En términos generales, las redes neuronales y los algoritmos genéticos no se usan en los juegos, y aparte del interés reciente en el uso de redes neuronales para el aprendizaje profundo, tampoco es tan frecuente fuera de los juegos.
La razón principal por la que se enseñan en la academia de inteligencia artificial no es por su aplicabilidad práctica, sino porque son bastante fáciles de explicar como dispositivos de enseñanza: ambos tienen análogos matemáticos y biológicos que permiten a los estudiantes comprender cómo podrían funcionar.
En el mundo real, normalmente necesita confiabilidad y previsibilidad. El problema con los métodos de aprendizaje es que si aprenden 'en la naturaleza', pueden aprender los patrones equivocados y no ser confiables. Un NN o un GA podría alcanzar un máximo local que no se garantiza que sea lo suficientemente bueno como para proporcionar la experiencia de juego requerida, por ejemplo. Otras veces, puede terminar siendo demasiado bueno, encontrar una estrategia perfecta que sea inmejorable. Tampoco es deseable en la mayoría de los productos de entretenimiento.
Incluso si entrenas fuera de línea (es decir, antes del lanzamiento, y no durante el juego), un conjunto de datos aparentemente atractivo podría estar ocultando anomalías que, una vez encontradas por un jugador, son fáciles de explotar. Una red neuronal en particular generalmente desarrolla un conjunto de pesos que es bastante opaco para estudiar, y las decisiones que toma son difíciles de razonar. Sería difícil para un diseñador ajustar una rutina de IA como la que se desea.
Pero quizás el problema más condenatorio es que los GA y NN generalmente no son las mejores herramientas para cualquier tarea de desarrollo de juegos. Si bien son buenos dispositivos de enseñanza, cualquier persona con suficiente conocimiento del dominio de la materia generalmente está mejor equipada para usar un método diferente para lograr resultados similares. Esto podría ser cualquier cosa, desde otras técnicas de IA como máquinas de vectores de soporte o árboles de comportamiento hasta enfoques más simples como máquinas de estado o incluso una larga cadena de condicionales si-entonces. Estos enfoques tienden a hacer un mejor uso del conocimiento del dominio del desarrollador y son más confiables y predecibles que los métodos de aprendizaje.
Sin embargo, he oído que algunos desarrolladores han utilizado redes neuronales durante el desarrollo para entrenar a un conductor a encontrar una buena ruta alrededor de una pista de carreras, y luego esta ruta puede enviarse como parte del juego. Tenga en cuenta que el juego final no requiere ningún código de red neuronal para que esto funcione, ni siquiera la red entrenada.
El "costo" del método no es realmente el problema, por cierto. Tanto las NN como las GA se pueden implementar de manera extremadamente económica, y la NN en particular se presta para el cálculo previo y la optimización. El problema es realmente poder obtener algo útil de ellos.
