ห้องปฏิบัติการการเรียนรู้ AI ฟรี ออกแบบร่างกายของสัตว์และปล่อยให้โครงข่ายประสาทเทียมค้นพบการเคลื่อนไหวผ่านการทดลองรุ่นต่อรุ่น สำรวจวิธีการป้อนข้อมูล การควบคุม และพฤติกรรมของรูปร่างการประเมินผล บันทึก เปรียบเทียบ และแบ่งปันผลลัพธ์

เข้าสู่ระบบ เพื่อเพิ่มผลิตภัณฑ์นี้ลงในสิ่งที่อยากได้ของคุณ ติดตาม หรือทำเครื่องหมายเป็นถูกละเว้น

ไม่รองรับภาษาไทย

ผลิตภัณฑ์นี้ไม่รองรับภาษาท้องถิ่นของคุณ โปรดตรวจสอบรายชื่อภาษาที่รองรับก่อนทำการสั่งซื้อ

เกมนี้ยังไม่พร้อมใช้งานบน Steam

เตรียมวางจำหน่าย

น่าสนใจ?
เพิ่มในสิ่งที่คุณอยากได้ และรับการแจ้งเตือนเมื่อผลิตภัณฑ์พร้อมใช้งาน
 

เกี่ยวกับเกมนี้

ทำให้กระบวนการเรียนรู้ของ AI มองเห็นได้

แมวมีร่างกาย ข้อต่อ และตัวกระตุ้น ตอนนี้ต้องหาทางก้าวไปข้างหน้า

ความพยายามครั้งแรกอาจดูงุ่มง่าม แขนขารบกวนกันและกัน สูญเสียการทรงตัว และความพยายามอย่างมากทำให้แทบไม่มีการเคลื่อนไหว หลังจากการทดลองมาหลายชั่วอายุคน การกระทำบางอย่างเริ่มก่อให้เกิดการแทนที่ที่เป็นประโยชน์ กลยุทธ์การควบคุมบางอย่างยังคงอยู่ และอาจเกิดแนวทางใหม่ในการเคลื่อนย้าย

AI Learning Simulator เป็นเกมฝึกอบรมและสังเกตทางฟิสิกส์ฟรี ออกแบบร่างกาย ปรับพารามิเตอร์ ดำเนินการฝึกอบรม และสังเกตวิธีที่โครงข่ายประสาทเทียมค้นหาพฤติกรรมที่มีประสิทธิภาพภายในข้อจำกัดของร่างกายและสภาพแวดล้อม

การปรับปรุงทุกอย่างสามารถกลายเป็นการทดลองที่เป็นรูปธรรมในด้านปัญญาประดิษฐ์ได้

ออกแบบร่างกาย จากนั้นสังเกตว่ามันเรียนรู้อย่างไร

เริ่มต้นด้วยแมว ช้าง ยีราฟ ม้า หรือสัตว์สองเท้า ปรับขนาด สัดส่วนแขนขาและน้ำหนัก หรือแก้ไขส่วนของกระดูก ข้อต่อ และจุดยึดแอคทูเอเตอร์โดยละเอียดยิ่งขึ้น

พารามิเตอร์เหล่านี้เปลี่ยนปัญหาการเรียนรู้โดยตรง

ขาที่ยาวขึ้นจะเปลี่ยนทั้งระยะการเคลื่อนไหวและสภาวะการทรงตัว ร่างกายที่หนักกว่าจะเพิ่มภาระ การขยับจุดยึดของแอคชูเอเตอร์จะเปลี่ยนแขนโมเมนต์รอบข้อต่อ ตัวควบคุมเดียวกันสามารถสร้างผลลัพธ์ที่แตกต่างกันมากในร่างกายที่แตกต่างกัน

การเคลื่อนไหวเกิดขึ้นจากผลรวมของโครงสร้างร่างกาย ความสามารถของตัวกระตุ้น และกลยุทธ์การควบคุม

โครงกระดูกกำหนดวิธีที่ร่างกายสามารถเคลื่อนไหว แอคทูเอเตอร์จ่ายแรง และโครงข่ายประสาทเทียมจัดระเบียบสัญญาณควบคุมจากอินพุตของมัน พื้นผิวทำให้ตัวละครมีลักษณะที่ปรากฏ การเคลื่อนไหวจะต้องพิสูจน์ตัวเองในการจำลองทางกายภาพ

โครงข่ายประสาทเทียมเปลี่ยนสถานะเป็นการกระทำได้อย่างไร

ในโมเดลควบคุมปัจจุบันของเกม เครือข่ายจะรับค่าระยะยืดสัมพัทธ์ของตัวขับเชิงเส้นแต่ละตัว ค่าตัวเลขเหล่านี้เป็นวิธีสังเกตสถานะร่างกาย

ค่าต่างๆ ส่งผ่านการเชื่อมต่อที่มีน้ำหนักต่างกัน เซลล์ประสาทยังมีค่าไบแอสและฟังก์ชันกระตุ้นการทำงานอีกด้วย สำหรับเซลล์ประสาทหนึ่งอัน การคำนวณสามารถเข้าใจได้ดังนี้:

เอาต์พุต = ฟังก์ชันกระตุ้น (Σ(อินพุต × น้ำหนักการเชื่อมต่อ) + ไบแอส)

น้ำหนักเป็นตัวกำหนดอิทธิพลของแต่ละอินพุต ค่าไบแอสเปลี่ยนการตอบสนองของเซลล์ประสาท ฟังก์ชันการเปิดใช้งานช่วยให้เครือข่ายสร้างความสัมพันธ์ที่ไม่เป็นเชิงเส้นที่ซับซ้อนมากขึ้น

โหนดและการเชื่อมต่อทำงานร่วมกันเพื่อสร้างเอาต์พุตควบคุมสำหรับแอคชูเอเตอร์ การเปลี่ยนพารามิเตอร์เครือข่ายจะเปลี่ยนวิธีที่ร่างกายตอบสนองต่อสถานะเดียวกัน

ทุกขาที่ยกขึ้น ช่วงเวลาของการพยุงตัว หรือการสูญเสียการทรงตัว สอดคล้องกับลำดับของการคำนวณเชิงตัวเลขและการตอบรับทางกายภาพ

การเคลื่อนไหวเป็นรูปเป็นร่างผ่านการตอบรับอย่างต่อเนื่อง

การควบคุมไม่ได้สิ้นสุดหลังจากการคำนวณเพียงครั้งเดียว

สถานะตัวกระตุ้นเข้าสู่เครือข่าย มันสร้างสัญญาณควบคุม แอคชูเอเตอร์จะเคลื่อนย้ายข้อต่อ แรงโน้มถ่วงและการสัมผัสพื้นดินส่งผลต่อร่างกาย สถานะผลลัพธ์จะกลายเป็นข้อมูลเข้าสำหรับการคำนวณครั้งต่อไป

วงจรนี้ดำเนินต่อไป:

สถานะของร่างกาย → โครงข่ายประสาทเทียม → การควบคุมแอคชูเอเตอร์ → การเคลื่อนไหวทางกายภาพ → สถานะของร่างกายใหม่

ผลกระทบของผลลัพธ์ยังขึ้นอยู่กับท่าทาง การเคลื่อนไหว และเงื่อนไขการสัมผัสของร่างกายในปัจจุบันด้วย การกระตุ้นแบบเดียวกันอาจส่งผลที่แตกต่างกันเมื่อขาแกว่งไปในอากาศและเมื่อสัมผัสพื้น

จังหวะการเดินและการประสานงานอาจค่อยๆ เกิดขึ้นผ่านการตอบรับระหว่างผู้ควบคุม ร่างกาย และสิ่งแวดล้อม การสังเกตการเคลื่อนไหวยังหมายถึงการสังเกตวงปิดนี้ในที่ทำงานด้วย

การฝึกอบรมเปลี่ยนแปลงพฤติกรรมอย่างไร

เกมค้นหากลยุทธ์การควบคุมเป็นหลักผ่านวิวัฒนาการของระบบประสาท

การฝึกอบรมจะประเมินประชากรของเครือข่ายผู้สมัคร ด้วยพารามิเตอร์ควบคุมที่แตกต่างกัน แต่ละครั้งจะพยายามเคลื่อนไหวในการจำลองทางกายภาพของตัวเอง หลังจากแต่ละรุ่น ระบบจะเปรียบเทียบประสิทธิภาพ ปล่อยให้กลยุทธ์ที่ดีกว่ามีอิทธิพลต่อรุ่นต่อไป และแนะนำความพยายามครั้งใหม่ผ่านการกลายพันธุ์

กระบวนการเกิดขึ้นซ้ำ:

  • 1. สร้างประชากรของเครือข่ายการควบคุมผู้สมัคร
  • 2. ทำการทดลองทางกายภาพตามระยะเวลาที่กำหนด
  • 3. คะแนนประสิทธิภาพการเคลื่อนไหว
  • 4. คงไว้ซึ่งกลยุทธ์ที่ดีกว่าและสร้างเครือข่ายที่ได้รับการปรับเปลี่ยน
  • 5. ทดสอบอีกครั้งและเปรียบเทียบต่อ

การเปลี่ยนแปลงอาจส่งผลต่อน้ำหนักการเชื่อมต่อและค่าไบแอสของเซลล์ประสาท หรือเพิ่มโหนดและการเชื่อมต่อ โครงสร้างเครือข่ายสามารถเป็นส่วนหนึ่งของการค้นหาได้

ความแตกต่างที่สำคัญ: ในระหว่างการทดลอง ผู้ควบคุมจะคำนวณซ้ำๆ ด้วยพารามิเตอร์ปัจจุบัน ระหว่างรุ่นต่างๆ การฝึกอบรมจะค้นหาพารามิเตอร์ใหม่ๆ ผ่านการคัดเลือกและการกลายพันธุ์

ตัวละครที่เคลื่อนไหวจะแสดงกลยุทธ์ปัจจุบันที่กำลังดำเนินการ ความแตกต่างระหว่างรุ่นแสดงให้เห็นผลลัพธ์ของการฝึกฝน

สิ่งที่เรียนรู้นั้นขึ้นอยู่กับว่าเราประเมินมันอย่างไร

ภารกิจหลักในปัจจุบันคือการก้าวไปข้างหน้าให้ไกลที่สุดเท่าที่จะทำได้ภายในเวลาที่กำหนด ประสิทธิภาพจะถูกประเมินโดยตำแหน่งแนวนอนที่ไกลที่สุดที่ตัวละครไปถึง

วัตถุประสงค์ง่ายๆ นี้สามารถสร้างข้อสังเกตที่น่าสนใจได้มากมาย

การก้าวต่อไปไม่ได้หมายความว่าจะต้องเคลื่อนไหวอย่างเป็นธรรมชาติมากขึ้นเสมอไป การทำงานที่ดีในการทดลองระยะสั้นไม่ได้รับประกันความเสถียรในระยะยาว การกระทำที่จำกัดกำลังและพลังงาน แต่ระยะทาง ความสง่างามของการเคลื่อนไหว และประสิทธิภาพการใช้พลังงานยังคงวัตถุประสงค์ที่แตกต่างกัน

การฝึกอบรมผลักดันตัวชี้วัดที่เรากำหนดไปสู่การปรับปรุง การวัดนั้นตรงกับความคาดหวังของเราโดยสมบูรณ์หรือไม่นั้น เป็นคำถามสำหรับผู้ที่ออกแบบการทดสอบ

เมื่อเกิดการเคลื่อนไหวที่ไม่คาดคิด ให้มองย้อนกลับไป: เราได้ให้ข้อมูลอะไรบ้าง เราอนุญาตให้ดำเนินการใด และเราใช้กฎเกณฑ์ใดเพื่อกำหนดความสำเร็จ

การทำความเข้าใจคำถามเหล่านี้เป็นส่วนหนึ่งของการทำความเข้าใจปัญญาประดิษฐ์

การเรียนรู้สามารถหยุดและถูกจำกัดโดยเงื่อนไขของมัน

ความก้าวหน้าระหว่างการฝึกอบรมไม่ค่อยสม่ำเสมอ

บางครั้งความพยายามทั้งชุดดูเหมือนจะไม่มีประสิทธิภาพ บางครั้งการเปลี่ยนแปลงเล็กๆ น้อยๆ ก็นำมาซึ่งการปรับปรุงที่ชัดเจน ในเวลาอื่น ประสิทธิภาพอาจยังคงเหมือนเดิมมาหลายชั่วอายุคน

ขนาดประชากรส่งผลต่อจำนวนความพยายาม การกลายพันธุ์ส่งผลต่อขอบเขตของการสำรวจ และโครงสร้างร่างกายกำหนดการเคลื่อนไหวที่เป็นไปได้ คนรุ่นต่อๆ ไปให้โอกาสในการค้นหามากขึ้น แต่ไม่สามารถรับประกันได้ว่าทุกร่างกายจะเรียนรู้ที่จะเดินอย่างมั่นคง

จำนวนเซลล์ประสาทที่เพิ่มขึ้นไม่ได้หมายถึงกลยุทธ์ที่ดีกว่าโดยอัตโนมัติเช่นกัน

ตีความผลลัพธ์แต่ละรายการควบคู่ไปกับร่างกาย ความสามารถของตัวกระตุ้น ระยะเวลาการประเมิน และกฎการให้คะแนน การนับรุ่นจะบันทึกจำนวนรอบการประเมินที่เกิดขึ้น ความสามารถที่แท้จริงยังต้องตัดสินจากผลงาน

เปลี่ยนเงื่อนไข ฝึกฝนอีกครั้ง และเปรียบเทียบผลลัพธ์จากการทดลองต่างๆ

บันทึกการทดลองของคุณ

เกมนำเสนอเส้นทางที่สมบูรณ์ตั้งแต่การออกแบบไปจนถึงการแบ่งปัน:

  • เลือกเทมเพลตร่างกาย: เริ่มต้นด้วยแมว ช้าง ยีราฟ ม้า หรือสัตว์สองเท้า
  • ปรับโครงสร้างร่างกายและแอคชูเอเตอร์: เปลี่ยนขนาด สัดส่วน และน้ำหนัก แก้ไขข้อต่อและจุดยึดแอคชูเอเตอร์
  • กำหนดค่าการฝึกอบรม: ปรับขนาดประชากร ระยะเวลาการประเมิน และพารามิเตอร์วิวัฒนาการ และสังเกตผลกระทบ
  • ตรวจสอบประสิทธิภาพ: สังเกตโครงสร้างเครือข่าย สัญญาณแอคทูเอเตอร์ คะแนนการเคลื่อนไหว และรุ่นการฝึกอบรม
  • บันทึกและฝึกอบรมต่อ: รักษารูปร่างของร่างกายและกลยุทธ์ที่ดีที่สุด ระบุผลลัพธ์ด้วยภาพขนาดย่อของสัตว์และจำนวนรุ่นสะสม จากนั้นสำรวจเพิ่มเติมจากกลยุทธ์ที่บันทึกไว้
  • สังเกตและเปรียบเทียบบนหน้าจอเดียว: เล่นซ้ำกลยุทธ์ที่เรียนรู้ของตัวละครสองตัวอย่างอิสระเพื่อเปรียบเทียบร่างกายหรือตัวควบคุมที่แตกต่างกัน
  • เปลี่ยนรูปลักษณ์และแบ่งปัน: ใช้เทมเพลตสกินของสัตว์ คน และหนังสือภาพ ดาวน์โหลดหรืออัปโหลดสกินและผลลัพธ์ที่ผ่านการฝึกฝนผ่าน Steam Workshop

เกมนี้มีกลยุทธ์เกี่ยวกับแมวที่ได้รับการฝึกฝนมาแล้วทั้งหมด 280 รุ่น เล่นซ้ำโดยตรงหรือใช้เป็นจุดเริ่มต้นสำหรับการฝึกเพิ่มเติมและสังเกตการเปลี่ยนแปลง

ความพยายามของแมวเผยให้เห็นส่วนเล็กๆ ส่วนหนึ่งของการเรียนรู้ AI

ในฉากหนังสือภาพแสงจันทร์ ท้องฟ้าเต็มไปด้วยดวงดาว และทุ่งข้าวสาลี ใช้เวลาสังเกตกลยุทธ์การควบคุม หรือออกแบบร่างกายใหม่และเริ่มการทดลองของคุณเอง

การเคลื่อนไหวไปข้างหน้าที่ดูเหมือนเรียบง่ายจะเชื่อมโยงการเข้ารหัสอินพุต การคำนวณทางประสาท ไดนามิกของร่างกาย กฎการประเมิน และการค้นหาความน่าจะเป็น

เราหวังว่าเกมฟรีนี้จะเปลี่ยนแนวคิดเชิงนามธรรมให้เป็นกระบวนการที่คุณสามารถสังเกต ปรับเปลี่ยน และทดสอบซ้ำๆ ได้ สร้างวิจารณญาณของคุณเอง: ระบบได้รับข้อมูลใดบ้าง สามารถดำเนินการใดได้บ้าง และพฤติกรรมที่มีประสิทธิภาพจะปรากฏภายใต้เงื่อนไขใด

พัฒนาโดย Magiccat และให้บริการฟรี การฝึกอบรมจะดำเนินการภายในเครื่องคอมพิวเตอร์ของคุณ คุณสมบัติ Steam Workshop จำเป็นต้องลงชื่อเข้าใช้ Steam

การเปิดเผยข้อมูลเกี่ยวกับเนื้อหาที่สร้างด้วย AI

ผู้พัฒนาอธิบายว่าเกมของตนใช้เนื้อหาที่สร้างด้วย AI ในลักษณะนี้:

This game uses AI-generated art assets.

ความต้องการระบบ

    ขั้นต่ำ:
    • ต้องการโปรเซสเซอร์และระบบปฏิบัติการแบบ 64 บิต
    • ระบบปฏิบัติการ: Windows 10 64-bit
    • โปรเซสเซอร์: Intel Core i5-3470 或 AMD FX-8350
    • หน่วยความจำ: แรม 300 MB
    • กราฟิกส์: NVIDIA GeForce GTX 660 或 AMD Radeon HD 7870
    • พื้นที่จัดเก็บข้อมูล: พื้นที่ว่างที่พร้อมใช้งาน 1 GB
    • การ์ดเสียง: DirectX compatible sound card
    แนะนำ:
    • ต้องการโปรเซสเซอร์และระบบปฏิบัติการแบบ 64 บิต