一句话要点

综述性研究：游戏程序化内容生成（PCG）算法，聚焦LLM融合及其未来方向

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 程序化内容生成 游戏开发 大型语言模型 机器学习 算法综述

📋 核心要点

  1. 现有PCG方法在生成复杂、多样化且符合设计意图的游戏内容方面仍面临挑战，尤其是在内容的可控性和创造性之间难以平衡。
  2. 该综述全面梳理了PCG领域中各类算法，包括传统方法、机器学习方法以及新兴的LLM方法，并分析了它们的优缺点和适用场景。
  3. 通过对比不同PCG方法生成的内容类型和发表时间，总结了该领域的发展趋势，并指出了未来研究的潜在方向，例如LLM与传统方法的结合。

📝 摘要（中文）

程序化内容生成（PCG）是指使用算法自动创建游戏内容。PCG在游戏产业和学术界都有着悠久的历史，它可以提高玩家的参与度并减轻游戏设计师的工作负担。虽然近年来深度学习方法在PCG方面的进步使研究人员和从业者能够创建更复杂的内容，但真正颠覆PCG发展轨迹的是大型语言模型（LLM）的出现。本综述探讨了用于PCG的各种算法之间的差异，包括基于搜索的方法、基于机器学习的方法、其他常用方法（例如，噪声函数）以及新兴的LLM。我们还详细讨论了组合方法。此外，我们根据这些方法生成的内容类型和各自论文的发表日期对它们进行了比较。最后，我们指出了现有学术工作的差距，并为未来的研究提出了可能的方向。

🔬 方法详解

问题定义：论文旨在解决游戏开发中程序化内容生成（PCG）方法选择和应用的问题。现有PCG方法种类繁多，开发者难以根据具体需求选择合适的算法。此外，传统方法在生成复杂内容方面存在局限性，而新兴的基于深度学习的方法，尤其是LLM，虽然潜力巨大，但仍面临可控性、一致性等挑战。

核心思路：论文的核心思路是对现有PCG算法进行系统性的梳理和分类，并分析它们的优缺点和适用场景。通过对比不同算法生成的内容类型和发表时间，总结该领域的发展趋势，并探讨LLM在PCG中的应用前景和挑战。

技术框架：该综述论文的技术框架主要包括以下几个部分：首先，对PCG进行定义和概述；其次，对各种PCG算法进行分类，包括基于搜索的方法、基于机器学习的方法、其他常用方法（如噪声函数）以及LLM；然后，详细讨论了组合方法，即如何将不同的PCG算法结合起来使用；接着，根据生成的内容类型和发表日期对这些方法进行比较；最后，总结了现有学术工作的差距，并提出了未来研究的可能方向。

关键创新：该综述的关键创新在于对LLM在PCG中的应用进行了重点关注和讨论。LLM作为一种新兴的PCG方法，具有生成复杂、多样化内容的能力，但同时也面临着可控性、一致性等挑战。该综述对LLM在PCG中的应用前景和挑战进行了深入分析，为未来的研究提供了重要的参考。

关键设计：该综述的关键设计在于对PCG算法的分类和比较。论文将PCG算法分为基于搜索的方法、基于机器学习的方法、其他常用方法（如噪声函数）以及LLM，并根据生成的内容类型和发表日期对这些方法进行了比较。这种分类和比较方法有助于开发者根据具体需求选择合适的PCG算法。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该综述全面梳理了PCG领域各类算法，尤其关注LLM的融合应用，分析了其优势与挑战，并指出了未来研究方向，为相关研究者提供了宝贵的参考。通过对比不同算法的性能和适用场景，为开发者选择合适的PCG方法提供了指导。

🎯 应用场景

该研究成果可应用于游戏开发、虚拟现实、建筑设计等领域，帮助开发者和设计师快速生成多样化、高质量的内容，降低开发成本，提高创作效率。LLM在PCG中的应用有望推动游戏内容生成的自动化和智能化，为玩家带来更丰富的游戏体验。

📄 摘要（原文）

Procedural Content Generation (PCG) is defined as the automatic creation of game content using algorithms. PCG has a long history in both the game industry and the academic world. It can increase player engagement and ease the work of game designers. While recent advances in deep learning approaches in PCG have enabled researchers and practitioners to create more sophisticated content, it is the arrival of Large Language Models (LLMs) that truly disrupted the trajectory of PCG advancement. This survey explores the differences between various algorithms used for PCG, including search-based methods, machine learning-based methods, other frequently used methods (e.g., noise functions), and the newcomer, LLMs. We also provide a detailed discussion on combined methods. Furthermore, we compare these methods based on the type of content they generate and the publication dates of their respective papers. Finally, we identify gaps in the existing academic work and suggest possible directions for future research.