En términos generales, hay tres tipos de IA de juego: basada en la búsqueda, basada en el aprendizaje y (por falta de un término mejor) buena IA pasada de moda (GOFAI).
Los agentes basados en búsquedas utilizan un modelo interno del árbol del juego para buscar secuencias de movimientos que conducen a una puntuación más alta. Un buen ejemplo de esto es Chess AI. Son ampliamente aplicables y no requieren capacitación, pero necesitan un modelo avanzado de su entorno y están básicamente limitados por el tiempo de cálculo.
En cambio, la IA basada en el aprendizaje requiere ser entrenado en su entorno, y básicamente aprender eligiendo acciones que funcionaron bien en el pasado (pero esa es una explicación muy simplificada). Un buen ejemplo de esto es el MarI / O de Sethbling. Estos también se pueden aplicar a muchos juegos, pero hay que volver a entrenar para cada juego.
- ¿Existen aplicaciones prácticas útiles y serias de redes neuronales que se ejecutan localmente en aplicaciones de teléfonos inteligentes móviles?
- ¿Qué tan fácil es aprender una función booleana con Descenso de gradiente usando un aprendizaje profundo?
- ¿Cuál es el mejor enfoque para la ubicación geográfica del dispositivo de clúster por cliente?
- ¿Qué es el preprocesamiento de audio?
- ¿Cómo deberías comenzar una carrera en aprendizaje profundo?
Finalmente, GOFAI confía en la IA de fabricación manual para un juego específico utilizando la experiencia humana. Estos tienden a funcionar bien en la mayoría de los casos, pero requieren mucha ingeniería humana. Además, tienden a ser superados por otros métodos en términos de rendimiento final del agente (aunque depende mucho del juego).
Por supuesto, hay muchas posibilidades para mezclar y combinar estos diferentes enfoques. De hecho, AlphaGo de Google es tan bueno porque utiliza una combinación de búsqueda y aprendizaje (y también una gran cantidad de aportes humanos en términos de su diseño).
Por interés personal, sugiero mirar los métodos de aprendizaje evolutivo. No son tan buenos como otros métodos de aprendizaje en muchos sentidos, pero son fáciles de aplicar y de entender (y parecen ser mucho más confiables que otros enfoques).