VGDL을 요인 모델로 컴파일링하기

인공 지능 연구자들은 게임 환경의 원인 관계를 정확하게 반영하는 데 어려움을 겪고 있다. 일반적인 강화 학습 agent들은 의도하지 않은 상관관계에 의존하는 경향이 있고, 대규모 언어 모델(LLM)은 게임 규칙을 허구로 만들어내는 경향이 있다. 원인 관계 강화 학습은 해석성을 향상시킨다지만, 현재는 복잡한 게임 역학을 직접 원인 모델로 매핑하는 공식적인 방법론이 없다. 이 문제를 해결하기 위해, 우리는 게임이 Video Game Description Language에서 명시적으로 지정된 경우 동적 구조 원인 모델(Dynamic Structural Causal Model)로 컴파일할 수 있는 결정론적 프레임워크를 제안한다. 게임 플레이 트레이스나 노이즈가 많은 대규모 언어 모델의 출력에서 원인 구조를 추론하는 대신, 우리의 방법론은 스프라이트 동작, 상호 작용 규칙, 종료 조건과 같은 게임 구성 요소를 명시적인 구조적 방정식으로 직접 번역한다. 각 게임 틱은 시간 $t$에서 $t+1$으로의 원인 전환을 나타낸다. 이 바탕이 되는 매핑을establishing함으로써, 이 접근법은 절대적인 원인 신뢰성을 게임 역학의 진정한 내용에 대해 보장한다. 결과 모델은-counterfactual 추론, 원인 관계 강화 학습 agent 훈련, 절차적 콘텐츠 검증을 지원하는 투명한 원인 경로를 제공한다. 이 프레임워크는 Symbolic game descriptions와 원인에 기반한 게임 AI 사이의 원리적인 연결고리를 제공한다.