强化学习和大语言模型在捕捉游戏环境的因果机制时常出现偏差。传统强化学习代理容易依赖偶然相关性，而大语言模型则倾向于捏造游戏规则。因果强化学习虽能提升可解释性，但缺乏将复杂游戏机制直接映射为因果模型的正式方法。为此我们提出一种确定性框架，能够把使用视频游戏描述语言（VGDL）编写的游戏转换为动态结构因果模型（DSCM）。框架不从游戏轨迹或噪声大的语言模型输出中推断因果结构，而是直接将游戏要素——精灵运动、交互规则、终止条件——翻译为显式的结构方程。每一次游戏时钟对应一次从时间 $t$ 到 $t+1$ 的因果转移。通过这种映射，模型对真实游戏机制保持绝对因果忠实度。得到的因果模型提供透明的因果路径，支持反事实推理、因果强化学习代理的训练以及程序化内容验证。该框架在符号化游戏描述与因果驱动游戏 AI 之间搭建了原则性的桥梁。
点评：该工作为游戏 AI 的因果建模提供了可操作的实现路径，尤其在保证模型与原始规则一致性方面具有重要意义。