Im Allgemeinen werden neuronale Netze und genetische Algorithmen in Spielen nicht verwendet, und abgesehen von dem jüngsten Interesse, neuronale Netze für tiefes Lernen zu verwenden, auch nicht so häufig außerhalb von Spielen.
Der Hauptgrund für den Unterricht in KI-Akademien liegt nicht in ihrer praktischen Anwendbarkeit, sondern darin, dass sie sich leicht als Lehrmittel erklären lassen. Beide verfügen über mathematische und biologische Analoga, die es den Schülern ermöglichen, zu verstehen, wie sie funktionieren könnten.
In der realen Welt benötigen Sie normalerweise Zuverlässigkeit und Vorhersehbarkeit. Das Problem bei Lernmethoden ist, dass sie, wenn sie in der freien Wildbahn lernen, die falschen Muster lernen und unzuverlässig sind. Ein NN oder ein GA können möglicherweise ein lokales Maximum erreichen, das nicht ausreicht, um beispielsweise das erforderliche Spielerlebnis zu bieten. In anderen Fällen könnte es zu gut werden, eine perfekte Strategie zu finden, die unschlagbar ist. Beides ist in den meisten Unterhaltungsprodukten nicht wünschenswert.
Selbst wenn Sie offline trainieren (dh vor dem Start und nicht während des Spiels), kann ein anscheinend gut aussehender Datensatz Anomalien verbergen, die von einem Spieler gefunden wurden und leicht auszunutzen sind. Insbesondere ein neuronales Netzwerk entwickelt typischerweise eine Menge von Gewichten, die für das Studium ziemlich undurchsichtig sind, und die Entscheidungen, die dadurch getroffen werden, sind schwer zu überlegen. Für einen Designer wäre es schwierig, eine solche KI-Routine so anzupassen, dass sie wie gewünscht funktioniert.
Aber vielleicht ist das schlimmste Problem, dass GAs und NNs im Allgemeinen nicht die besten Werkzeuge für jede Spielentwicklungsaufgabe sind. Während gute Unterrichtsmittel, ist jeder mit ausreichenden Kenntnissen des Fachbereichs im Allgemeinen besser gerüstet, eine andere Methode zu verwenden, um ähnliche Ergebnisse zu erzielen. Dies kann alles sein, von anderen KI-Techniken wie der Unterstützung von Vektormaschinen oder Verhaltensbäumen bis hin zu einfacheren Ansätzen wie Zustandsmaschinen oder sogar einer langen Kette von Wenn-Dann-Bedingungen. Diese Ansätze nutzen in der Regel das Fachwissen des Entwicklers besser und sind zuverlässiger und vorhersehbarer als die Lernmethoden.
Ich habe jedoch gehört, dass einige Entwickler während der Entwicklung neuronale Netze verwendet haben, um einen Fahrer darin zu schulen, eine gute Route um eine Rennstrecke zu finden, und diese Route dann als Teil des Spiels versendet werden kann. Beachten Sie, dass für das endgültige Spiel kein neuronaler Netzwerkcode erforderlich ist, auch nicht das trainierte Netz.
Die "Kosten" der Methode sind übrigens nicht wirklich das Problem. Sowohl NNs als auch GAs können äußerst kostengünstig implementiert werden, wobei sich das NN insbesondere zur Vorberechnung und Optimierung eignet. Es geht wirklich darum, etwas Nützliches aus ihnen herausholen zu können.
