โดยทั่วไปการพูดโครงข่ายประสาทและอัลกอริธึมเชิงพันธุกรรมไม่ได้ใช้ในเกมและนอกเหนือจากความสนใจล่าสุดในการใช้มุ้งประสาทสำหรับการเรียนรู้ที่ลึกล้ำ
เหตุผลหลักที่สิ่งเหล่านี้ได้รับการสอนในสถาบันการศึกษาของ AI นั้นไม่ใช่เพราะการใช้งานจริง แต่เนื่องจากพวกเขาค่อนข้างง่ายที่จะอธิบายว่าเป็นอุปกรณ์การเรียนการสอน - ทั้งสองมีแอนะล็อกทางคณิตศาสตร์และชีววิทยาที่อนุญาตให้นักเรียนเข้าใจ
ในโลกแห่งความเป็นจริงคุณมักจะต้องการความน่าเชื่อถือและการคาดการณ์ ปัญหาเกี่ยวกับวิธีการเรียนรู้คือถ้าพวกเขาเรียนรู้ 'ในป่า' พวกเขาสามารถเรียนรู้รูปแบบที่ไม่ถูกต้องและไม่น่าเชื่อถือ NN หรือ GA อาจถึงค่าสูงสุดในท้องถิ่นซึ่งไม่รับประกันว่าจะดีพอที่จะมอบประสบการณ์การเล่นเกมที่จำเป็นตัวอย่างเช่น ในบางครั้งมันอาจจบลงด้วยการที่ดีเกินไปการหากลยุทธ์ที่สมบูรณ์แบบที่ไม่สามารถเอาชนะได้ ไม่เป็นที่ต้องการในผลิตภัณฑ์เพื่อความบันเทิงส่วนใหญ่
แม้ว่าคุณจะฝึกฝนแบบออฟไลน์ (เช่นก่อนการเปิดตัวและไม่ใช่ในระหว่างการเล่นเกม) ชุดข้อมูลที่ดูดีอาจซ่อนความผิดปกติที่ผู้เล่นพบครั้งเดียวนั้นสามารถใช้ประโยชน์ได้ง่าย โครงข่ายประสาทเทียมโดยเฉพาะอย่างยิ่งมักจะวิวัฒนาการชุดของน้ำหนักซึ่งค่อนข้างทึบในการศึกษาและการตัดสินใจโดยมันยากที่จะให้เหตุผลเกี่ยวกับ มันจะเป็นเรื่องยากสำหรับนักออกแบบที่จะปรับแต่ง AI เพื่อให้ทำงานตามที่ต้องการ
แต่บางทีปัญหาที่อันตรายที่สุดคือ GA และ NN ไม่ใช่เครื่องมือที่ดีที่สุดสำหรับงานพัฒนาเกมใด ๆ ในขณะที่อุปกรณ์การสอนที่ดีใครก็ตามที่มีความรู้เพียงพอเกี่ยวกับวิชานั้น ๆ ก็พร้อมที่จะใช้วิธีการต่าง ๆ เพื่อให้ได้ผลลัพธ์ที่คล้ายกัน นี่อาจเป็นอะไรก็ได้จากเทคนิค AI อื่น ๆ เช่นการสนับสนุนเครื่องเวกเตอร์หรือต้นไม้พฤติกรรมไปจนถึงวิธีที่ง่ายกว่าเช่นเครื่องของรัฐหรือแม้แต่เงื่อนไขที่ยืดยาว วิธีการเหล่านี้มีแนวโน้มที่จะใช้ความรู้ด้านโดเมนของผู้พัฒนาได้ดีขึ้นและมีความน่าเชื่อถือและคาดการณ์ได้ดีกว่าวิธีการเรียนรู้
ฉันได้ยินมาว่านักพัฒนาบางคนใช้เครือข่ายประสาทเทียมในระหว่างการพัฒนาเพื่อฝึกคนขับเพื่อหาเส้นทางที่ดีรอบสนามแข่งและจากนั้นเส้นทางนี้จะถูกส่งเป็นส่วนหนึ่งของเกม โปรดทราบว่าเกมสุดท้ายไม่จำเป็นต้องใช้รหัสเครือข่ายประสาทใด ๆ เพื่อให้สามารถทำงานได้
'ต้นทุน' ของวิธีการไม่ใช่ปัญหาจริงๆ ทั้ง NN และ GA สามารถใช้งานได้อย่างถูกมากโดยเฉพาะอย่างยิ่ง NN ในการให้ยืมตัวเองเพื่อการคำนวณล่วงหน้าและการเพิ่มประสิทธิภาพ ปัญหาคือความสามารถในการเอาสิ่งที่เป็นประโยชน์ออกมาได้
