Was ist die grundlegende Technologie der künstlichen Intelligenz in Spielen?
Die Grundtechnologie der künstlichen Intelligenz im Spiel ist „qualitativ“. Qualitativ bedeutet, dass das Verhalten oder die Leistung spezifisch und ohne Unsicherheit vorhersehbar ist. Erstellen Sie beispielsweise einen Monstercharakter, bewegen Sie sich entlang der XY-Koordinatenachse und bewegen Sie sich auf einen Zielpunkt zu, bis sich die XY-Koordinaten des Charakters und die Koordinaten des Zielpunkts überschneiden . Qualitative KI-Technologie ist die Grundlage der Spiele-KI; die Ergebnisse qualitativer KI-Technologie sind vorhersehbar, effizient und einfach zu implementieren, zu verstehen, zu testen und zu debuggen.
Die Betriebsumgebung dieses Tutorials: Windows 7-System, Dell G3-Computer.
Die Definition von künstlicher Spielintelligenz ist recht weit gefasst und flexibel. Unabhängig davon, welche Methode verwendet wird, kann sie als Spiel-KI betrachtet werden, solange sie den Menschen die „Illusion“ eines bestimmten Grades an Intelligenz vermitteln kann, das Spiel süchtig machender, herausfordernder und vor allem unterhaltsamer macht.
Qualitative und nicht-qualitative KI
Spiel-KI wird normalerweise in zwei Typen unterteilt: qualitative und nicht-qualitative.
Qualitativ
Qualitativ bedeutet, dass Verhalten oder Leistung spezifisch und vorhersehbar ist, ohne Unsicherheit. Ein konkretes Beispiel könnte ein einfacher Verfolgungsalgorithmus sein. Erstellen Sie beispielsweise einen Monstercharakter, bewegen Sie sich entlang der XY-Koordinatenachse und bewegen Sie sich auf einen Zielpunkt zu, bis sich die XY-Koordinaten des Charakters mit den Koordinaten des Zielpunkts überschneiden.
Nicht qualitativ
Im Gegensatz zu qualitativem Verhalten weist nicht zielgerichtetes Verhalten ein gewisses Maß an Unsicherheit auf und ist etwas unvorhersehbar (inwieweit es unsicher und für Menschen schwierig ist, die verwendete KI-Methode zu verstehen) bezogen auf Leichtigkeit). Ein konkretes Beispiel besteht darin, Nicht-Spieler-Charakteren das Erlernen von Kampftaktiken zu ermöglichen, die an den Spieler angepasst sind. Solche Lernfähigkeiten können mithilfe neuronaler Netze, Bayes'scher Techniken oder genetischer Algorithmen erreicht werden.
Qualitative KI-Technologie ist die Grundlage der Spiel-KI. Die Ergebnisse qualitativer KI-Technologie sind vorhersehbar, effizient und einfach zu implementieren, zu verstehen, zu testen und zu debuggen. Obwohl es viele qualitative Methoden gibt, liegt die Last, verschiedene Szenarien im Voraus zu durchdenken und alle Verhaltensweisen aufzuschreiben, eindeutig auf den Schultern des Entwicklers. Darüber hinaus können qualitative Methoden NPCs nicht dabei helfen, zu lernen und sich weiterzuentwickeln. Spieler können das qualitative Verhalten von NPCs vorhersagen, indem sie sie sorgfältig beobachten. Wir können sagen, dass die Verwendung qualitativen Verhaltens die „Lebensdauer“ von Spielesoftware einschränkt.
Nicht-qualitative Technologie ermöglicht es NPCs, selbstständig zu lernen und neue Verhaltensweisen zu entwickeln, wie z. B. neu auftretende Verhaltensweisen (Verhaltensweisen, die ohne klare Anweisungen auftreten), was es für Spieler schwierig macht, das Spiel vorherzusagen, und die Spielbarkeit des Spiels erhöht. Entwickler müssen auch nicht alle möglichen Szenarien antizipieren und alle expliziten Verhaltensweisen im Voraus aufschreiben.
Obwohl nicht-qualitative Technologie die Spielbarkeit von Spielen verbessern kann, haben sich Entwickler lange von nicht-qualitativer KI distanziert (dies hat sich jedoch nach und nach geändert). Die Unvorhersehbarkeit erschwert das Testen und Debuggen (da es keine Möglichkeit gibt, alle möglichen Spieleraktionen zu testen, um sicherzustellen, dass die Spielsoftware keine Fehler aufweist). Darüber hinaus sind Spieleentwickler mit einem immer kürzeren Entwicklungszyklus konfrontiert, was es für Entwickler schwierig macht, die neueste KI-Technologie vollständig zu verstehen.
Ein weiterer Faktor schränkt die Entwicklung nicht qualitativer Technologien ein. In letzter Zeit konzentrieren sich Entwickler zunehmend auf die Qualität von Bildern (weil Spieler schöne Dinge mögen). Um eine bessere und schnellere Grafiktechnologie zu entwickeln, bleibt daher keine Zeit, eine bessere Spiel-KI zu entwickeln.
Bestehende Spiel-KI-Technologie
Finite-State-Machine (Finite-State-Machine, FSM) ist eine Spiel-KI-Technologie, die überall zu sehen ist. Wir werden diesen Teil in Kapitel 9 im Detail untersuchen. Das Grundkonzept einer endlichen Zustandsmaschine besteht darin, eine Reihe von Aktionen oder Zuständen computergesteuerten Charakters aufzulisten und dann Wenn-Dann-Bedingungsanweisungen zu verwenden, um verschiedene Situationen zu überprüfen und Bedingungen zu erfüllen. und beurteilen Sie dann die Ergebnisse anhand von Aktionen ausführen oder Charakterzustände aktualisieren oder Übergang zwischen Aktionen und Zuständen.
Entwickler verwenden häufig Fuzzy-Logik in Fuzzy-Zustandsmaschinen, um die Vorhersage der letztendlich ausgeführten Aktion zu erschweren und die Belastung durch die Aufzählung einer großen Anzahl von Bedingungen mit Wenn-Dann-Anweisungen zu verringern. In einem endlichen Automaten gibt es möglicherweise eine Regel wie „Wenn die Distanz 10 und die Gesundheit 100 beträgt, dann greifen Sie an“, aber die Fuzzy-Logik ist anders und ermöglicht es Ihnen, Regeln mit weniger präzisen Bedingungen zu entwerfen. Wie „Wenn nah und gesund genug, dann Power Attack“. Fuzzy-State-Maschinen werden in Kapitel 10 ausführlich vorgestellt.
In verschiedenen Spielen besteht die grundlegende Aufgabe von Nicht-Spieler-Charakteren darin, effektive Wege zu finden. In einem Kriegssimulationsspiel muss die Armee des Nicht-Spieler-Charakters in der Lage sein, verschiedene Terrains zu durchqueren, Hindernissen auszuweichen und den Standort des Feindes zu erreichen. Kreaturen in Ego-Shootern müssen in der Lage sein, durch Dungeons oder Gebäude zu gelangen, um den Spieler zu treffen oder dem Blickfeld des Spielers zu entkommen. Es gibt unzählige solcher Szenarien. Es versteht sich von selbst, dass KI-Entwickler der Wegfindung große Aufmerksamkeit schenken. In Kapitel 6 werden wir über allgemeine „Pfadfindungstechniken“ sprechen, und in Kapitel 7 werden wir über den wichtigen „A*-Algorithmus“ sprechen. Einige der oben genannten Technologien sind nur einige der vorhandenen KI-Technologien für Spiele. Andere umfassen regelbasierte Beschreibungssysteme und einige künstliche Deklarationstechnologien, und es gibt viele Arten. Ein künstliches Lebenssystem ist ein vom Menschen geschaffenes System, das menschenähnliches Verhalten zeigt. Bei diesen Verhaltensweisen handelt es sich um aufkommende Verhaltensweisen, und ihre Entwicklung ist das Ergebnis der Kombination der Funktionsweise verschiedener Algorithmen auf niedriger Ebene. Wir werden später Beispiele für künstliches Leben und andere Technologien diskutieren. Das nächste große Ding in der Spiele-KI ist „Lernen“. Nach dem Start des Spiels werden die Verhaltensweisen aller Nicht-Spieler-Charaktere nicht mehr im Voraus festgelegt. Je länger das Spiel gespielt wird, desto mehr wird sich das Spiel weiterentwickeln, lernen und anpassungsfähiger werden. Ein solches Spiel wächst mit den Spielern und es wird für die Spieler schwierig sein, das Spielverhalten vorherzusagen, wodurch sich der Lebenszyklus des Spiels verlängert. Spiele lernen und entwickeln sich weiter, wodurch Spiele von Natur aus unvorhersehbar sind. Die Technologien „Learning“ und „Character Behavior Response“ gehören zum oben genannten Bereich der nicht-qualitativen KI und sind daher recht schwierig. Um es klar zu sagen: Die Entwicklung und Erprobung dieser nicht qualitativen „lernenden“ KI-Technologie dauert länger. Darüber hinaus ist es schwieriger, genau zu verstehen, was die KI tun wird, was das Debuggen erschwert. Diese Faktoren stellen große Hindernisse für die breite Einführung „lernender“ KI-Technologien dar. Dies ändert sich jedoch. Mehrere Mainstream-Spiele verwenden nicht qualitative KI-Technologie, wie zum Beispiel „Creatures“, „Black & White“, „Battlecruiser 3000AD“, „Dirt Track Racing“, „Fields of Battle“ und „Heavy Gear“. Der Erfolg dieser Spiele hat das Interesse am „Lernen“ von KI-Techniken wie „Entscheidungsbäumen, neuronalen Netzen, genetischen Algorithmen und probabilistischen Methoden“ neu entfacht. Diese erfolgreichen Spielesoftwares verwenden auch traditionelle qualitative Methoden, wenn nicht-qualitative Methoden nur dort eingesetzt werden, wo sie am besten geeignet und erforderlich sind. Neuronale Netze sind kein Wundermittel, das alle KI-Probleme in Gaming-Software lösen kann, aber Sie können beeindruckende Ergebnisse erzielen, indem Sie bestimmte KI-Aufgaben in einem hybriden KI-System lösen. Auf diese Weise können Sie die Teile der KI isolieren, die unvorhersehbar und schwierig zu entwickeln, zu debuggen und zu testen sind, während der Großteil Ihres KI-Systems weiterhin in seiner traditionellen Form bleibt. Weitere Informationen zu diesem Thema finden Sie in der Spalte „FAQDie Zukunft der Spiele-KI
Das obige ist der detaillierte Inhalt vonWas ist die grundlegende Technologie der künstlichen Intelligenz in Spielen?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Laut Nachrichten dieser Website vom 5. Juli veröffentlichte GlobalFoundries am 1. Juli dieses Jahres eine Pressemitteilung, in der die Übernahme der Power-Galliumnitrid (GaN)-Technologie und des Portfolios an geistigem Eigentum von Tagore Technology angekündigt wurde, in der Hoffnung, seinen Marktanteil in den Bereichen Automobile und Internet auszubauen Anwendungsbereiche für Rechenzentren mit künstlicher Intelligenz, um höhere Effizienz und bessere Leistung zu erforschen. Da sich Technologien wie generative künstliche Intelligenz (GenerativeAI) in der digitalen Welt weiterentwickeln, ist Galliumnitrid (GaN) zu einer Schlüssellösung für nachhaltiges und effizientes Energiemanagement, insbesondere in Rechenzentren, geworden. Auf dieser Website wurde die offizielle Ankündigung zitiert, dass sich das Ingenieurteam von Tagore Technology im Rahmen dieser Übernahme mit GF zusammenschließen wird, um die Galliumnitrid-Technologie weiterzuentwickeln. G