Makmal pembelajaran AI percuma. Reka bentuk badan haiwan dan biarkan rangkaian saraf menemui pergerakan melalui generasi percubaan. Terokai bagaimana input, kawalan dan penilaian membentuk tingkah laku. Simpan, bandingkan dan kongsi hasil.

Daftar masuk untuk menambah item ini ke senarai hajat anda, ikuti atau tandakannya sebagai diabaikan

Bahasa Bahasa Melayu tidak disokong

Produk ini tidak menyokong bahasa tempatan anda. Sila semak senarai bahasa yang disokong di bawah sebelum membuat pembelian

Permainan ini belum tersedia di Steam lagi

Akan datang

Berminat?
Tambah ke senarai hajat anda dan terima pemberitahuan apabila permainan sudah tersedia.
 

Tentang Permainan Ini

Jadikan proses pembelajaran AI kelihatan

Kucing mempunyai badan, sendi dan penggerak. Sekarang ia perlu mencari jalan untuk maju.

Percubaan pertamanya mungkin kekok: anggota badan mengganggu satu sama lain, keseimbangan hilang, dan usaha yang hebat menghasilkan hampir tiada pergerakan. Selepas beberapa generasi percubaan, beberapa tindakan mula menghasilkan anjakan yang berguna. Beberapa strategi kawalan dikekalkan, dan cara baru untuk bergerak mungkin muncul.

Simulator Pembelajaran AI ialah permainan latihan dan pemerhatian berasaskan fizik percuma. Reka bentuk badan, laraskan parameter, jalankan latihan dan perhatikan cara rangkaian saraf mencari tingkah laku berkesan dalam kekangan badan dan persekitarannya.

Setiap penambahbaikan boleh menjadi percubaan konkrit dalam kecerdasan buatan.

Reka bentuk badan, kemudian perhatikan bagaimana ia belajar

Mulakan dengan kucing, gajah, zirafah, kuda atau berkaki dua. Laraskan saiz, perkadaran anggota dan berat, atau edit segmen tulang, sendi dan titik pelekap penggerak dengan lebih terperinci.

Parameter ini secara langsung mengubah masalah pembelajaran.

Kaki yang lebih panjang mengubah julat pergerakan dan syarat untuk keseimbangan. Badan yang lebih berat menambah beban. Menggerakkan mata pelekap penggerak mengubah lengan momennya di sekeliling sendi. Pengawal yang sama boleh menghasilkan keputusan yang sangat berbeza dalam badan yang berbeza.

Pergerakan muncul daripada kesan gabungan struktur badan, keupayaan penggerak dan strategi kawalan.

Rangka mentakrifkan bagaimana badan boleh bergerak, penggerak membekalkan daya, dan rangkaian saraf mengatur isyarat kawalan daripada inputnya. Tekstur memberikan watak penampilannya; pergerakan mesti membuktikan dirinya dalam simulasi fizikal.

Bagaimana rangkaian saraf menukar keadaan menjadi tindakan

Dalam model kawalan semasa permainan, rangkaian menerima nilai pemanjangan relatif setiap penggerak linear. Nilai berangka ini digunakan untuk memerhatikan keadaan badan.

Nilai melalui sambungan dengan pemberat yang berbeza. Neuron juga mempunyai bias dan fungsi pengaktifan. Untuk satu neuron, pengiraan boleh difahami sebagai:

Output = fungsi pengaktifan (Σ(input × pemberat sambungan) + bias)

Wajaran menentukan pengaruh setiap input. Bias mengalihkan tindak balas neuron. Fungsi pengaktifan membolehkan rangkaian membentuk perhubungan tak linear yang lebih kompleks.

Nod dan sambungan berfungsi bersama untuk menghasilkan output kawalan untuk penggerak. Menukar parameter rangkaian mengubah cara badan bertindak balas kepada keadaan yang sama.

Setiap kaki yang terangkat, saat sokongan atau kehilangan keseimbangan sepadan dengan urutan pengiraan berangka dan maklum balas fizikal.

Pergerakan terbentuk melalui maklum balas berterusan

Kawalan tidak berakhir selepas satu pengiraan.

Keadaan penggerak memasuki rangkaian. Ia menghasilkan isyarat kawalan. Penggerak menggerakkan sendi. Graviti dan sentuhan tanah menjejaskan badan. Keadaan yang terhasil menjadi input untuk pengiraan seterusnya.

Kitaran ini berterusan:

Keadaan badan → rangkaian saraf → kawalan penggerak → pergerakan fizikal → keadaan badan baharu

Kesan keluaran juga bergantung pada postur badan semasa, pergerakan dan keadaan sentuhan. Penggerakan yang sama boleh mempunyai akibat yang berbeza apabila kaki berayun melalui udara dan apabila ia menyentuh tanah.

Irama dan koordinasi berjalan mungkin muncul secara beransur-ansur melalui maklum balas antara pengawal, badan dan persekitaran. Memerhati pergerakan juga bermakna memerhati gelung tertutup ini di tempat kerja.

Bagaimana latihan mengubah tingkah laku

Permainan ini terutamanya mencari strategi kawalan melalui neuroevolusi.

Latihan menilai populasi rangkaian calon. Dengan parameter kawalan yang berbeza, setiap percubaan pergerakan dalam simulasi fizikalnya sendiri. Selepas setiap generasi, sistem membandingkan prestasi, membolehkan strategi yang lebih baik mempengaruhi generasi seterusnya, dan memperkenalkan percubaan baharu melalui mutasi.

Proses berulang:

  • 1. Menjana populasi rangkaian kawalan calon.
  • 2. Jalankan ujian fizikal untuk tempoh yang tetap.
  • 3. Prestasi pergerakan markah.
  • 4. Kekalkan beberapa strategi yang lebih baik dan hasilkan rangkaian yang diubah suai.
  • 5. Uji sekali lagi dan teruskan membandingkan.

Perubahan boleh menjejaskan berat sambungan dan bias neuron, atau menambah nod dan sambungan. Struktur rangkaian itu sendiri boleh menjadi sebahagian daripada carian.

Perbezaan penting: semasa percubaan, pengawal berulang kali mengira dengan parameter semasanya. Antara generasi, latihan mencari parameter baharu melalui pemilihan dan mutasi.

Watak bergerak menunjukkan strategi semasa sedang dilaksanakan. Perbezaan antara generasi menunjukkan hasil latihan.

Apa yang dipelajari bergantung pada cara kita menilainya

Tugas teras semasa adalah untuk bergerak sejauh mungkin ke hadapan dalam masa yang ditetapkan. Prestasi dinilai terutamanya oleh kedudukan mendatar paling jauh yang telah dicapai oleh watak.

Objektif mudah ini boleh menghasilkan banyak pemerhatian yang menarik.

Melangkah lebih jauh tidak semestinya bererti bergerak lebih semula jadi. Berprestasi baik dalam percubaan singkat tidak menjamin kestabilan berbanding percubaan yang lebih lama. Daya dan tenaga mengekang tindakan, tetapi jarak, keanggunan pergerakan dan kecekapan tenaga kekal sebagai objektif yang berbeza.

Latihan mendorong metrik yang kami takrifkan ke arah peningkatan. Sama ada metrik itu mewakili sepenuhnya jangkaan kami ialah persoalan untuk orang yang mereka bentuk percubaan.

Apabila pergerakan yang tidak dijangka muncul, lihat ke belakang: apakah input yang kami sediakan, apakah tindakan yang kami benarkan, dan apakah peraturan yang kami gunakan untuk menentukan kejayaan?

Memahami soalan ini adalah sebahagian daripada memahami kecerdasan buatan.

Pembelajaran boleh terhenti dan dihadkan oleh syarat-syaratnya

Kemajuan semasa latihan jarang seragam.

Kadangkala keseluruhan kumpulan percubaan kelihatan tidak berkesan. Kadang-kadang perubahan kecil membawa peningkatan yang jelas. Pada masa lain, prestasi mungkin kekal serupa untuk banyak generasi.

Saiz populasi mempengaruhi bilangan percubaan, mutasi mempengaruhi tahap penerokaan, dan struktur badan mentakrifkan pergerakan yang mungkin. Lebih banyak generasi menyediakan lebih banyak peluang carian, tetapi tidak dapat menjamin bahawa setiap badan belajar berjalan dengan stabil.

Lebih banyak neuron juga tidak bermakna strategi yang lebih baik secara automatik.

Tafsirkan setiap keputusan bersama badannya, keupayaan penggerak, tempoh penilaian dan peraturan pemarkahan. Kiraan generasi merekodkan bilangan pusingan penilaian yang telah berlaku; keupayaan sebenar masih perlu dinilai melalui prestasi.

Tukar syarat, latih semula, dan bandingkan keputusan daripada eksperimen yang berbeza.

Simpan percubaan anda

Permainan ini menawarkan laluan lengkap dari reka bentuk kepada perkongsian:

  • Pilih templat badan: mulakan dengan kucing, gajah, zirafah, kuda atau berkaki dua.
  • Laraskan struktur badan dan penggerak: tukar saiz, perkadaran dan berat; edit sendi dan titik lampiran penggerak.
  • Konfigurasikan latihan: laraskan saiz populasi, tempoh penilaian dan parameter evolusi, dan perhatikan kesannya.
  • Periksa prestasi: amati struktur rangkaian, isyarat penggerak, markah pergerakan dan generasi latihan.
  • Simpan dan teruskan latihan: kekalkan konfigurasi badan dan strategi terbaik, kenal pasti keputusan mengikut lakaran kecil haiwan dan kiraan generasi terkumpul, kemudian teroka lebih jauh daripada strategi yang disimpan.
  • Perhatikan dan bandingkan pada satu skrin: mainkan semula strategi yang dipelajari dua aksara secara bebas untuk membandingkan badan atau pengawal yang berbeza.
  • Tukar penampilan dan kongsi: gunakan templat kulit haiwan, manusia dan buku bergambar. Muat turun atau muat naik kulit dan hasil terlatih melalui Bengkel Steam.

Permainan ini termasuk strategi kucing yang dilatih untuk sejumlah 280 generasi. Mainkan semula secara langsung atau gunakannya sebagai titik permulaan untuk latihan lanjut dan perhatikan apa yang berubah.

Percubaan kucing mendedahkan satu bahagian kecil pembelajaran AI

Dalam adegan buku bergambar cahaya bulan, langit berbintang dan ladang gandum, luangkan masa anda memerhati strategi kawalan, atau reka bentuk semula badan dan mulakan percubaan anda sendiri.

Pergerakan ke hadapan yang kelihatan mudah menghubungkan pengekodan input, pengiraan saraf, dinamik badan, peraturan penilaian dan carian kebarangkalian.

Kami berharap permainan percuma ini mengubah konsep abstrak menjadi proses yang boleh anda perhatikan, laraskan dan uji berulang kali. Bina pertimbangan anda sendiri: apakah maklumat yang diterima oleh sistem, apakah tindakan yang boleh diambil, dan dalam keadaan manakah tingkah laku berkesan muncul?

Dibangunkan oleh Magiccat dan tersedia secara percuma. Latihan dijalankan secara tempatan pada komputer anda. Ciri Bengkel Steam memerlukan log masuk ke Steam.

Pendedahan Kandungan Dihasilkan AI

Pembangun menerangkan cara permainan mereka menggunakan Kandungan Dihasilkan AI seperti berikut:

This game uses AI-generated art assets.

Keperluan Sistem

    Minimum:
    • Memerlukan pemproses 64-bit dan sistem pengendalian
    • OS: Windows 10 64-bit
    • Pemproses: Intel Core i5-3470 或 AMD FX-8350
    • Memori: 300 MB RAM
    • Grafik: NVIDIA GeForce GTX 660 或 AMD Radeon HD 7870
    • Storan: 1 GB ruang tersedia
    • Kad Bunyi: DirectX compatible sound card
    Dicadangkan:
    • Memerlukan pemproses 64-bit dan sistem pengendalian