程序内容生成 (PCG) 是指在视频游戏和其他游戏中通过算法生成关卡、任务或角色等内容的做法。为了使游戏具有重玩性、减轻创作负担、限制存储空间要求和实现特定的美感，游戏开发者设计了大量 PCG 方法。此外，研究人员还探索了将机器学习、优化和约束求解的方法应用于 PCG 问题。自该领域诞生以来，游戏就广泛应用于人工智能研究，近年来，游戏被用于开发和基准测试新的机器学习算法。通过这种实践，我们越来越清楚地认识到这些算法容易出现过拟合。通常，算法不会学习通用策略，而是学习仅适用于具有特定初始参数的特定任务的特定版本的策略。为了应对这一问题，研究人员开始探索问题参数的随机化，以抵消这种过度拟合，并允许训练后的策略更轻松地从一个环境转移到另一个环境，例如从模拟机器人转移到现实世界中的机器人。在这里，我们回顾了大量现有的 PCG 研究，我们认为 PCG 在提高机器学习方法的通用性方面发挥着重要作用。这里的主要目标是向 RL/AI 展示 PCG 工具箱中的新工具，其次要目标是向游戏开发者和研究人员解释他们的工作与 AI 研究的相关性。