AI for Games in the Foundation Model Era

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.

한 줄 요약

게임 AI 분야에서 기초 모델이 다양한 역할을 수행하며, 그간 분리되어 발전한 연구 주제들이 통합되고 있다.

핵심 기여도

게임 AI를 6가지 역할로 분류: 플레이 및 행동, 플레이어 및 게임 모델링, 게임 디자인, 구축 및 유지, 런타임 생성 및 적응, 테스트 및 평가.
DreamGarden, Play2Code, IF:CARGO, GameNGen 등 구체적 모듈을 통해 AI가 게임 개발 라이프사이클 전반에 기여함.
WorldRoamBench, PlayWorld, CombatStateBench 등 평가 벤치마크에서 모델의 지속성과 정확도를 측정하는 방법 제시.
SANA-WM은 9개 모델 중 2위의 trajectory-validity를 기록했으나, Out-of-sight Evolution 점수는 낮음.

핵심 아이디어

기존 게임 AI 연구는 각각의 역할(예: 플레이, 디자인, 테스트)에 따라 분리되어 발전했으나, 기초 모델의 등장으로 이러한 역할 간의 경계가 모호해지고 있다. 예를 들어, GPT-6 Astra는 플레이, 디자인, 테스트 등 다양한 역할에서 활용되며, 동일한 모델이 게임 라이프사이클 내 다른 작업을 수행할 수 있다. 이는 AI가 단순히 특정 역할을 수행하는 것이 아니라, 역할 간의 연결성을 통해 지속적인 학습과 적응을 가능하게 한다는 점에서 혁신적이다. 특히, DreamGarden은 자연어로 제시된 디자인 의도를 계층적 계획으로 전환하고, Play2Code는 브라우저 기반 플레이테스터와 코드 생성 에이전트를 연결하여 실시간 피드백을 제공한다. 이러한 시스템은 AI가 단순히 실행하는 것이 아니라, 개발 과정 자체에 참여하게 만든다.

기술적 접근법

**DreamGarden**: 자연어 기반 디자인 의도를 계층적 계획으로 전환.
**Play2Code**: 코드 생성 에이전트와 브라우저 기반 플레이테스터 연결.
**IF:CARGO**: 자연어로 표현된 규칙을 엔진이 실행 가능한 명령으로 변환.
**GameNGen**: 게임 플레이 트래젝토리에서 환경 반응을 학습하여 인터랙티브 시뮬레이터 생성.
**Dreamer 4**: 학습된 환경 내에서 정책 학습.
**WorldMem, ReWorld, PERSIST, StatePlay, WorldMind**: 지속적인 세계 상태를 유지하기 위한 다양한 메모리 및 상태 추적 모듈.
**PlayWorld**: 9개 모델 비교 실험에서 SANA-WM은 trajectory-validity 2위, Out-of-sight Evolution 점수는 낮음.
**CombatStateBench**: VLM을 활용한 죽음 상태 정확도 98%, 카운트 정확도 94%.

주요 결과

**PlayWorld**: 9개 모델 중 SANA-WM은 trajectory-validity 2위, Insight Evolution 점수는 높으나 Out-of-sight Evolution 점수는 낮음.
**CombatStateBench**: VLM 기반 죽음 상태 정확도 98%, 카운트 정확도 94%.
**WorldMark v2**: 500개 케이스에서 10개 모델 비교, 제어 정확도, 순수성, 지연, 안정성 등을 평가.
**WildBench**: 비주얼 품질, 카메라 제어, 행동 추종, 자세 기반 상태 정렬 등을 평가.
**Maia4All**: 개별 플레이어 행동 예측 성능 평가.
**Beyond Asking**: 제어된 합성 특성 복원 및 프로필 조건에 따른 적응 평가.

의의 및 한계

이 연구는 게임 AI의 다양한 역할 간의 연결성을 시각화하고, 기존 연구들이 분리되어 발전한 문제를 해결하려는 시도이다. 특히, DreamGarden, Play2Code, GameNGen 등은 AI가 게임 개발 라이프사이클 전반에 걸쳐 기여할 수 있음을 보여준다. 그러나, 제어 체계, 규칙, 엔진 인터페이스, 상태 표현, 플레이어 맥락 등은 여전히 특정 게임에 종속되어 있어, 전이 학습이나 모델 재사용 시 주의가 필요하다. 또한, 지속적인 세계 상태 유지나 플레이어 모델링의 정확성 평가가 여전히 어려운 점이 있으며, 이는 향후 연구에서 해결해야 할 주요 과제이다.

실용적 활용

이 연구는 게임 개발자들이 AI를 활용하여 게임 디자인, 개발, 테스트, 유지보수 등 다양한 단계에서 효율적으로 작업할 수 있도록 지원한다. 특히, DreamGarden과 Play2Code는 개발 초기 단계에서 아이디어를 구체화하고, Playbot은 엔진 연결된 개발 도구로 활용될 수 있다. 또한, WorldRoamBench와 PlayWorld는 AI 기반 게임 모델의 지속성과 정확도를 평가하는 데 유용하며, 이는 게임 품질 향상과 자동화된 테스트 개선에 기여할 수 있다.