AI / ML в играх

От pathfinding и поиска по дереву до LLM-NPC. Сквозная мысль: классический AI — для контроля, современный — для контента, а зрелость — знать, когда ML НЕ ответ. Девять тем ниже, четыре с интерактивными лабами (🏠).

0 / 0 прочитано

Классический контроль и поиск

60 FPS, детерминизм, отлаживаемость. То, что реально крутит NPC в шипнутых играх, + поиск по дереву для просчитываемых игр.

FSM и Behavior Trees~15 мин

Конечные автоматы и деревья поведения — основа управления NPC.конспект

Pathfinding: A* и NavMesh~15 мин

Поиск пути по графу, эвристики, навигационные сетки.🏠 лаба

Minimax, αβ, MCTS~18 мин

Поиск по дереву игры: αβ-отсечение, MCTS/UCB1, гибрид с обученной оценкой (AlphaZero, NNUE).🏠 лаба

Процедурная генерация

Контент из правил. Главный принцип: генерация требует ограничений.

Wave Function Collapse~15 мин

Удовлетворение ограничений как генератор тайл-миров.🏠 лаба

PCG: шум и данжены~16 мин

Perlin/Simplex-шум, L-системы, BSP, грамматики. Ограниченная случайность > ML для контента.🏠 лаба

Современный фронтир

Генеративный AI: диалоги, миры. Дорого, медленно, мощно — и быстро меняется.

LLM-NPC: анатомия системы ★~30 мин

Persona, память, function-calling, латентность, экономика, платформы.🏠 лаба

World models~15 мин

Genie 3, Muse/WHAM — нейросеть как игровой движок. Research-фронтир.конспект

Когда ML не ответ · синтез

Самое ценное суждение: где обучение оправдано, а где классика лучше. Карта связей модуля.

RL-агенты: почему не шипят~16 мин

Сверхчеловечны в демо (OpenAI Five/AlphaStar), но почти не шипят: детерминизм, стоимость, настройка. Где ML в играх реально нужен.конспект

Классика vs ML: что выбрать~12 мин

Контроль против генерализации. Решающее дерево + паттерны модуля.конспект

Модуль 11 · AI/ML — 9 тем, 4 лабы. Полный исходный текст — 11-ai-ml-in-games.md. Классика для контроля, современный AI для контента, и зрелость — знать, когда ML НЕ ответ.