WFC(Wave Function Collapse)와 같이 기존 콘텐츠로부터 국소 제약 조건(local constraints)을 학습하는 제약 조건 기반 게임 콘텐츠 생성기는 시각적으로 만족스러운 게임 레벨을 생성할 수 있지만, 플레이 가능성과 같은 전역적 특성을 최적화하는 데는 어려움을 겪습니다. 반면, 강화학습(RL)으로 학습된 생성기는 이러한 특성을 보상(reward) 함수에 쉽게 포함할 수 있어 전역적 특성을 최적화할 수 있지만, 결과물이 시각적으로 만족스럽지 않을 수 있습니다. 본 논문에서는 이러한 방법들을 결합하는 방안을 탐색합니다. 구체적으로는 WFC로 학습된 제약 조건을 통해 PCGRL 생성기의 행동 공간(action space)을 제한함으로써, PCGRL 생성기가 국소 제약 조건을 준수하도록 강제되는 동시에 전역적 특성을 달성할 수 있도록 합니다. 이 하이브리드 콘텐츠 생성 방식이 어떻게 작동하는지 더 잘 분석하기 위해 입력의 수와 유형을 다양화하고, 시작 상태를 무작위로 붕괴(collapse)시킬지 여부와 희귀 패턴을 제외할지 여부를 테스트합니다. 이 방법은 하이퍼파라미터(hyperparameter) 튜닝에 민감하지만, 학습된 생성기 중 가장 우수한 모델은 로드 러너(Lode Runner) 레벨과 같이 원하는 전역적 특성을 갖추면서도 시각적으로 만족스럽고 플레이 가능한 퍼즐 플랫폼 게임 레벨을 생성합니다.
비디오 게임은 시간에 걸쳐 경험하는 동적 매체이다. 비디오 게임 레벨을 생성하는 절차적 콘텐츠 생성(PCG) 접근법은 많지만, 이들은 종종 이러한 동적 특성을 추상화해 버리는 표현 방식을 사용한다. 본 논문에서는 동적 정보를 암묵적으로 인코딩하는, 게임 레벨의 시간적 표현을 위한 새로운 도메인 독립적 'cake' 표현을 제안한다. 우리는 이 cake 표현을 위해 특별히 개발된 새로운 레벨 생성 접근법인 Playtrace Reconstructive Partitioning(PRP)을 제시한다. 소코반(Sokoban) 게임 도메인에서 여섯 가지 최신 PCG 접근법과 비교한 결과, 우리의 접근법은 해법 다양성을 희생하지 않으면서도 유효한 레벨을 생성할 수 있음을 확인했다. 우리는 cake 표현이 기존 표현 방식에 비해 게임의 암묵적 동적 특성을 더 깔끔하게 인코딩하며, 이를 통해 도메인에 구애받지 않는 레벨 생성 알고리즘 PRP를 가능하게 한다고 본다.
멀티씬 내비게이션(하나의 제한된 공간에서 목표를 달성한 후 포털을 통해 다음 공간으로 이동하는 것)은 현대 3D 게임의 핵심 특징이지만, 이를 제작하는 것은 매우 번거롭다: 모든 포털은 양쪽에 일관된 끝점을 가져야 하고, 각 내부 공간은 가구가 배치된 후에도 탐색 가능한 상태를 유지해야 하며, 이로 인해 생성되는 연결성은 여러 파일에 걸쳐 일관되게 유지되어야 한다. 최근의 대규모 언어 모델(LLM) 및 멀티모달 LLM(MLLM) 씬 생성기는 단일 내부 공간 합성 비용을 획기적으로 낮추었지만, 한 번에 하나의 씬만 생성하며 단순 반복으로는 연결된 멀티씬 월드를 생성할 수 없다. 우리는 단일 씬 방법이 해결하지 못한 세 가지 장애물을 파악하였다: 씬 간 일관성, 씬 내 탐색 가능성, 그리고 전환이 실제로 작동하는지에 대한 평가. 우리는 이 세 가지를 모두 해결하는 프롬프트-투-프로젝트 시스템인 MAGIC을 제안한다. MAGIC은 단일 자연어 프롬프트를 실행 가능한 멀티씬 게임 프로젝트로 변환하는 4단계 파이프라인이다: 공유 전환 인식 중간 표현을 계획하고, 플러드 필(flood-fill) 검증기를 통해 포털 도달 가능성을 강제하면서 각 씬을 명세하며, 씬들을 전환 스크립트와 함께 생성하고, 이들을 하나의 프로젝트로 결합한다. 기존의 단일 씬 충실도 지표는 전환을 실행하지 않기 때문에, 우리는 플레이 중 각 전환을 실행하는 전환 중심 평가 에이전트를 추가로 도입한다. 100개의 멀티씬 사례로 구성된 새로운 벤치마크에서, MAGIC은 모든 사례에서 실행 가능한 프로젝트를 생성하며 종단 간 전환 식별에서 정밀도 0.99, 재현율 0.95, F1 0.96을 달성한다; 단계별로, LLM 기준선 및 Holodeck보다 더 많은 실제 포털을 복원하고 현저히 더 탐색 가능한 레이아웃을 생성한다. 코드는 https://github.com/sereneee1201/MAGIC/ 에서 확인할 수 있다.
Wave Function Collapse(WFC)와 진화 탐색을 결합하여 완전한 레벨을 직접 진화시키는 대신 WFC의 소형 입력 예제를 진화시키는 방법을 제안하며, WFC를 유전자형-표현형 매핑으로 활용한다. 미로(Maze)와 젤다(Zelda) 던전 두 도메인에서 평가한 결과, 지역적 인접 관계에서 원하는 특성이 자연스럽게 발현되는 미로 도메인에서는 진화 최적화가 효과적이었으나, 전역적 제약이 필요한 젤다 도메인에서는 WFC의 지역 패턴 한계로 인해 여전히 어려움이 있음을 보였다.
Generative AI now enables games to produce dialogue, quests, characters, images, and worlds at runtime. Yet generation alone does not make a game AI-native, nor does it guarantee playability. This paper defines AI-native games by whether runtime generative AI is constitutive of the core loop: if the AI component were removed or trivially replaced, the central form of play would collapse or become fundamentally different. This counterfactual criterion separates AI-native games from AI-augmented games, boundary artifacts, chatbots, tavern-style role-play, procedural content generation, and AI-assisted production. Using this definition, we screen candidate artifacts and analyze 53 publicly available AI-native games and prototypes. We introduce a dual-axis G/N taxonomy: the G-axis captures player-facing game type, while the N-axis captures the dominant AI mechanic that makes generative AI indispensable to play. The corpus is concentrated around language-forward designs, especially narrative adventure, epistemic interaction, and generative narrative, while categories such as semantic adjudication, multi-agent simulation, generative construction, and relationship/companion play remain less represented. We argue that the central design problem is organizing semantic openness into stable gameplay. AI-native design depends on mechanical invariants: goals, rules, state, feedback, pacing, and player agency that make open-ended AI outputs interpretable and consequential. We conclude with a roadmap for controllable generation, AI-as-mechanic design, multimodal and multi-agent systems, inference economics, evaluation, safety, and regulation.