游戏世界生成：为什么关卡正在让位于生成器
通常，说到游戏内容的自动生成，人们会想到一个神经网络来绘制或组装单个关卡。但有一种更激进的方法：让语言模型不写关卡本身，而是写程序，由这些程序来生成关卡。这种转变看起来很小，但实际上改变了整个优化方式：不再需要遍历无穷无尽的地图变体，而是可以让算法本身进化——从而获得具有所需属性的整个关卡家族。
代码发生变异的进化
在一项刚被IEEE游戏会议（IEEE Conference on Games 2026）接收发表的新研究中，作者在四款经典游戏中验证了这一想法：《推箱子》、《塞尔达》、《Dangerous Dave》和《Lode Runner》。每次进化运行都代表一个用Python编写的完整关卡生成器，而变异和交叉算子的角色由大型语言模型扮演。也就是说，不是单个地图，而是完整的程序在代际之间发生变化。这使得搜索可以在程序化生成器的空间中进行，而不是在具体产物的空间中进行——从而找到能同时泛化到多个关卡的解决方案。
然而，这种方法有一个弱点：程序会迅速膨胀，有用的代码片段会淹没在随机的变更中。为了解决这个问题，作者提出了一种名为**持续抽象发现（Continual Abstraction Discovery, CAD）**的机制。
CAD如何帮助进化
CAD的思路是，在进化过程中，从高适应度的程序中提取出成功的原语，并将它们放入一个单独的辅助模块中。这个模块成为后续世代的共享“库”。这样，有用的模式就不会被重新发现，也不会被变异抹去——它们会被积累下来并继续使用。
为了了解其效果，研究人员设计了一个2×2矩阵实验：比较了有CAD和无CAD的运行，以及有固定领域API和无固定领域API的运行。总共进行了160次完整的进化运行，实验的每个单元格中至少有十次运行，每次运行50代。这是一个相当扎实的统计基础，足以支撑结论。
抽象确实有效
结果非常明确：在所有八项比较中，CAD都提高了平均最终最佳适应度——涵盖全部四款游戏和两种API变体。同时，进化过程中创建的“库”被大多数后来的程序积极使用。有趣的是，无论游戏和运行条件如何，CAD都反复重新发现相同的工具：关卡有效性检查、可达性检查和结构原语。这表明，这些抽象并非特定任务的偶然产物，而是游戏内容生成的基本构建块。
这对实践意味着什么
从实践的角度来看，这些发现支持一个简单的观点：如果我们希望语言模型创建好的程序化生成器，不仅需要鼓励“好”的程序，还需要给进化一种积累知识的方式。CAD正是做到了这一点——它将进化搜索转变为一个逐步构建自身领域的过程。模型不再每次都从零开始，而是学习先前找到的解决方案，并形成可靠的积木。
当然，在经典2D游戏上的实验只是一个开始。但如果这种方法能够扩展，我们可能会看到能够创造整个类型或意想不到的游戏机制的生成器。到那时，关卡进化将最终从内容的遍历转变为思想的进化——用程序语言书写的思想。
