Нейросеть воссоздала игру Pac-Man |
||
МЕНЮ Искусственный интеллект Поиск Регистрация на сайте Помощь проекту ТЕМЫ Новости ИИ Искусственный интеллект Разработка ИИГолосовой помощник Городские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Техническое зрение Чат-боты Авторизация |
2020-06-22 08:05 Нейросеть сумела воссоздать игру Pac-Man, просматривая геймплейные видео в течение четырёх суток. Компания Nvidia уже довольно давно развивает нейросети, на её счету и технология, улучшающая работу рейтрейсинга, и генератор человеческих лиц, а к сорокалетнему юбилею оригинальной PacMan инженеры компании решили доверить нейросети разработку игру на основе её геймплейных роликов. И оказалось, что задача не такая уж и невыполнимая, как могло бы показаться скептикам. Нейросеть «впитала» в себя большое количество геймплейных роликов, сгенерировала тестовую площадку, а затем начала долго и кропотливо подгонять результат к тому, что было на видео. Всего нейросети GameGAN понадобилось около 50 тысяч итераций для идеального воссоздания игры. Как же нейросеть определяла правильность своих действий? Всё просто: в качестве игрока выступала другая нейросеть, проверявшая игровые механики на достоверность. Такой принцип работы с нейросетями называют генеративно-состязательным, в его основе лежат две сети, одна из которых занимается непосредственно генерированием контента, а другая проверяет его на правильность. На данный момент это один из самых эффективных подходов к обучению нейронных сетей. Комментарии: |
|