De manière générale, les réseaux de neurones et les algorithmes génétiques ne sont pas utilisés dans les jeux, et en dehors de l'intérêt récent pour l'utilisation de réseaux de neurones pour l'apprentissage en profondeur, pas si souvent en dehors des jeux non plus.
La principale raison pour laquelle ils sont enseignés dans le monde de l'IA n'est pas en raison de leur applicabilité pratique, mais parce qu'ils sont assez faciles à expliquer en tant que dispositifs d'enseignement - les deux ont des analogues mathématiques et biologiques qui permettent à un étudiant de comprendre comment ils pourraient travailler.
Dans le monde réel, vous avez généralement besoin de fiabilité et de prévisibilité. Le problème avec les méthodes d'apprentissage est que s'ils apprennent «à l'état sauvage», ils peuvent apprendre les mauvais schémas et ne pas être fiables. Un NN ou un GA pourrait potentiellement atteindre un maximum local qui n'est pas garanti d'être suffisamment bon pour fournir l'expérience de jeu requise, par exemple. D'autres fois, cela pourrait finir par être trop bon, trouver une stratégie parfaite imbattable. Aucun n'est souhaitable dans la plupart des produits de divertissement.
Même si vous vous entraînez hors ligne (c'est-à-dire avant le lancement, et non pendant le jeu), un ensemble de données apparemment beau pourrait cacher des anomalies qui, une fois trouvées par un joueur, sont faciles à exploiter. Un réseau de neurones en particulier fait généralement évoluer un ensemble de poids qui est assez opaque à étudier, et les décisions qu'il prend sont difficiles à raisonner. Il serait difficile pour un concepteur de modifier une telle routine d'intelligence artificielle pour qu'elle fonctionne comme souhaité.
Mais le problème le plus accablant est peut-être que les GA et NN ne sont généralement pas les meilleurs outils pour toute tâche de développement de jeux. Bien que de bons dispositifs d'enseignement, toute personne ayant une connaissance suffisante du domaine est généralement mieux équipée pour utiliser une méthode différente pour obtenir des résultats similaires. Il peut s'agir d'autres techniques d'IA telles que les machines à vecteurs de support ou les arbres de comportement, jusqu'aux approches plus simples telles que les machines à états ou même une longue chaîne de conditions si-alors. Ces approches tendent à mieux utiliser les connaissances du domaine du développeur et sont plus fiables et prévisibles que les méthodes d'apprentissage.
J'ai entendu cependant que certains développeurs ont utilisé des réseaux de neurones pendant le développement pour former un pilote à trouver un bon itinéraire autour d'une piste de course, puis cet itinéraire peut ensuite être expédié dans le cadre du jeu. Notez que le jeu final ne nécessite aucun code de réseau neuronal pour que cela fonctionne, pas même le réseau formé.
Le «coût» de la méthode n'est d'ailleurs pas vraiment le problème. Les NN et les AG peuvent être mis en œuvre à très bon marché, le NN se prêtant en particulier au pré-calcul et à l'optimisation. L'enjeu est vraiment de pouvoir en tirer quelque chose d'utile.
Les applications de l'IA "académique" dans les jeux ont tendance à être beaucoup plus subtiles que les types de choses que l'on considère normalement comme l'IA dans la sphère du jeu. Lorsque j'étais à l'école, mon professeur de Game AI s'est concentré sur l'IA pour le contrôle de la caméra. Son autre domaine d'intérêt était la gestion narrative de l'IA qui, pour autant que je sache, reste limitée au monde universitaire pour la plupart. Un exemple notable de cette dernière zone serait la façade .
Le principal problème de l'IA "académique", dans les jeux, est qu'ils résolvent différents problèmes. Souvent, vous ne voulez pas satisfaire aux exigences du jeu; vous voulez juste satisfaire. Comme cela a été formulé précédemment: vous ne voulez pas être facile, mais vous ne voulez pas non plus que votre adversaire IA soit trop difficile.
Cela étant dit, la série de jeux Black and White de Lionhead a utilisé une IA similaire à ce dont vous parlez avec la question ci-dessus et a au moins été assez réussie pour qu'ils puissent faire une suite .
Je me souviens de rapports d'IA rayonnante de "The Elder Scrolls IV: Oblivion" qui étaient également un exemple de cette veine de comportement à l'origine, mais elle a dû être réduite à néant à cause d'un comportement inattendu étrange, comme des PNJ s'entretuant avec de la nourriture.
la source
Ils sont difficiles à déboguer, donc un problème (probablement causé par une optimisation accidentelle) ne peut pas être résolu facilement. Pour cette raison, tout réseau de neurones utilisé par les jeux devrait apprendre en temps réel pendant le jeu. Cependant, ils ont été utilisés, par exemple le jeu NERO.
la source
Forza utilise des réseaux de neurones pour l'IA des voitures. D'après ce que j'ai entendu, ils ont fait tout l'apprentissage à l'avance avant d'envoyer le jeu, donc c'est un réseau neuronal statique au moment de l'exécution.
Un de mes amis sur le projet m'en a parlé, mais cet article en parle également: http://gamingbolt.com/forza-5-developer-best-explains-cloud-technology-create-ai-agents-to- gagner pour vous
la source
Depuis que vous avez demandé des exemples dans l'industrie, en voici un pour vous: le premier titre que je connaisse de ces réseaux de neurones utilisés était Fantasy Empires, un D & D TBS / jeu d'action sorti en 1993. Apparemment, ils les ont utilisés pour piloter ce que le maître de donjon dirait et faites de façon "intelligente" mais "non prévisible" ... si vous avez beaucoup joué au jeu, vous pourriez ne pas être d'accord! La figure de maître de donjon animé offre des conseils sur votre style de jeu, basé sur vos actions récentes, à partir d'une collection de piqûres sonores statiques, en utilisant le NN. Je suppose que c'est un réseau très simple.
(voir page 57 du manuel pour plus de détails)
la source