최근 연구에서 강화 학습(RL) 에이전트와 대규모 언어모델(LLM)이 게임 환경의 복잡한 인과 관계를 정확히 이해하지 못하는 문제가 지적되었습니다. RL 에이전트는 종종 우연한 상관관계에 의존하고, LLM은 게임 규칙을 잘못 이해하거나 '환각(hallucination)'하는 경향을 보입니다. 이러한 한계를 극복하기 위해, 게임의 메커니즘을 인과 모델로 직접 변환하는 새로운 접근 방식이 제시되었습니다.
모히트 지와토드(Mohit Jiwatode) 외 연구진은 비디오 게임 기술 언어(Video Game Description Language, VGDL)로 작성된 게임을 동적 구조 인과 모델(Dynamic Structural Causal Models)로 컴파일하는 결정론적 프레임워크를 제안했습니다. 이 방법론은 게임 플레이 기록이나 LLM의 불확실한 출력에서 인과 구조를 추론하는 대신, 스프라이트(sprite) 동작, 상호작용 규칙, 종료 조건 등 게임 구성 요소를 명시적인 구조 방정식으로 직접 변환합니다. 각 게임 틱(tick)은 시간 t의 상태 변수에서 t+1로의 인과적 전환을 나타내며, 이를 통해 게임의 실제 메커니즘에 대한 절대적인 인과적 충실도를 보장합니다.
이러한 접근 방식은 인공지능(AI)이 게임의 '진정한' 인과 관계를 학습할 수 있는 투명한 경로를 제공합니다. 결과적으로 생성된 모델은 반사실적 추론(counterfactual reasoning), 인과 강화 학습 에이전트 훈련, 그리고 절차적 콘텐츠 유효성 검사를 지원합니다. 이는 상징적 게임 설명과 인과적으로 기반을 둔 게임 AI 사이의 중요한 다리 역할을 하며, AI가 게임 환경을 더욱 깊이 이해하고 예측할 수 있도록 돕는 원칙적인 프레임워크를 제공합니다.