Secara umum, jaringan saraf dan algoritma genetika tidak digunakan dalam permainan, dan terlepas dari minat baru-baru ini dalam menggunakan jaring saraf untuk pembelajaran yang mendalam, tidak sering di luar permainan juga.
Alasan utama ini diajarkan di akademi AI bukan karena penerapan praktis mereka tetapi karena mereka cukup mudah untuk dijelaskan sebagai alat pengajaran - keduanya memiliki analog matematika dan biologis yang memungkinkan siswa untuk memahami bagaimana mereka bisa bekerja.
Di dunia nyata, Anda biasanya membutuhkan keandalan dan kepastian. Masalah dengan metode pembelajaran adalah bahwa jika mereka belajar 'di alam liar' maka mereka dapat mempelajari pola yang salah dan tidak dapat diandalkan. NN atau GA dapat berpotensi mencapai maksimum lokal yang tidak dijamin cukup baik untuk memberikan pengalaman bermain yang diperlukan, misalnya. Di lain waktu, itu mungkin berakhir menjadi terlalu baik, menemukan strategi sempurna yang tidak ada duanya. Baik diinginkan di sebagian besar produk hiburan.
Bahkan jika Anda berlatih secara offline (mis. Sebelum peluncuran, dan bukan saat bermain game), kumpulan data yang kelihatannya bagus bisa menyembunyikan anomali yang, setelah ditemukan oleh pemain, mudah dieksploitasi. Suatu jaringan saraf khususnya secara khusus mengembangkan seperangkat bobot yang cukup buram untuk dipelajari, dan keputusan yang dibuat olehnya sulit untuk dipikirkan. Akan sulit bagi seorang perancang untuk men-tweak rutin AI seperti itu untuk melakukan yang diinginkan.
Tapi mungkin masalah yang paling memberatkan adalah bahwa GA dan NN umumnya bukan alat terbaik untuk tugas pengembangan game apa pun. Sementara alat pengajaran yang baik, siapa pun dengan pengetahuan yang cukup tentang domain subjek umumnya lebih siap untuk menggunakan metode yang berbeda untuk mencapai hasil yang sama. Ini bisa berupa apa saja dari teknik AI lain seperti mendukung mesin vektor atau pohon perilaku hingga pendekatan yang lebih sederhana seperti mesin negara atau bahkan rantai panjang persyaratan-jika-maka. Pendekatan-pendekatan ini cenderung memanfaatkan pengetahuan domain pengembang dengan lebih baik dan lebih dapat diandalkan dan dapat diprediksi daripada metode pembelajaran.
Namun saya telah mendengar bahwa beberapa pengembang telah menggunakan jaringan saraf selama pengembangan untuk melatih pengemudi untuk menemukan rute yang baik di sekitar arena pacuan kuda, dan kemudian rute ini kemudian dapat dikirim sebagai bagian dari permainan. Perhatikan bahwa permainan terakhir tidak memerlukan kode jaringan saraf untuk berfungsi, bahkan jaring yang terlatih.
'Biaya' metode ini sebenarnya bukan masalah, kebetulan. Baik NN dan GAS dapat diimplementasikan dengan sangat murah, dengan NN secara khusus meminjamkan dirinya untuk pra-perhitungan dan optimisasi. Masalahnya adalah benar-benar bisa mendapatkan sesuatu yang bermanfaat dari mereka.
Aplikasi AI "akademik" dalam game cenderung jauh lebih halus daripada jenis hal yang biasanya dianggap sebagai AI dalam lingkup game. Banyak fokus profesor AI Game saya ketika saya masih di sekolah adalah AI untuk kontrol kamera. Bidang minatnya yang lain adalah manajemen naratif AI yang sejauh yang saya tahu masih terbatas pada akademisi. Contoh penting dari bidang ini nanti adalah fasad .
Masalah utama untuk AI "akademik", dalam game, adalah mereka menyelesaikan masalah yang berbeda. Anda sering tidak ingin memenuhi persyaratan, dalam game; Anda hanya ingin memuaskan. Seperti yang telah dikatakan sebelumnya: Anda tidak ingin mudah, tetapi Anda juga tidak ingin lawan AI Anda menjadi terlalu sulit.
Yang sedang berkata, seri game Black and White Lionhead memang menggunakan AI mirip dengan apa yang Anda bicarakan dengan pertanyaan di atas dan setidaknya cukup berhasil bagi mereka untuk membuat sekuel .
Saya ingat laporan AI yang berseri-seri dari "The Elder Scrolls IV: Oblivion ' menjadi contoh dari perilaku ini pada awalnya juga, tetapi itu harus dikalahkan karena perilaku aneh yang tidak terduga seperti NPC saling membunuh satu sama lain karena makanan.
sumber
Mereka sulit di-debug, jadi kesalahan (mungkin disebabkan oleh optimasi yang tidak disengaja) tidak dapat diperbaiki dengan mudah. Karena itu, setiap jaringan saraf yang menggunakannya, game harus belajar secara real time selama bermain game. Namun, mereka telah digunakan, misalnya game NERO.
sumber
Forza menggunakan jaringan saraf untuk AI mobil. Dari apa yang saya dengar, mereka melakukan semua pembelajaran sebelumnya sebelum mereka mengirim permainan, jadi itu adalah jaringan saraf statis saat runtime.
Seorang teman saya di proyek memberi tahu saya tentang hal itu, tetapi artikel ini juga membicarakannya: http://gamingbolt.com/forza-5-developer-best-explains-cloud-technology-create-ai-agents-to- menang untukmu
sumber
Karena Anda meminta contoh dalam industri, inilah salah satu untuk Anda: Judul paling awal yang saya tahu tentang jaringan saraf yang digunakan adalah Fantasy Empires, sebuah permainan D & D TBS / aksi yang dirilis tahun 1993. Rupanya mereka menggunakan ini untuk menggerakkan apa yang akan dikatakan oleh tokoh utama penjara bawah tanah dan lakukan dengan cara "cerdas" tetapi "tidak dapat diprediksi" ... jika Anda sering memainkan permainan, Anda mungkin tidak setuju! Sosok utama dungeon animasi menawarkan panduan tentang gaya permainan Anda, berdasarkan tindakan Anda saat ini, dari kumpulan gigitan suara statis, menggunakan NN. Saya menganggap itu memang jaringan yang sangat sederhana.
(lihat halaman 57 manual untuk detail)
sumber