Un laboratoire gratuit pour explorer l’apprentissage de l’IA. Concevez le corps d’un animal et laissez des réseaux neuronaux chercher comment bouger, génération après génération. Observez, sauvegardez, comparez et partagez vos résultats.

Connectez-vous pour ajouter cet article à votre liste de souhaits, le suivre ou l'ignorer

Français non disponible

Ce produit n'est pas disponible dans votre langue. Veuillez consulter la liste des langues disponibles ci-dessous avant de l'acheter.

Ce jeu n'est pas encore disponible sur Steam

Prochainement

Ce produit vous intéresse ? Ajoutez-le à votre liste de
souhaits et recevez une notification lors de sa sortie.
 

À propos de ce jeu

Rendre visible le processus d'apprentissage de l'IA

Un chat a un corps, des articulations et des actionneurs. Il lui faut maintenant trouver un moyen d’avancer.

Ses premiers essais peuvent être maladroits : les membres interfèrent les uns avec les autres, l'équilibre est perdu et un effort important ne produit presque aucun mouvement. Après plusieurs générations d’essais, certaines actions commencent à produire des déplacements utiles. Certaines stratégies de contrôle sont conservées et de nouvelles façons de se déplacer peuvent émerger.

AI Learning Simulator est un jeu gratuit d’entraînement et d'observation basé sur la physique. Concevez des corps, ajustez les paramètres, effectuez des entraînements et observez comment les réseaux neuronaux recherchent un comportement efficace dans les contraintes d'un corps et de son environnement.

Chaque amélioration peut devenir une expérience concrète d'intelligence artificielle.

Concevoir un corps, puis observer comment il apprend

Commencez par un chat, un éléphant, une girafe, un cheval ou un bipède. Ajustez la taille, les proportions et le poids des membres, ou modifiez plus en détail les segments osseux, les articulations et les points de montage des actionneurs.

Ces paramètres changent directement le problème d'apprentissage.

Des jambes plus longues modifient à la fois l'amplitude des mouvements et les conditions d'équilibre. Un corps plus lourd augmente la charge. Le déplacement des points de montage d'un actionneur modifie son bras de levier autour d'une articulation. Un même contrôleur peut produire des résultats très différents selon les corps.

Le mouvement émerge des effets combinés de la structure du corps, des capacités des actionneurs et de la stratégie de contrôle.

Le squelette définit la façon dont le corps peut bouger, les actionneurs fournissent la force et le réseau neuronal organise les signaux de contrôle à partir de ses entrées. Les textures donnent au personnage son apparence ; le mouvement doit faire ses preuves dans la simulation physique.

Comment un réseau de neurones transforme les états en actions

Dans le modèle de contrôle actuel du jeu, le réseau reçoit l'extension relative de chaque actionneur linéaire. Ces valeurs sont sa manière d’observer le corps.

Les valeurs transitent par des connexions avec des poids différents. Les neurones ont également des biais et des fonctions d'activation. Pour un neurone, le calcul peut être compris comme :

Sortie = fonction d’activation (Σ(entrée × poids de connexion) + biais)

Les poids déterminent l'influence de chaque entrée. Le biais modifie la réponse d'un neurone. Les fonctions d'activation permettent au réseau de former des relations non linéaires plus complexes.

Les nœuds et les connexions fonctionnent ensemble pour produire des sorties de contrôle pour les actionneurs. La modification des paramètres du réseau modifie la façon dont le corps réagit au même état.

Chaque jambe levée, moment d'appui ou perte d'équilibre correspond à une séquence de calculs numériques et de retours physiques.

Le mouvement prend forme grâce à un feedback continu

Le contrôle ne s'arrête pas après un seul calcul.

Les états des actionneurs entrent dans le réseau. Il produit des signaux de commande. Les actionneurs déplacent les articulations. La gravité et le contact avec le sol affectent le corps. L'état résultant devient l'entrée du prochain calcul.

Ce cycle continue :

État du corps → réseau neuronal → contrôle de l'actionneur → mouvement physique → nouvel état du corps

L'effet d'une sortie dépend également de la posture actuelle du corps, des conditions de mouvement et de contact. Le même actionnement peut avoir des conséquences différentes lorsqu’une jambe se balance dans les airs et lorsqu’elle touche le sol.

Le rythme de la marche et la coordination peuvent émerger progressivement grâce à la rétroaction entre le contrôleur, le corps et l'environnement. Observer le mouvement, c’est aussi observer cette boucle fermée à l’œuvre.

Comment l’entraînement change le comportement

Le jeu recherche principalement des stratégies de contrôle à travers la neuroévolution.

L’entraînement évalue une population de réseaux candidats. Avec différents paramètres de contrôle, chacun tente de se déplacer dans sa propre simulation physique. Après chaque génération, le système compare les performances, laisse de meilleures stratégies influencer la génération suivante et introduit de nouvelles tentatives par mutation.

Le processus se répète :

  • 1. Générer une population de réseaux de contrôle candidats.
  • 2. Réaliser des essais physiques pour une durée déterminée.
  • 3. Noter la performance du mouvement.
  • 4. Conserver de meilleures stratégies et produire des réseaux modifiés.
  • 5. Testez à nouveau et continuez la comparaison.

Les changements peuvent affecter les poids de connexion et les biais des neurones, ou ajouter des nœuds et des connexions. La structure du réseau elle-même peut faire partie de la recherche.

Une distinction importante : lors d'un essai, le contrôleur calcule à plusieurs reprises avec ses paramètres actuels. Entre générations, l’entraînement recherche de nouveaux paramètres par sélection et mutation.

Un personnage en mouvement montre la stratégie en cours d'exécution. Les différences entre les générations montrent les résultats de l’entraînement.

Ce qu'il apprend dépend de la façon dont nous l'évaluons

La tâche principale actuelle est d'avancer le plus loin possible dans un délai fixé. La performance est évaluée principalement par la position horizontale la plus éloignée atteinte par le personnage.

Cet objectif simple peut produire de nombreuses observations intéressantes.

Aller plus loin ne signifie pas nécessairement avancer plus naturellement. De bons résultats lors d’un essai court ne garantissent pas la stabilité sur un essai plus long. La force et l'énergie contraignent les actions, mais la distance, l'élégance du mouvement et l'efficacité énergétique restent des objectifs différents.

L’entraînement pousse la métrique que nous définissons vers l'amélioration. La question de savoir si cette mesure représente pleinement nos attentes relève de la personne qui conçoit l’expérience.

Lorsqu'un mouvement inattendu émerge, regardez en arrière : quels apports avons-nous fournis, quelles actions avons-nous permis et quelles règles avons-nous utilisées pour définir le succès ?

Comprendre ces questions fait partie de la compréhension de l’intelligence artificielle.

L'apprentissage peut stagner et est limité par ses conditions

Les progrès lors de l'entraînement sont rarement uniformes.

Parfois, toute une série de tentatives semble inefficace. Parfois, un petit changement apporte une nette amélioration. À d’autres moments, les performances peuvent rester similaires sur plusieurs générations.

La taille de la population affecte le nombre de tentatives, la mutation affecte l'étendue de l'exploration et la structure corporelle définit les mouvements possibles. Des générations plus nombreuses offrent davantage de possibilités de recherche, mais ne peuvent garantir que tout le monde apprend à marcher de manière stable.

Plus de neurones ne signifie pas non plus automatiquement une meilleure stratégie.

Interpréter chaque résultat en fonction de son corps, des capacités de l'actionneur, de la durée de l'évaluation et des règles de notation. Le décompte des générations enregistre le nombre de cycles d'évaluation qui ont eu lieu ; la capacité réelle doit toujours être jugée à travers la performance.

Changez les conditions, entraînez-vous à nouveau et comparez les résultats de différentes expériences.

Enregistrez vos expériences

Le jeu propose un parcours complet de la conception au partage :

  • Choisissez un gabarit corporel : commencez par un chat, un éléphant, une girafe, un cheval ou un bipède.
  • Ajuster la structure du corps et de l'actionneur : modifier la taille, les proportions et le poids ; modifier les articulations et les points de fixation des actionneurs.
  • Configurer l’entraînement : ajuster la taille de la population, la durée de l'évaluation et les paramètres d'évolution, et observer leurs effets.
  • Inspecter les performances : observer la structure du réseau, les signaux des actionneurs, les scores de mouvement et les générations d'entraînement.
  • Enregistrez et continuez l'entraînement : conservez la configuration corporelle et la meilleure stratégie, identifiez les résultats grâce aux vignettes d'animaux et au nombre de générations cumulées, puis explorez davantage à partir d'une stratégie enregistrée.
  • Observer et comparer sur un seul écran : rejouez indépendamment les stratégies apprises de deux personnages pour comparer différents corps ou contrôleurs.
  • Changez les apparences et partagez : utilisez des modèles de skins d'animaux, d'humains et de livres d'images. Téléchargez ou téléchargez des skins et des résultats entraînés via Steam Workshop.

Le jeu comprend une stratégie de chat entraînée sur un total de 280 générations. Rejouez-le directement ou utilisez-le comme point de départ pour un entraînement supplémentaire et observez les changements.

Les tentatives d'un chat révèlent une petite partie de l'apprentissage de l'IA

Dans des scènes de livre d'images de clair de lune, de ciel étoilé et de champs de blé, prenez votre temps pour observer une stratégie de contrôle, ou redessinez le corps et commencez votre propre expérience.

Un mouvement vers l'avant apparemment simple relie le codage des entrées, le calcul neuronal, la dynamique corporelle, les règles d'évaluation et la recherche probabiliste.

Nous espérons que ce jeu gratuit transformera les concepts abstraits en processus que vous pourrez observer, ajuster et tester à plusieurs reprises. Construisez votre propre jugement : quelles informations un système reçoit-il, quelles actions peut-il entreprendre et dans quelles conditions un comportement efficace apparaît-il ?

Développé par Magiccat et disponible gratuitement. L’entraînement s'exécute localement sur votre ordinateur. Les fonctionnalités de Steam Workshop nécessitent une connexion à Steam.

Notification de contenu généré par IA

L'équipe de développement décrit l'utilisation de contenu généré par IA dans le jeu comme suit.

This game uses AI-generated art assets.

Configuration requise

    Minimale :
    • Système d'exploitation et processeur 64 bits nécessaires
    • Système d'exploitation : Windows 10 64-bit
    • Processeur : Intel Core i5-3470 或 AMD FX-8350
    • Mémoire vive : 300 MB de mémoire
    • Graphiques : NVIDIA GeForce GTX 660 或 AMD Radeon HD 7870
    • Espace disque : 1 GB d'espace disque disponible
    • Carte son : DirectX compatible sound card
    Recommandée :
    • Système d'exploitation et processeur 64 bits nécessaires