De manière générale, les réseaux de neurones et les algorithmes génétiques ne sont pas utilisés dans les jeux, et en dehors de l'intérêt récent pour l'utilisation de réseaux de neurones pour l'apprentissage en profondeur, pas si souvent en dehors des jeux non plus.
La principale raison pour laquelle ils sont enseignés dans le monde de l'IA n'est pas en raison de leur applicabilité pratique, mais parce qu'ils sont assez faciles à expliquer en tant que dispositifs d'enseignement - les deux ont des analogues mathématiques et biologiques qui permettent à un étudiant de comprendre comment ils pourraient travailler.
Dans le monde réel, vous avez généralement besoin de fiabilité et de prévisibilité. Le problème avec les méthodes d'apprentissage est que s'ils apprennent «à l'état sauvage», ils peuvent apprendre les mauvais schémas et ne pas être fiables. Un NN ou un GA pourrait potentiellement atteindre un maximum local qui n'est pas garanti d'être suffisamment bon pour fournir l'expérience de jeu requise, par exemple. D'autres fois, cela pourrait finir par être trop bon, trouver une stratégie parfaite imbattable. Aucun n'est souhaitable dans la plupart des produits de divertissement.
Même si vous vous entraînez hors ligne (c'est-à-dire avant le lancement, et non pendant le jeu), un ensemble de données apparemment beau pourrait cacher des anomalies qui, une fois trouvées par un joueur, sont faciles à exploiter. Un réseau de neurones en particulier fait généralement évoluer un ensemble de poids qui est assez opaque à étudier, et les décisions qu'il prend sont difficiles à raisonner. Il serait difficile pour un concepteur de modifier une telle routine d'intelligence artificielle pour qu'elle fonctionne comme souhaité.
Mais le problème le plus accablant est peut-être que les GA et NN ne sont généralement pas les meilleurs outils pour toute tâche de développement de jeux. Bien que de bons dispositifs d'enseignement, toute personne ayant une connaissance suffisante du domaine est généralement mieux équipée pour utiliser une méthode différente pour obtenir des résultats similaires. Il peut s'agir d'autres techniques d'IA telles que les machines à vecteurs de support ou les arbres de comportement, jusqu'aux approches plus simples telles que les machines à états ou même une longue chaîne de conditions si-alors. Ces approches tendent à mieux utiliser les connaissances du domaine du développeur et sont plus fiables et prévisibles que les méthodes d'apprentissage.
J'ai entendu cependant que certains développeurs ont utilisé des réseaux de neurones pendant le développement pour former un pilote à trouver un bon itinéraire autour d'une piste de course, puis cet itinéraire peut ensuite être expédié dans le cadre du jeu. Notez que le jeu final ne nécessite aucun code de réseau neuronal pour que cela fonctionne, pas même le réseau formé.
Le «coût» de la méthode n'est d'ailleurs pas vraiment le problème. Les NN et les AG peuvent être mis en œuvre à très bon marché, le NN se prêtant en particulier au pré-calcul et à l'optimisation. L'enjeu est vraiment de pouvoir en tirer quelque chose d'utile.
