基础模型与学习到的游戏世界模型正重新定义游戏全生命周期中的人工智能。除了传统的游戏对弈，最新系统还能对玩家行为和游戏动态进行建模，辅助设计与开发，在运行时自适应玩家体验，并对生成的内容进行评估。文献可归为六大角色：
- 直接玩耍与行动；
- 玩家与游戏建模；
- 游戏设计；
- 游戏构建与维护；
- 运行时生成与适配；
- 测试与评估。
每个角色都涉及游戏或工作流提供的结构、AI 学习或生成的产出、跨场景可迁移的能力与产物，以及支撑这些主张的证据。跨角色的联系包括：轨迹数据用于训练世界模型，学习到的环境为智能体提供经验，设计规范驱动可执行实现，玩耍或测试反馈引导迭代修正。
然而，控制方案、规则、引擎接口、状态表示以及玩家上下文往往是特定于场景的，因而下游的效果必须在目标环境中重新验证。评估在受限的游戏对弈和特定学习环境中相对成熟，但在持久化的学习世界、持续的软件迭代、经过验证的玩家建模、长期运行时适配以及具代表性的自动化测试方面仍显不足。
核心挑战在于如何复用或迁移 AI 的输出与能力跨角色使用，同时在每个具体游戏情境中重新建立有效性的证据。
点评