Генерация игровых миров: почему уровни уступают место генераторам
Обычно, когда говорят об автоматическом создании игрового контента, представляют нейросеть, которая рисует или собирает отдельные уровни. Но есть более радикальный подход: заставить языковую модель писать не сами уровни, а программы, которые эти уровни генерируют. Такой сдвиг кажется небольшим, а на деле меняет всю оптимизацию: вместо того чтобы перебирать бесконечные варианты карт, можно эволюционировать сами алгоритмы — и получать целые семейства уровней с нужными свойствами.
Эволюция, в которой мутирует код
В свежем исследовании, принятом к публикации на IEEE Conference on Games 2026, авторы проверили эту идею на четырёх классических играх: «Сокобан», «Зельда», «Dangerous Dave» и «Lode Runner». Каждый запуск эволюции представлял собой целый генератор уровней на Python, а роль операторов мутации и скрещивания выполняла большая языковая модель. То есть не отдельные карты, а полные программы менялись от поколения к поколению. Это позволяет искать в пространстве процедурных генераторов, а не в пространстве конкретных артефактов — и находить решения, которые обобщаются на много уровней сразу.
Однако у такого подхода есть слабое место: программы быстро разрастаются, и полезные фрагменты кода теряются среди случайных изменений. Чтобы исправить это, авторы предложили механизм под названием Continual Abstraction Discovery (CAD) — непрерывное открытие абстракций.
Как CAD помогает эволюции
Идея CAD в том, чтобы по ходу эволюции выхватывать удачные примитивы из программ с высокой приспособленностью и складывать их в отдельный вспомогательный модуль. Этот модуль становится общей «библиотекой» для последующих поколений. Таким образом, полезные паттерны не переоткрываются заново и не затираются мутациями — они накапливаются и используются дальше.
Чтобы понять, насколько это эффективно, исследователи поставили эксперимент с матрицей 2×2: сравнивались запуски с CAD и без него, а также с доступом к фиксированному доменному API и без такого доступа. Всего было проведено 160 полных эволюционных прогонов, причём в каждой ячейке эксперимента — минимум десять прогонов по 50 поколений. Это довольно серьёзная статистическая база для выводов.
Абстракции действительно работают
Результаты оказались однозначными: CAD улучшил среднюю финальную лучшую приспособленность во всех восьми сравнениях — во всех четырёх играх и для обоих вариантов API. При этом «библиотеки», созданные в ходе эволюции, активно использовались большинством более поздних программ. Любопытно, что независимо от игры и условий запуска CAD многократно заново открывал одни и те же утилиты: проверку валидности уровня, проверку достижимости и структурные примитивы. Это говорит о том, что такие абстракции — не случайность конкретной задачи, а фундаментальные строительные блоки для генерации игрового контента.
Что это значит для практики
С практической точки зрения выводы поддерживают простую мысль: если мы хотим, чтобы языковые модели создавали хорошие процедурные генераторы, нужно не только поощрять «хорошие» программы, но и давать эволюции способ накапливать знания. CAD делает именно это — превращает эволюционный поиск в процесс, который постепенно строит собственную предметную область. Вместо того чтобы каждый раз начинать с нуля, модель учится на найденных ранее решениях и формирует надёжные кирпичики.
Конечно, эксперименты на классических 2D-играх — это только начало. Но если подход масштабируется, мы можем увидеть генераторы, которые создают целые жанры или неожиданные игровые механики. И тогда эволюция уровней окончательно превратится из перебора контента в эволюцию идей — записанных на языке программ.
