https://virgool.ir/feed/@m_145123fa2026-11-12 06:24:21https://files.virgool.ir/upload/users/309027/avatar/qsAn9b.jpeghttps://virgool.ir/@m_145123https://virgool.ir/@m_145123/هوش-مصنوعی-بازی-های-ویدیوئی-vzeuxx83qjahمترجم : امیر حسین سوری لینک مقاله : https://towardsdatascience.com/artificial-intelligence-in-video-games-3e2566d59c22مروري بر چگونگي پيشرفت هوش مصنوعي در بازي هاي ويدعويي و استفاده از ان ها در حال حاظر‎احتمالاً اکثر مردم تصور می کنند که بيشتر بازی های منتشر شده در چند سال گذشته. داراي هوش مصنوعي بسيار پیچیده ايي برای هر شخصیت ، موجود یا حیوان کنترل نشده توسط بازیکن (که در این مقاله اغلب به عنوان ربات نامیده می شود). هستند .با این حال ، بسیاری از توسعه دهندگان هوش مصنوعي در بازي هاي ويدعويي از ايجاد يك هوش مصنوعي پيشرفته براي بازي ها مرددهستند علت ان ترس از دست دادن کنترل و تجربه کلی بازیکنان حين باز است در واقع ، هدف اصلي. در بازی های ویدیویی ایجاد یک موجودیت شكست ناپذير برای مبارزه با بازیکنان نیست ، بلکه در عوض به منظور به حداکثر رساندن مشارکت بازیکنان و لذت‎ بردن آنها برای مدت طولانی است. اگر یک بازی جدید را انتخاب كرده و شروع به بازی کنید ، از اينكه بارها و بارها نابود شويد لذت بيشتري ميبريد؟ یا ترجیح می دهید در مقابل شخصی يا چیزی كمي بالاتر از سطح خود قرار بگیرید تا بتوانید با گذشت زمان یاد بگیرید و پیشرفت کنید؟ اکثریت قریب به اتفاق بازیکنان احتمالاً گزينه دوم را انتخاب می کنند. این بدان معنا نیست که جایی برای هوش مصنوعي پيشرفته . در صنعت بازی مدرن نيست بلكه بدان معنی است که هدف متفاوت از آنچه هست كه در ابتدا انتظار داشتیم. ما نمی خواهیم بهترین هوش مصنوعي را ایجاد کنیم ، می خواهیم لذت بخش ترین هوش مصنوعي را. برای تعامل بازيكنان با رقابت ايجاد كنيم.تاريخچه هوش مصنوعي در بازي هاي ويدعوييهوش مصنوعي اصطلاحی بسیار گسترده است. لزوماً الزامی نیست که مدلی باشد که از عملکرد بازیکن یاد می گیرد. Wolfenstein 3D در سال 1992 منتشر شد و سربازان آن بازی دارای شکل ابتدایی هوش مصنوعي. بودند. الگوریتم Finite State Machine (FSM) یک هوش مصنوعي نسبتاً ساده است. جایی که طراحان لیستی از تمام وقایع ممکن را که یک ربات می تواند تجربه کند ، ایجاد می کنند. سپس طراحان پاسخ های خاصی را می دهند که ربات به هر موقعیتی كه در ان قرار دارد ميتواند از خود نشان دهد می توانیم تصور کنیم که در سال 1992 توسعه دهندگان Wolfenstein 3D تمام شرایط ممکن را که یک سرباز دشمن می تواند تجربه کند ، در نظر گرفتند. از نظر آنها می توانست دری به روي او ، Blazkowicz (قهرمان سری Wolfenstein) باز شود يا می تواند از منظر آنها عبور کند ، آنها می توانند از پشت به آنها شلیک كنند ، Blazkowicz را از گم كنند و غیره. توسعه دهندگان این لیست را تهیه می کنند و برای هر وضعیت ، آنها به ربات می گویند چه کاری باید انجام دهد. این یک مثال ساده است. ما می توانیم ببينيم هرچه جزئیات بیشتری ایجاد كنيم موضوع پیچیده تر می شود. ربات قبل از عدم موفقيت در پيدا كردن هدف چه مدت باید Blazkowicz را جستجو کند؟ چه وقت / اگر آنها شكست خوردند ، باید در همان جایی که هستند بمانند یا به نقطه اوليه خود برگردند؟ این لیست می تواند به سرعت بسیار زياد کاملاً دقیق شود. در FSM ، در هر موقعیتی اقدام خاصی توسط توسعه دهندگان ایجاد کننده بازی اختصاص داده می شود.استفاده از الگوریتم FSM در هر بازی امکان پذیر نیست. تصور کنید که مثلاً از FSM در یک بازی استراتژیک استفاده می کنید. اگر یک ربات از قبل برنامه ریزی شده باشد که هر بار به همان شیوه پاسخ دهد ، بازیکن به سرعت یاد می گیرد که چگونه از هوش کامپیوتر بزرگتر شود. این یک تجربه بازی تکراری را ایجاد می کند و همانطور که انتظار دارید ، برای بازیکن خوشایند نخواهد بود. الگوریتم جستجوی درخت مونت کارلو (MCST) برای جلوگیری از تکرار شدن جنبه FSM ایجاد شده است. روش کار MCST بدین صورت است که ابتدا تمام حرکات احتمالی ربات را که در حال حاضر در دسترس است ، تجسم می کند. سپس ، برای هر یک از این حرکات ممکن ، تمام حرکاتی را که یک بازیکن می تواند با آن پاسخ دهد ، تجزیه و تحلیل می کند ، سپس تمام حرکات پاسخ دهنده احتمالی را که می تواند در پاسخ ایجاد کند ، در نظر می گیردشکل 2 فرایندی را که یک کامپیوتر با استفاده از MCST قبل از حرکت در برابر یک جز انسانی طی می کند ، نشان ميدهد. ابتدا همه گزینه های موجود را بررسی می کند ، در مثال بالا این گزینه ها برای دفاع ، ساخت فناوری یا حمله هستند. سپس نموداري می سازد که احتمال موفقیت را برای هر حرکت بالقوه پس از آن پیش بینی می کند. در بالا می بینیم که گزینه با بالاترین احتمال موفقیت "حمله" است (زیرا قرمز تیره برابر با احتمال بیشتری برای پاداش است) ، بنابراین کامپیوتر حمله را انتخاب می کند. هنگامی که بازيكن حرکت بعدی خود را انجام می دهد ، کامپیوتر روند نمداري را دوباره دوباره تکرار می کند.بازی ای مانند Civilization را تصور کنید که در آن گزینه های زیادی وجود دارد که کامپیوتر می تواند انجام دهد. اگر کامپیوتر بخواهد یک نمودار دقیق را برای هر انتخاب ممکن و هر سناریوی ممکن برای کل بازی ایجاد کند ، بسیار طولانی می شود. هرگز حرکتی نخواهد کرد. بنابراین ، برای جلوگیری از این محاسبه عظیم ، الگوریتم MCST به طور تصادفی تعداد معدودی از گزینه های ممکن را انتخاب می کند و نمودار را فقط برای موارد انتخاب شده می سازد. به این ترتیب ، محاسبه بسیار سریعتر انجام می شود و کامپیوتر می تواند تجزیه و تحلیل کند که کدام گزینه انتخاب شده بالاترین احتمال پاداش را دارد.[۱/۲،‏ ۱۴:۴۸] Amir: ‏A.I. در بیگانه: انزوایکی از محبوب ترین اشکال پیشرفته هوش مصنوعي در بازی های ویدیویی اخیراً Alien from Creative Assembly’s Alien: Isolation است. برخی سو تفاهم ها در مورد چگونگی كار كردن هوش مصنوعي در پشت صحنه وحود دارد با این حال ، این نمایش قابل توجهی از راه هایی است که.هوش مصنوعي. می تواند برای ایجاد یک محیط جذاب و غیر قابل پیش بینی برای بازيكن ايجاد كند.بیگانه در Alien: Isolation دارای دو رانندگی A.I. نیروهای کنترل کننده حرکات و رفتار آن: مدیر A.I. و Alien A.I. مدیر A.I. یک کنترل کننده غیرفعال است که وظیفه ایجاد یک تجربه پخش کننده لذت بخش را دارد. برای رسیدن به این هدف ، مدیر A.I. می داند بازیکن و بیگانه در هر زمان کجا هستند. با این حال ، این دانش را با بیگانه به اشتراک نمی گذارد. مدیر A.I. مراقب چیزی است که به عنوان Menace Gauge نامیده می شود ، که اساساً فقط اندازه گیری سطح استرس مورد انتظار بازیکن است که توسط بسیاری از عوامل مانند نزدیکی بیگانه به بازیکن ، مدت زمانی که بیگانه در نزدیکی بازیکن می گذرد ، تعیین می شود ، مقدار زمان صرف شده در دید بازیکن ، مدت زمانی که در دستگاه ردیاب حرکت قابل مشاهده است و غیره. این Menace Gauge به سیستم های کاری بیگانه اطلاع می دهد که اساساً فقط یک ردیاب وظیفه برای فرد خارجی است. اگر سنج تهدید به سطح مشخصی برسد ، اولویت کار "جستجوی منطقه جدید" تا زمانی که فرد بیگانه از بازیکن به یک منطقه جداگانه دور شود ، رشد می کند.قبل از عميق شدن در چگونگی Alien A.I. در عمل كار می کند ، مهم است که ابتدا ساختاری که از روند تصمیم گیری آگاه است برجسته شود. Alien A.I. از یک نمودار تصمیم گیری رفتاری گسترده با بیش از 100 گره و 30 گره انتخاب کننده استفاده می کند. مثال ساده زیر را تصور کنید:نحوه عملکرد نمودار رفتار ، پرسیدن سوالاتی از چپ به راست است. موفقیت امکان پیشرفت در امتداد نمودار را فراهم می کند ، در حالی که شکست دوباره به گره دنباله بازمی گردد. روند کار این است: توالی -> آیا من گرسنه هستم؟ (موفقیت) -> توالی (در حال اجرا) -> آیا غذایی دارم؟ (موفقیت) -> توالی (در حال اجرا) -> بدون دشمن در اطراف (موفقیت) -> توالی (در حال اجرا) ) -> غذا بخورید (موفقیت) -> توالی (موفقیت) -> گره والدین (سیمپسون ، 2014). اگر در هر نقطه ، یکی از گره ها a (fail) را برگرداند ، کل دنباله از کار می افتد. به عنوان مثال ، اگر معلوم شد که "آیا غذایی دارم؟" شکست خورده است ، این بررسی نمی کند که آیا دشمنانی در اطراف وجود دارد و غذا را نمی خورد. در عوض ، سکانس از کار می افتد و این پایان آن سکانس است.[۱/۲،‏ ۱۴:۴۸] Amir: دنباله ها بدیهی است که بسیار پیچیده تر می شوند و در عمق چند لایه می شوند. در اینجا یک مثال عمیق تر وجود دارد:به یاد داشته باشید ، وقتی یک دنباله یا موفق می شود یا شکست می خورد ، نتیجه را به گره اصلی خود بازمی گرداند. در مثال بالا ، فرض کنید که ما در نزدیک شدن به در موفق شده ایم ، اما چون قفل شده بود و کلید نداشتیم ، نتوانستیم در را باز کنیم. گره توالی به عنوان خرابی علامت گذاری شد. در نتیجه ، مسیر درخت رفتار به گره اصلی آن دنباله برگشت. در اینجا شکل ظاهری این گره اصلی وجود دارد:بنابراین ، ما در باز کردن در شکست خورده ایم ، اما هنوز تسلیم نشده ایم. گره اصلی ما توالی دیگری دارد که باید امتحان کنیم. این بار در عوض ورود از پنجره است. Alien A.I. دارای 30 گره انتخابگر مختلف و 100 گره کل است ، بنابراین از نظر نمونه پیچیده تر از این مثال است ، اما امیدوارم این ایده به شما بدهد که چگونه Alien A.I. مخفيانه کار می کندهمانطور که می دانیم ، Alien A.I. سیستمی است که اعمال بیگانه را کنترل می کند. هرگز اطلاعاتی درباره مکان پخش کننده ارائه نمی شود. تنها اطلاعاتی که از مدیر A.I دریافت می کند کدام منطقه عمومی است که باید جستجو کند. فراتر از آن ، باید پخش کننده را به تنهایی پیدا کند. این ابزار برخی از ابزارها را برای استفاده دارد که به آن در شکار بازیکن کمک می کند. اولین سیستم سنسور است که به بیگانه اجازه می دهد نشانه های صوتی و تصویری را در محیط انتخاب کند. سر و صداهایی مانند قدم ، صدای شلیک گلوله ، باز شدن درها ، حتی بوق زدن ردیاب حرکت ، همه اینها به بیگانه کمک می کند تا بازیکن را ردیابی کند. دامنه صدا به نوع نویز ایجاد شده بستگی دارد. علاوه بر سنسورهای صوتی ، فرد خارجی همچنین می تواند حسگرهای بصری مانند چشمک زدن را که از گذشته عبور می کند یا دیدن درب باز در دید و غیره را انتخاب کند.یکی دیگر از ابزارهایی که هوش مصنوعي برای شکار کردن بازیکن در اختیار دارد ، Searching System است. مناطق خاصی وجود دارد که توسعه دهندگان تشخیص داده اند نقاط خوبی برای پنهان کردن است که هوش مصنوعي برای جستجوی آنها از قبل برنامه ریزی شده است. با این حال ، آنها آنها را با ترتیب خاصی جستجو نمی کند و حتی مناطقی را که قبلاً بازدید شده اند ، دوباره بررسی می کند. مطمئناً ، اگر فرد خارجی سر و صدایی بشنود یا نشانه بصری ببیند ، منطقه ای را جستجو می کند که توسعه دهندگان مشخصاً آن را مشخص نکرده اند.بیشترین موضوعی که در مورد هوش مصنوعي مورد بحث قرار می گیرد: جداسازی این است که چگونه به نظر می رسد بیگانه هنگام پیشرفت بازی اطلاعات بیشتری درباره بازیکن پیدا می کند. اعمالی که باعث می شود با یادگیری ویژگی های خاصی در مورد سبک بازی بازیکن ، پیچیده تر می شود. برای برخی تعجب آور است ، راهی که سازندگان به این مهم دست یافتند با ساختن یک شبکه عصبی پیچیده در A.I. بیگانه نبود. سیستم. برای نشان دادن اینکه چگونه بازی این حس یادگیری بیگانه را به دست می آورد ، باید به نميدار تصمیم رفتاری Alien A.I مراجعه کنیم.در ابتدای بازی ، بخشهایی از این نميدار رفتاری وجود دارد که برای فرد بیگانه مسدود شده است. مناطقی که از خارج خارج شده اند برای فرد بیگانه قابل دسترسی نیستند ، به این معنی که نمی تواند به برخی رفتارها و اعمال دسترسی داشته باشد. به عنوان مثال ، در ابتدای بازی ممکن است بخشی از نمودار که به صدای باز شدن در از فاصله پاسخ می دهد فعال نباشد. اگر یک بازیکن از نظر بیگانه درب را باز کند ، می تواند آن قسمت از نمودار رفتاری را باز کند تا در آینده ، صدای باز شدن درب باعث پاسخ شود. همانطور که بازیکن در طول بازی پیشرفت می کند ، بیشتر و بیشتر نمودار رفتار بیگانه باز می شود. این توهم می دهد که بیگانه در حال یادگیری و سازگاری با سبک بازی بازیکن است.شبکه های عصبی ژنتیکی در بازی های ویدیوییاین مقاله بدون حداقل ذکر برخی از شبکه های عصبی در بازی های ویدیویی ، کامل نخواهد شد. چند نمونه اخیر بسیار معروف وجود دارد که یکی از آنها A.I. که یک تیم حرفه ای دوتا 2 را شکست داد. با این حال ، بهترین راه برای پرداختن به این مبحث ، شروع كوچك و ساختن درك اساسی از نحوه یادگیری یك شبكه عصبی از اهداف و استراتژی های یك بازی ویدیویی است.بازی ای که ما برای این هدف اساسی درک خواهیم کرد مار است. برای کسانی که آشنا نیستید ، مار یک بازی 2D است که در آن می توانید یک خط مربع را کنترل کنید (که به آن مار می گویند). شما سه حرکت برای حرکت دارید: چپ ، راست یا مستقیم جلو. اگر به دیواری برخورد کنید یا به دم خود برخورد کنید ، فوراً می میرید و دوباره راه اندازی می کنید. یک نقطه برای جمع آوری شما وجود دارد (که به آن غذا می گویند) که دم شما را یک مربع رشد می دهد. بنابراین هرچه بیشتر بخورید ، طولانی تر می شوید.بیایید تصور کنیم که می خواهیم به مار خود یاد بگیریم که چگونه نمره ممکن را به حداکثر ممکن برساند مار ما برای زنده ماندن در این دنیا نیاز به یادگیری چند چیز دارد. برای اینکه مار ما یاد بگیرد ، باید اطلاعاتی در مورد محیط زیست ارائه دهد. ما به این اطلاعات که به عنوان ورودی ارائه می دهیم مراجعه خواهیم کرد. این ورودی ها می توانند هر چیزی باشند که ما از آنها اطلاعات داریم. به عنوان مثال ، ورودی های ما می توانند 6 س زیر باشند بله / خیر: آیا مستقیم صاف است ، آیا سمت چپ مشخص است ، آیا راست راست است ، آیا غذا صاف است ، غذای چپ است ، غذا مناسب است ، بسته به پاسخ هر سوال ، 6 گره ورودی با 1 یا 0 فراهم می کند. با این حال ، این ورودی ها همچنین می توانند اندازه گیری فاصله بین سر مار و دیواره یا دم آن یا غذا باشند. برای سادگی ، بیایید در 6 گره ورودی خود باقی بمانیم.مورد بعدی که باید به مار خود بگوییم این است که می خواهیم چه چیزی به مار برسد. برای برقراری ارتباط با هدف مورد نظر خود ، سیستم پاداش را پیاده سازی می کنیم. به عنوان مثال ، ممکن است هر بار که مار خود 1 قدم به سمت غذا حرکت می کند ، 1 امتیاز و شاید هر بار که غذا را می خورد و طول می کشد ، 10 امتیاز به او بدهید. با این حال ، وقتی Binggeser (Designing AI ، 2017) این پاداش ها را برای مار خود اجرا کرد ، متوجه شد که مار او فقط در یک دایره بسیار کوچک حرکت می کند. به این ترتیب مار او در حالی که از خطرات ناشی از دیوارها و یک دم بلند جلوگیری می کرد ، می توانست نقاط را جمع کند. بدیهی است که این نتیجه در نظر گرفته شده نبود. باید نوع مجازاتی در مدل اولیه وجود داشته باشد که هر زمان مار از غذا دور می شود ، نقاط را از بین می برد. این مار را تشویق کرد که در درجه اول در جهت غذا حرکت کند.بنابراین اکنون ما یک مار داریم که از محیط زیست اطلاعات دارد و یک سیستم پاداش که هدف آن را مشخص می کند. از اینجا به کجا می رویم؟ مار ما در حقیقت چگونه بازی را یاد می گیرد؟ در این مرحله ، بررسی سریع نحوه عملکرد یک شبکه عصبی مفید خواهد بود.ساختار یک شبکه عصبی نسلی همانند یک شبکه عصبی استاندارد است. با تعداد مشخصی از گره های ورودی شروع می شود ، که سپس به یک یا چند لایه مخفی تغذیه می شوند و در نهایت یک خروجی ایجاد می کنند. در اینجا یک مثال خوب بصری وجود دارد:برای مثال مار ما ، 6 گره ورودی خواهیم داشت که 6 س Yesال بله / خیر است که قبلاً تعریف کردیم: آیا صاف است و روشن است ، آیا سمت راست مشخص است ، راست است ، غذای مستقیم دارد ، غذای چپ است ، غذای مناسب است. هر گره ورودی از طریق آنچه ما به عنوان وزنه معرفی می کنیم به هر گره لایه مخفی اول متصل می شود. در شکل 8 همه خطوط (وزن ها) را مشاهده می کنیم که به هر یک از گره ها متصل می شوند. این وزنه ها همان چیزی است که مدل ما با یادگیری اینکه چه ورودی هایی را باید تقویت یا تضعیف کرد تا دقیق ترین خروجی ها را ارائه دهد ، تنظیم خواهد شد. در مورد ما ، "دقیق ترین خروجی" به عنوان "مار که بالاترین مقدار امتیاز را جمع می کند" تعریف شده است. به یاد داشته باشید ، مار ما برای حرکت به سمت غذا امتیاز دریافت می کند ، برای خوردن غذا حتی امتیاز بیشتری دریافت می کند و برای دور شدن از غذا امتیاز منفی دریافت می کند.روشی که شبکه عصبی نسلی "می آموزد" با تصمیم گیری در مورد اندازه هر نسل است (بگذارید بگوییم ما می خواهیم هر نسل 200 مار داشته باشد). در مرحله بعدی ، تغییرات کوچکی در وزن برای هر 200 مار در نسل اول ایجاد می کند ، سپس هر 200 مار را در نسل اول اجرا می کند و موفق ترین مارها را انتخاب می کند (مارهایی که بیشترین امتیاز را کسب کردند). بگذارید بگوییم ما 10 مار برتر (5٪ برتر) را انتخاب می کنیم که بیشترین امتیاز را در نسل اول ما کسب کرده اند. این 10 مار سپس "پدر و مادر" نسل دوم می شوند. از وزن این 10 مار برای تعریف نقطه شروع نسل دوم استفاده می شود. نسل دوم از 200 مار بار دیگر تغییرات جزئی در این وزن ها ایجاد می کند و برترین ها به عنوان "والدین" نسل سوم و غیره انتخاب می شوند.بنابراین ، همانطور که در بالا دیدیم ، ما می توانیم مدل مار نسل اول خود را بارها و بارها اجرا کنیم (در بالا 200 بار آن را اجرا کردیم) تا طیف گسترده ای از تغییرات مار را با کمی تغییر هر یک از وزن ها مشاهده کنیم. سپس ما برترین عملکردهایی را انتخاب می کنیم که ادامه می دهند تا بر وزن شبکه عصبی در نسل دوم تأثیر بگذارند. ما این فرایند را برای هر نسل بعدی تکرار می کنیم تا زمانی که میزان یادگیری مار شروع به افزایش کند (به عبارت دیگر ، تا زمانی که پیشرفت نسل کند یا متوقف شود).شاید در نسل اول ، دوم و سوم هیچ یک از مارها هیچ وقت یک تکه غذا نخوردند و بنابراین هرگز یاد نگرفتند که غذا به 10 امتیاز پاداش می دهد. با این حال ، شاید در نسل چهارم یک مار یک تکه غذا بخورد. این مار احتمالاً بالاترین امتیاز را از نسل خود خواهد داشت و بنابراین برای تأثیرگذاری بر نسل های آینده انتخاب خواهد شد. وزن نسلهای آینده بر اساس موفق ترین اجداد مار تغییر خواهد کرد. بعد از 10 ، 100 یا حتی 1000 نسل می توانید تصور کنید که چقدر یادگیری صورت می گیرد.همان نوع یادگیری تقویتی که در صنعت بازی های ویدیویی استفاده می شود ، در صنایع دیگر نیز با موفقیت به کار گرفته می شود. به عنوان مثال ، بازی Grand Theft Auto ، که از قبل "قوانین راهنمایی و رانندگی ، جاده ها و فیزیک اتومبیل" را برنامه ریزی کرده است (Luzgin، 2018) برای ایجاد یک محیط امن و واقع بینانه برای آزمایش الگوریتم های اتومبیل خودران استفاده شده است. نه تنها ایمن و واقع بینانه است ، بلکه جمع آوری داده ها در یک محیط مجازی در مقایسه با دنیای واقعی نیز تا 1000 برابر سریعتر است (Luzgin، 2018)."بازی های ویدئویی یک روش عالی برای آموزش الگوریتم های هوش مصنوعی است زیرا آنها برای پیشرفت تدریجی ذهن افراد به چالش های سخت و دشوار طراحی شده اند." (Luzgin ، 2018)یکی از آخرین پیشرفت های A.I. در بازی های ویدیویی توسط محققان Open AI ساخته شده است. Open AI یک بازی مبتنی بر الگوریتمی ایجاد کرد که هدف اصلی آن صرفاً کاوش با حس کنجکاوی طبیعی بود. سیستم پاداش بر پاداش اکتشاف بیش از پیشرفت بیشتر در بازی متمرکز بود. محققان این مدل مبتنی بر کنجکاوی را در بازی Super Mario Bros قرار دادند و از روی کنجکاوی محض ، با موفقیت 11 سطح را پشت سر گذاشتند. بدیهی است که این نکات منفی نیز دارد ، زیرا قدرت محاسباتی زیادی را می گیرد و دستگاه به راحتی حواس شما را پرت می کند. با این حال ، این برای یک بازیکن انسانی که برای اولین بار بازی را انجام می دهد نیز همینطور است. همانطور که لوزگین در مقاله خود نقل کرد ، "به نظر می رسد نوزادان برای یادگیری مهارتهایی که بعداً در زندگی مفید خواهند بود ، کاوش بدون هدف را انجام می دهند." این حس اکتشاف بدون هدف در طول زندگی ادامه دارد ، اما بارزترین مثال در کشف محیط های مجازی از طریق بازی های ویدیویی است.اشکال مختلف A.I. امروزه در صنعت بازی های ویدیویی استفاده می شود. خواه یک مدل ساده FSM باشد و یا یک شبکه عصبی پیشرفته که از بازخورد در محیط یاد می گیرد ، امکاناتی که این محیط های مجازی برای پیشرفت A.I فراهم می کنند. (چه در صنعت بازی و چه در بعد از آن) بی پایان هستند.امیر حسین سوریامیر حسین سوریSat, 02 Jan 2021 17:08:31 +0330