Ogólnie rzecz biorąc, sieci neuronowe i algorytmy genetyczne nie są używane w grach, a poza niedawnym zainteresowaniem wykorzystaniem sieci neuronowych do głębokiego uczenia się, nierzadko także poza grami.
Głównym powodem, dla którego uczy się ich w środowisku akademickim AI, nie jest ich praktyczna przydatność, ale ponieważ są one dość łatwe do wyjaśnienia jako urządzenia dydaktyczne - oba mają matematyczne i biologiczne analogi, które pozwalają uczniowi zrozumieć, jak mogą działać.
W prawdziwym świecie zazwyczaj potrzebujesz niezawodności i przewidywalności. Problem z metodami uczenia się polega na tym, że jeśli uczą się „na wolności”, mogą nauczyć się niewłaściwych wzorców i być zawodnym. NN lub GA może potencjalnie osiągnąć lokalne maksimum, co nie jest gwarantowane na tyle dobre, aby na przykład zapewnić wymaganą rozgrywkę. Innym razem może okazać się zbyt dobry, znajdując idealną strategię, która jest nie do pokonania. Żadne z tych produktów nie jest pożądane.
Nawet jeśli trenujesz offline (tj. Przed uruchomieniem, a nie podczas gry), pozornie dobrze wyglądający zestaw danych może ukrywać anomalie, które po znalezieniu przez gracza są łatwe do wykorzystania. W szczególności sieć neuronowa zazwyczaj ewoluuje zestaw wag, który jest dość nieprzejrzysty do zbadania, a decyzje podejmowane przez nią są trudne do uzasadnienia. Projektantowi trudno byłoby dostosować taką procedurę sztucznej inteligencji, aby działała zgodnie z oczekiwaniami.
Ale być może najbardziej okropny problem polega na tym, że GA i NN nie są na ogół najlepszymi narzędziami do zadań związanych z tworzeniem gier. Chociaż dobre urządzenia do nauczania, każdy, kto ma wystarczającą wiedzę na temat dziedziny, jest ogólnie lepiej przygotowany do korzystania z innej metody, aby osiągnąć podobne wyniki. Może to być wszystko, od innych technik sztucznej inteligencji, takich jak maszyny wektorów wspierających lub drzewa zachowań, po prostsze podejścia, takie jak maszyny stanowe, a nawet długi łańcuch warunkowych elementów warunkowych. Podejścia te lepiej wykorzystują wiedzę domenową dewelopera i są bardziej niezawodne i przewidywalne niż metody uczenia się.
Słyszałem jednak, że niektórzy programiści korzystali z sieci neuronowych podczas programowania, aby wyszkolić kierowcę, aby znalazł dobrą trasę wokół toru wyścigowego, a następnie ta trasa może zostać wysłana jako część gry. Zauważ, że końcowa gra nie wymaga żadnego kodu sieci neuronowej do działania, nawet wyszkolonej sieci.
Nawiasem mówiąc, „koszt” metody nie jest tak naprawdę problemem. Zarówno NN, jak i GA można wdrażać wyjątkowo tanio, w szczególności NN nadaje się do wstępnych obliczeń i optymalizacji. Problem polega na tym, że można z nich uzyskać coś pożytecznego.
