IA simple:
Ejemplo A
¿Estás frente al jugador?
Falso: girar hacia el jugador;
Verdadero: si el arma está lista para disparar y tiene munición: Fuego;
- ¿Cómo puede una computadora calificar ensayos?
- ¿Dónde puedo encontrar una demostración de la mejor tecnología de reconocimiento de emociones?
- ¿Cuál será el primer dispositivo en pasar la prueba de Turing?
- ¿Cómo cambiará la inteligencia artificial la estructura del lenguaje?
- ¿Cuáles son tus compañías de robótica favoritas en este momento?
Ejemplo B
1. ¿No te enfrentas al jugador?
Verdadero: girar hacia el jugador;
2. ¿Estás en la distancia de golpe del jugador?
Cierto: si estás armado y listo para golpear al jugador: golpea al jugador;
Falso: si puedes moverte: muévete hacia el jugador;
Las complicaciones incluyen cosas como si su velocidad inicial afecta su puntería, ¿hay otras cosas que afecten su puntería? ¿Tiene que tomar la iniciativa para golpear al jugador? Si la recarga tarda mucho o la munición es limitada, ¿desea esperar inteligentemente el mejor momento para ¿fuego?
Y para los problemas de movimiento, búsqueda de caminos y también cosas como si necesitas estar cerca de tus amigos, lo importante que es, a veces es importante abandonar todas las demás consideraciones y simplemente matar a un enemigo especialmente peligroso … etc.
Aprender IA tampoco es difícil, sin embargo, dado que mejora gradualmente, es peligroso para la experiencia de juego si se vuelve demasiado bueno demasiado rápido. El aprendizaje es difícil de predecir o controlar y, por lo tanto, incluso un simple algoritmo de aprendizaje no siempre puede, pero en algunos casos, superar rápidamente a los jugadores y convertirse en un obstáculo para la capacidad del jugador para mejorar. Si es demasiado común, entonces será común que la gente piense que el juego está roto o que es demasiado punitivo para ser disfrutable.
Una forma de usar la IA de aprendizaje es usar el aprendizaje solo durante el desarrollo cuando puede ser controlado por desarrolladores, establecer el nivel inicial como ‘IA fácil’, la versión intermedia ‘IA normal’ y las etapas finales como ‘IA dura’ o incluso ‘ IA loca ‘(increíblemente difícil) si se aplica. Luego, el método de aprendizaje real se elimina o deshabilita de las compilaciones públicas finales, pero se puede reactivar en caso de que los jugadores comiencen a quejarse de que la IA es demasiado fácil.
Dos métodos principales para usar el aprendizaje de IA que prefiero son:
1. Grabar las acciones del jugador como “opciones” y luego analizar estadísticamente los mejores patrones de elección y usarlos para la plantilla de IA.
2. Hacer que la IA pelee entre ellos y registrar opciones similares y también puntuar varias plantillas de IA, también tiene un algoritmo que escribirá nuevos algoritmos de IA para probar nuevos patrones de elección de una manera evolutiva, usando constantemente análisis estadísticos, etc.
Los dos modelos se pueden combinar para obtener la máxima eficiencia. Pero este es el aprendizaje de IA basado en la elección, también hay otros modelos, pero en mi opinión es fácil de implementar, analizar y comprender los resultados.
El inconveniente de este método es que esencialmente necesita tantas computadoras como pueda permitirse simplemente ejecutando las IA durante el tiempo que pueda dedicarles tiempo, ya que mientras más ciclos y variaciones funcionen, mejor serán. El aspecto agradable es que de esta manera, los AI pueden aprender formas de jugar que no surgen para los desarrolladores durante el desarrollo y pueden potencialmente bloquear exploits no deseados.
Por ejemplo, una IA puede explotar una regla que hace que una nave en un juego de guerra sea invencible porque todavía no es parte de la campaña pero aún es involuntariamente accesible. Una de las variaciones aleatorias podría darse al mover ese buque de guerra y bloquear las naves enemigas a su puerto colocando este obstáculo invencible frente a ellos, aunque tal instancia podría ser tan rara que podría llevar años o décadas que ocurra durante el aprendizaje de la IA, dependiendo de cuán complejo sea el escenario que la IA está tratando de aprender.
Alternativamente, podría hacer varios mini-escenarios que juega la IA como se describe anteriormente y luego podría formalizar el comportamiento del subescenario para que la IA lo use. Luego, la AI podría dividir un escenario real más grande en varios subescenarios donde usaría las lecciones aprendidas para esos subescenarios sin tener que tener en cuenta las unidades que no tienen influencia en ese subescenario. Entonces, todo eso puede estar unido por una IA de nivel superior que gestiona las decisiones de nivel superior entre los subescenarios, como qué subescenario es más importante, es mejor evitar algún subescenario, etc.