Quelle est la technologie de base de l'intelligence artificielle des jeux ?
La technologie de base de l'intelligence artificielle des jeux est « qualitative ». Qualitatif signifie que le comportement ou la performance est spécifique et prévisible sans incertitude ; par exemple, créez un personnage monstre, déplacez-vous le long de l'axe de coordonnées XY et déplacez-vous vers un point cible jusqu'à ce que les coordonnées XY du personnage et les coordonnées du point cible se chevauchent. . La technologie d'IA qualitative est le fondement de l'IA des jeux ; les résultats de la technologie d'IA qualitative sont prévisibles, efficaces et faciles à mettre en œuvre, à comprendre, à tester et à déboguer.
L'environnement d'exploitation de ce tutoriel : système Windows 7, ordinateur Dell G3.
La définition de l'intelligence artificielle du jeu est assez large et flexible. Quelle que soit la méthode utilisée, tant qu'elle peut donner aux gens « l'illusion » d'un certain degré d'intelligence, rendre le jeu plus addictif, plus stimulant et, surtout, plus amusant, elle peut alors être considérée comme une IA de jeu.
IA qualitative et non qualitative
L'IA de jeu est généralement divisée en deux types, qualitative et non qualitative.
Qualitatif
Qualitatif signifie que le comportement ou la performance est spécifique et prévisible, sans incertitude. Un exemple spécifique pourrait être un simple algorithme de poursuite. Par exemple, créez un personnage monstre, déplacez-vous le long de l'axe de coordonnées XY et déplacez-vous vers un point cible jusqu'à ce que les coordonnées XY du personnage chevauchent les coordonnées du point cible.
Non qualitatif
Contrairement au comportement qualitatif, le comportement non ciblé présente un certain degré d'incertitude et est quelque peu imprévisible (dans quelle mesure il est incertain et difficile pour les gens de comprendre la méthode d'IA utilisée) lié à la facilité). Un exemple précis est de permettre à des personnages non-joueurs d'apprendre des tactiques de combat adaptées au joueur. De telles capacités d'apprentissage peuvent être obtenues à l'aide de réseaux de neurones, de techniques bayésiennes ou d'algorithmes génétiques.
La technologie d'IA qualitative est le fondement de l'IA des jeux. Les résultats de la technologie d’IA qualitative sont prévisibles, efficaces et faciles à mettre en œuvre, à comprendre, à tester et à déboguer. Bien qu'il existe de nombreuses méthodes qualitatives, la charge de réfléchir à l'avance à divers scénarios et d'écrire tous les comportements incombe clairement au développeur. De plus, les méthodes qualitatives ne peuvent pas aider les PNJ à apprendre et à évoluer. Les joueurs peuvent prédire le comportement qualitatif des PNJ en les observant attentivement. On peut dire que le recours à un comportement qualitatif limitera la « vie » des logiciels de jeux.
La technologie non qualitative permet aux PNJ d'apprendre par eux-mêmes et de développer de nouveaux comportements, tels que des comportements émergents (des comportements qui apparaissent sans instructions claires), ce qui rend difficile la prédiction pour les joueurs lorsqu'ils jouent au jeu et augmente la jouabilité du jeu. Les développeurs n’ont pas non plus besoin d’anticiper tous les scénarios possibles et de noter tous les comportements explicites.
Bien que la technologie non qualitative puisse augmenter la jouabilité des jeux, les développeurs ont longtemps gardé leurs distances avec l'IA non qualitative (mais cela a progressivement changé). Étant imprévisible, il est difficile de tester et de déboguer (car il n'existe aucun moyen de tester toutes les actions possibles du joueur pour s'assurer que le logiciel de jeu ne bug pas). De plus, les développeurs de jeux sont confrontés à un cycle de développement de plus en plus court, ce qui rend difficile la compréhension complète des dernières technologies d’IA.
Un autre facteur limite également le développement de technologies non qualitatives. Récemment, les développeurs ont commencé à se concentrer davantage sur la qualité des images (car les joueurs aiment les belles choses). En conséquence, afin de créer une technologie graphique meilleure et plus rapide, nous n’avons pas le temps de développer une meilleure IA de jeu.
Technologie d'IA de jeu existante
Machine à états finis (machine à états finis, FSM) est une technologie d'IA de jeu qui peut être vue partout. Nous étudierons cette partie en détail au chapitre 9. Le concept de base d'une machine à états finis est de lister une série d'actions ou d'états de nature contrôlée par ordinateur, puis d'utiliser des instructions conditionnelles si-alors pour vérifier diverses situations et remplir des conditions. puis jugez les résultats en fonction de l'exécution d'actions ou de la mise à jour des états des personnages, ou de la transition entre les actions et les états.
Les développeurs utilisent souvent la logique floue dans les machines à états floues pour rendre l'action finale exécutée difficile à prédire et réduire le fardeau d'avoir à énumérer un grand nombre de conditions avec des instructions si-alors. Dans une machine à états finis, vous pouvez avoir une règle du type « si la distance est de 10 et la santé de 100, alors attaquez », mais la logique floue est différente et vous permet de concevoir des règles avec des conditions moins précises. Comme "si c'est assez proche et en bonne santé, alors attaque puissante". Les machines à états flous seront présentées en détail au chapitre 10.
Dans divers jeux, la tâche fondamentale des personnages non-joueurs est de trouver des chemins efficaces. Dans un jeu de simulation de guerre, l'armée du personnage non-joueur doit être capable de traverser différents terrains, d'éviter les obstacles et d'atteindre l'emplacement de l'ennemi. Les créatures des jeux de tir à la première personne doivent être capables de traverser des donjons ou des bâtiments afin de rencontrer le joueur ou d'échapper à sa vue. Il existe d’innombrables scénarios de ce type. Il va sans dire que les développeurs d’IA accordent une grande attention à la recherche de chemin. Dans le chapitre 6, nous parlerons des techniques générales de recherche de chemin, et dans le chapitre 7, nous parlerons de l'important algorithme A*.
Certaines des technologies mentionnées ci-dessus ne sont que quelques-unes des technologies d'IA de jeu existantes. D'autres incluent des systèmes descriptifs basés sur des règles et certaines technologies de déclaration artificielle, et il en existe de nombreux types. Un système de vie artificielle est un système créé par l’homme qui présente un comportement semblable à celui des humains. Ces comportements sont des comportements émergents, et leur développement est le résultat de la combinaison du fonctionnement de différents algorithmes de bas niveau. Nous discuterons plus tard d’exemples de vie artificielle et d’autres technologies.
L'avenir de l'IA des jeux
La prochaine grande nouveauté de l'IA des jeux est « l'apprentissage ». Une fois le jeu lancé, les comportements de tous les personnages non-joueurs ne seront plus arrangés à l'avance. Plus le jeu est joué longtemps, plus le jeu évoluera et apprendra, et deviendra plus adaptable. Un tel jeu grandira avec les joueurs, et il sera difficile pour ces derniers de prédire le comportement du jeu, prolongeant ainsi le cycle de vie du jeu. Les jeux apprennent et évoluent, ce qui rend le jeu lui-même imprévisible.
Les technologies « Learning » et « Character Behaviour Response » entrent dans le cadre de l’IA non qualitative mentionnée ci-dessus, elles sont donc assez difficiles. Pour être clair, cette technologie d’IA « d’apprentissage » non qualitative prend plus de temps à développer et à tester. De plus, il est plus difficile de comprendre exactement ce que fera l’IA, ce qui rend le débogage plus difficile. Ces facteurs constituent d’énormes obstacles à l’adoption généralisée des technologies « d’apprentissage » de l’IA. Cependant, tout cela est en train de changer.
Plusieurs jeux grand public utilisent une technologie d'IA non qualitative, tels que "Creatures", "Black & White", "Battlecruiser 3000AD", "Dirt Track Racing", "Fields of Battle" et "Heavy Gear". Le succès de ces jeux a ravivé l'intérêt pour « l'apprentissage » des techniques d'IA, telles que les arbres de décision, les réseaux de neurones, les algorithmes génétiques et les méthodes probabilistes.
Ces logiciels de jeu à succès utilisent également des méthodes qualitatives traditionnelles lorsqu'ils utilisent des méthodes non qualitatives. Les méthodes non qualitatives ne sont utilisées que là où elles sont les plus appropriées et nécessaires. Les réseaux de neurones ne constituent pas une solution miracle capable de résoudre tous les problèmes d’IA dans les logiciels de jeu, mais vous pouvez obtenir des résultats impressionnants en résolvant des tâches d’IA spécifiques dans un système d’IA hybride. De cette façon, vous pouvez isoler les parties de l'IA qui sont imprévisibles et difficiles à développer, déboguer et tester, tout en conservant la majorité de votre système d'IA dans sa forme traditionnelle.
Pour plus de connaissances connexes, veuillez visiter la rubrique FAQ !
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Outils d'IA chauds
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Undress AI Tool
Images de déshabillage gratuites
Clothoff.io
Dissolvant de vêtements AI
AI Hentai Generator
Générez AI Hentai gratuitement.
Article chaud
Outils chauds
Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA
Jun 28, 2024 am 03:51 AM
Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine
Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag
Jun 10, 2024 am 11:08 AM
Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.
Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations
Jun 11, 2024 pm 03:57 PM
Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.
Sept questions d'entretien technique Cool GenAI et LLM
Jun 07, 2024 am 10:06 AM
Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte
Cinq écoles d'apprentissage automatique que vous ne connaissez pas
Jun 05, 2024 pm 08:51 PM
L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.
Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG.
Jul 25, 2024 am 06:42 AM
L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes
Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire
Jul 17, 2024 pm 06:37 PM
Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S
SK Hynix présentera de nouveaux produits liés à l'IA le 6 août : HBM3E à 12 couches, NAND à 321 hauteurs, etc.
Aug 01, 2024 pm 09:40 PM
Selon les informations de ce site le 1er août, SK Hynix a publié un article de blog aujourd'hui (1er août), annonçant sa participation au Global Semiconductor Memory Summit FMS2024 qui se tiendra à Santa Clara, Californie, États-Unis, du 6 au 8 août, présentant de nombreuses nouvelles technologies de produit. Introduction au Future Memory and Storage Summit (FutureMemoryandStorage), anciennement Flash Memory Summit (FlashMemorySummit) principalement destiné aux fournisseurs de NAND, dans le contexte de l'attention croissante portée à la technologie de l'intelligence artificielle, cette année a été rebaptisée Future Memory and Storage Summit (FutureMemoryandStorage) pour invitez les fournisseurs de DRAM et de stockage et bien d’autres joueurs. Nouveau produit SK hynix lancé l'année dernière