Вообще говоря, нейронные сети и генетические алгоритмы не используются в играх и, кроме недавнего интереса к использованию нейронных сетей для глубокого обучения, не так уж часто и вне игр.
Основная причина, по которой они преподаются в академической среде искусственного интеллекта, заключается не в их практической применимости, а в том, что их довольно легко объяснить как учебные пособия - оба имеют математические и биологические аналоги, которые позволяют ученику понять, как они могут работать.
В реальном мире вам обычно нужны надежность и предсказуемость. Проблема с методами обучения заключается в том, что если они учатся «в дикой природе», они могут выучить неправильные модели и быть ненадежными. NN или GA могут потенциально достичь локального максимума, который, как гарантируют, не будет достаточно хорошим, чтобы обеспечить требуемый игровой опыт, например. В других случаях это может оказаться слишком хорошим, найти идеальную стратегию, которая непобедима. Ни один из них не является желательным в большинстве развлекательных продуктов.
Даже если вы тренируетесь в автономном режиме (т. Е. До запуска, а не во время игры), очевидно, что хорошо выглядящий набор данных может скрывать аномалии, которые, найденные игроком, легко использовать. В частности, нейронная сеть обычно развивает набор весов, который довольно непрозрачен для изучения, и решения, которые он принимает, трудно рассуждать. Для дизайнера было бы трудно настроить такую процедуру ИИ для выполнения по желанию.
Но, пожалуй, самая страшная проблема заключается в том, что GA и NN, как правило, не являются лучшими инструментами для любой задачи разработки игр. В то время как хорошие обучающие устройства, любой, кто обладает достаточными знаниями в предметной области, как правило, лучше подготовлен к использованию другого метода для достижения аналогичных результатов. Это может быть что угодно, от других методов ИИ, таких как машины опорных векторов или деревья поведения, до более простых подходов, таких как конечные автоматы, или даже длинной цепочки условных выражений if-then. Эти подходы, как правило, лучше используют знания предметной области разработчика и являются более надежными и предсказуемыми, чем методы обучения.
Однако я слышал, что некоторые разработчики использовали нейронные сети во время разработки, чтобы обучить водителя находить хороший маршрут вокруг ипподрома, и затем этот маршрут можно будет отправить как часть игры. Обратите внимание, что финальная игра не требует никакого кода нейронной сети, даже обученной сети.
Кстати, «стоимость» метода не является проблемой. И NN, и GA могут быть реализованы чрезвычайно дешево, в частности, NN предоставляет возможность предварительного расчета и оптимизации. Проблема действительно в том, чтобы иметь возможность извлечь из них что-то полезное.
Применение «академического» ИИ в играх, как правило, более тонкое, чем то, что обычно считают ИИ в игровой сфере. Когда я учился в школе, мой преподаватель по искусственному ИИ был в центре внимания ИИ для управления камерой. Его другой областью интересов было управление нарративом искусственного интеллекта, которое, насколько я знаю, все еще ограничено научными кругами. Известным примером этой более поздней области будет фасад .
Основная проблема «академического» ИИ в играх заключается в том, что они решают разные задачи. Вы часто не хотите удовлетворять требованиям в игре; Вы просто хотите удовлетворить. Как было сказано ранее: вы не хотите быть легким, но вы не хотите, чтобы ваш противник ИИ был слишком сложным.
Тем не менее, серии игр Lionhead's Black and White действительно использовали ИИ, подобный тому, о котором вы говорите с вопросом выше, и, по крайней мере, были достаточно успешны для того, чтобы сделать продолжение .
Я помню сообщения о лучезарном искусственном интеллекте из «The Elder Scrolls IV: Oblivion», который также являлся примером этой вены поведения, но его пришлось заглушить из-за странного неожиданного поведения, такого как NPC, убивающих друг друга из-за еды.
источник
Их сложно отладить, поэтому сбой (возможно, вызванный случайной чрезмерной оптимизацией) не может быть легко исправлен. Из-за этого любая нейронная сеть, в которой используются игры, должна учиться в реальном времени во время игры. Однако они были использованы, например, в игре NERO.
источник
Forza использует нейронные сети для автомобильного AI. Из того, что я слышал, они изучили все заранее, до того как выпустили игру, так что это статическая нейронная сеть во время выполнения.
Мой друг о проекте рассказал мне об этом, но эта статья также говорит об этом: http://gamingbolt.com/forza-5-developer-best-explains-cloud-technology-create-ai-agents-to- обоюдная для вас,
источник
Поскольку вы просили привести примеры в промышленности, вот один для вас: самое раннее название, которое я знаю об использованных нейронных сетях, было Fantasy Empires, D & D TBS / боевик, выпущенный в 1993 году. Очевидно, они использовали их, чтобы вести то, что сказал бы мастер подземелья, и делайте это «разумно», но «непредсказуемо» ... если вы много играете в игру, вы можете не согласиться! Анимированный мастер подземелий предлагает руководство по вашему стилю игры, основанное на ваших недавних действиях, из коллекции статических звуковых фрагментов с использованием NN. Я предполагаю, что это действительно очень простая сеть.
(подробности см. на стр. 57 )
источник