हाइब्रिड गेमिंग AI कैसे काम करता है और इसके क्या फायदे हैं

गेमिंग आर्टिफिशियल इंटेलिजेंस के विषय को जारी रखने के लिए, जिसे कभी हमारे ब्लॉग में उठाया गया था, हम इस बारे में बात करेंगे कि मशीन लर्निंग इस पर और किस रूप में लागू होती है। एपेक्स गेम टूल्स में AI मुद्दों पर एक विशेषज्ञ जैकब रासमुसेन ने अपने अनुभव और इसके आधार पर चुने गए समाधानों को साझा किया।



हाल के वर्षों में, बहुत सी बातें हुई हैं कि मशीन लर्निंग गेमिंग उद्योग को मौलिक रूप से बदल देगा, क्योंकि यह तकनीक कई डिजिटल अनुप्रयोगों में पहले से ही एक सफलता बन गई है। लेकिन यह मत भूलो कि खेल एक कार ड्राइविंग सिम्युलेटर, ड्रोन नियंत्रण कार्यक्रम या एक छवि में चेहरा पहचान एल्गोरिदम की तुलना में बहुत अधिक जटिल हैं।

अभी तक गेमिंग उद्योग में, पारंपरिक AI तरीकों का उपयोग करने के लिए अभी भी प्रथागत है, जैसे कि परिमित राज्य मशीन विधि, व्यवहार पेड़, और - हाल ही में - उपयोगिता-आधारित AI (उपयोगिता-आधारित सिस्टम)। ऐसे AI को डिज़ाइन-आधारित (कृत्रिम डिज़ाइन इंटेलिजेंस) या विशेषज्ञ प्रणाली भी कहा जाता है। लेकिन यह तेजी से स्पष्ट होता जा रहा है - और खिलाड़ियों को पहली जगह में - कि ये सिस्टम कम और कम उपयुक्त हैं जो वास्तव में उन्नत विरोधियों को बनाने के लिए उपयुक्त हैं जो खिलाड़ियों के व्यवहार की नकल कर सकते हैं। यह रचनात्मक समाधान के लिए विशेष रूप से सच है। यह इस तथ्य से समझाया जा सकता है कि कृत्रिम बुद्धि के डेवलपर्स व्यवहार की सभी संभव रणनीति और रणनीतियों को ध्यान में नहीं रखते हैं और उन्हें पारंपरिक एआई सिस्टम में सफलतापूर्वक लागू करते हैं। खिलाड़ियों के लिए, यह अक्सर एक ऐसे प्रतिद्वंद्वी के साथ खेलने के लिए उबाऊ और अनुमान लगाने योग्य हो जाता है, जिसका व्यवहार याद रखना आसान है।

कई कारणों से यह परिणाम होता है, लेकिन उनमें से एक मुख्य सीखने की एआई की अक्षमता है। इसलिए, दुश्मन की कृत्रिम बुद्धि का निर्माण करते समय, मशीन सीखने के लिए संक्रमण पर निर्णय, जो खुद को कई अन्य अनुप्रयोगों में साबित कर चुका है, अपने आप ही ध्यान में आता है। लेकिन कई बारीकियां हैं जो विचार करने योग्य हैं। तो, एक गेम AI को किसी भी स्थिति के अनुकूल होने में सक्षम होना चाहिए और इसके द्वारा मिलने वाले फायदों का उपयोग करना चाहिए, साथ ही प्रतिद्वंद्वियों के विभिन्न गेम शैलियों - लाइव प्लेयर और अन्य AI के लिए भी अनुकूल होना चाहिए।

अब चीजें कैसी हैं?

ब्रिटिश कंपनी डीपमाइंड, कृत्रिम बुद्धिमत्ता के विकास में लगी हुई है, हाल ही में दिखाया गया है कि एआई कैसे स्वतंत्र रूप से गेम खेलना सीख सकता है, अपने नियम सीख सकता है और गेम को पास करने या इसे जीतने के तरीके खोज सकता है - हालाँकि, अभी तक केवल साधारण खेलों के उदाहरण पर, जैसे शुरुआती अटारी गेम - उदाहरण के लिए, शतरंज और जापानी तर्क खेल चलते हैं। उनके लिए प्राप्त किए गए परिणाम बताते हैं कि कृत्रिम बुद्धिमत्ता स्वयं इस बात का पर्याप्त मूल्यांकन करने में सक्षम है कि क्षेत्र में क्या हो रहा है। यदि हम प्रतिद्वंद्वी के खेल की विभिन्न शैलियों में एआई के अनुकूलन के बारे में बात करते हैं, तो परिणाम इतने प्रभावशाली नहीं हैं।

आजकल, तंत्रिका नेटवर्क पहले से ही छवियों को पहचानना और कारों को चलाना सीख चुके हैं। लेकिन इन कार्यों को अपेक्षाकृत सरल आर्किटेक्चर की मदद से महसूस किया जा सकता है, भले ही इसके परिणामस्वरूप वे काफी गहरे और ज्वालामुखी बन जाएं। इसलिए, फेसबुक पर छवि पहचान के लिए AI में लगभग 100 परतों की गहराई है, यही वजह है कि यह एक जैविक मस्तिष्क जैसा दिखता है - एक बड़े नेटवर्क का निर्माण करने वाले न्यूरॉन्स के बीच संबंधों की संख्या और जटिलता में।

खेल एअर इंडिया

गेमिंग उद्योग में मशीन सीखने के अनुप्रयोग के लिए, कई सीमाएँ हैं, जिनके कारण इस प्रकार की वास्तुकला का उपयोग करना हमेशा संभव नहीं होता है। इनमें विशेष रूप से सीपीयू से संबंधित सिस्टम आवश्यकताएं शामिल हैं, जो जटिल गेम संरचनाओं को संसाधित करने के लिए कंप्यूटर की क्षमता और गेम स्टोरीटेलिंग और गेमप्ले के लिए इसकी उपयुक्तता निर्धारित करती हैं।

इस प्रकार, यह पता चला है कि एक जटिल कृत्रिम बुद्धिमत्ता प्रणाली के कार्यान्वयन के लिए कई खेलों में, आवश्यक हार्डवेयर को व्यवस्थित करना और सर्वर क्लस्टर को अधिक करना संभव नहीं है, जो मौजूद है, उदाहरण के लिए, फेसबुक पर छवि मान्यता नेटवर्क के लिए। कभी-कभी कई एआई को एक ही समय में काम करना चाहिए - न केवल कंप्यूटर पर, बल्कि मोबाइल उपकरणों पर, और अन्य कम उत्पादक प्लेटफार्मों पर भी। यह सब मशीन सीखने की वास्तुकला के आकार और जटिलता पर प्रतिबंध लगाता है, क्योंकि सभी गणनाओं को 1 या 2 मिलीसेकंड के आदेश की एक फ्रेम अवधि के साथ भी किया जाना चाहिए। बेशक, आप विभिन्न अनुकूलन तकनीकों का उपयोग कर सकते हैं और फ़्रेम के बीच संतुलन साध सकते हैं, लेकिन फिर भी आप इन सीमाओं से बिल्कुल भी छुटकारा नहीं पा सकते हैं।

एआई के लिए गंभीर समस्याएं खेल की जटिलता का कारण बन सकती हैं। दरअसल, StarCraft II जैसे खेलों में, खेल के यांत्रिकी अटारी खेलों की तुलना में कई गुना अधिक जटिल हैं। इसलिए, आपको यह उम्मीद नहीं करनी चाहिए कि किसी दिए गए फ्रेम आवृत्ति और ज्ञात सिस्टम आवश्यकताओं के साथ, मशीन लर्निंग निश्चित रूप से खेल के पूरे राज्य के अध्ययन के साथ सामना करेगी और इसके साथ बातचीत करने में सक्षम होगी। एक खिलाड़ी को अक्सर खेल के शुरुआती चरणों में अंतर्ज्ञान द्वारा निर्देशित किया जाता है, इसलिए एआई को यह सीखना चाहिए कि खेल के राज्य को कैसे आगे बढ़ाना है ताकि इसके आगे के मार्ग को सरल बनाया जा सके। उदाहरण के लिए, मैप्स पर Starcraft II के लिए नवीनतम एपीआई में से एक, केवल उस जानकारी को, जिसे डेवलपर्स महत्वपूर्ण मानते हैं: प्रदर्शित किया गया था: एक मामले में, AI ने नक्शे के पूरे क्षेत्र का कम दृश्य का उपयोग किया, दूसरे में - एक खिलाड़ी की तरह, वह कैमरे को स्थानांतरित कर सकता था, और फिर उसकी धारणा जानकारी तक सीमित थी। स्क्रीन पर।


StarSraft II में एक खिलाड़ी के खिलाफ अल्फास्टार एआई गेम का विज़ुअलाइज़ेशन: स्क्रीनशॉट कच्चे इनपुट टिप्पणियों, तंत्रिका नेटवर्क की गतिविधि, इसके कुछ संभावित कार्यों और निर्देशांक, साथ ही साथ मैच के अपेक्षित परिणाम दिखाता है।

यह खेलों के मामले में एक विशेष रूप से प्रासंगिक पहलू है। अक्सर मशीन सीखने की समस्याओं को हल करने के लिए आमतौर पर स्वीकृत तरीके गेमिंग कृत्रिम बुद्धिमत्ता पर लागू नहीं होते हैं। उदाहरण के लिए, आमतौर पर वह जीतने के लिए अपनी शक्ति में सब कुछ जीतने या करने के लिए बाध्य नहीं है, जैसा कि अटारी खेलों के साथ हुआ था। अधिक बार एआई की भूमिका पासिंग गेम को और अधिक रोमांचक बनाने के लिए है। यह उसके लिए आवश्यक हो सकता है कि वह भूमिका निभाए और चरित्र के चरित्र के रूप में व्यवहार करे जिसके लिए वह जिम्मेदार है। इस प्रकार, गेमिंग AI गेम डिजाइन और स्टोरीटेलिंग के लिए अधिक बंधे हुए हैं और अपने लक्ष्यों को प्राप्त करने के लिए उनके व्यवहार को नियंत्रित करने के लिए आवश्यक उपकरण होने चाहिए। शुद्ध मशीन लर्निंग हमेशा इसके लिए उपयुक्त नहीं है - जिसका मतलब है कि आपको कुछ और देखने की जरूरत है।

प्रैक्टिकल मशीन लर्निंग मुद्दे

ये समस्याएँ अनलह के लिए मशीन लर्निंग-आधारित कृत्रिम बुद्धिमत्ता के विकास में सामने आईं, जहाँ एआई को नियमित खिलाड़ियों की तरह व्यवहार करना चाहिए - अर्थात, जितना लचीला और संसाधनपूर्ण होना चाहिए।

Starcraft II की तरह, अनलेशेड शतरंज की तुलना में बहुत अधिक जटिल है और अटारी के लिए चलते हैं। इसमें गेमप्ले सहज और सीखने में आसान है, लेकिन वास्तव में इसमें सफल होने के लिए, आपको कुछ मेटा प्रबंधन कौशल की आवश्यकता होती है। खिलाड़ी को मज़ारों का निर्माण करना चाहिए, दुश्मनों पर राक्षस सेट करना चाहिए और पूरे खेल में अर्थशास्त्र, हमले और संरचनाओं की रक्षा में अपनी रणनीति के माध्यम से सोचना चाहिए। ऐसा करने के लिए, उसे अन्य लोगों की चालों को आगे बढ़ाने और गणना करने की जरूरत है, साथ ही एक मनोवैज्ञानिक मेटा का प्रबंधन करना चाहिए - यह वह है जो पोकर को सिर्फ एक सांख्यिकीय खेल से कुछ अधिक बनाता है।


अनलेश से स्क्रीनशॉट

इन उद्देश्यों के लिए सबसे उपयुक्त वास्तुकला की खोज में, न्यूरोएवोल्यूशन और गहन सीखने जैसी तकनीकों को पहली बार लगभग अपरिवर्तित रूप में खेल में पेश किया गया था, और हमने जाँच की कि वे खुद को दुश्मन एआई के रूप में कच्चा कैसे दिखाएंगे।

गज़ब था।

यह जल्दी से स्पष्ट हो गया कि अनलिस्टेड को कई वैश्विक समस्याओं को हल करने की आवश्यकता थी जो मशीन सीखने के लिए अनुकूल होना मुश्किल था।

उनमें से एक प्रभावी भूलभुलैया का निर्माण है। जैसा कि कई खेलों में जिसका लक्ष्य टॉवर की रक्षा करना है, यहां खिलाड़ियों को इसके चारों ओर एक भूलभुलैया बनाने की आवश्यकता होती है, जिसके माध्यम से राक्षस टूट जाएगा। बदले में, उन्हें भूलभुलैया में रखे हथियारों की मदद से समाप्त किया जाना चाहिए। आदर्श रूप में, भूलभुलैया को यथासंभव लंबे समय तक होना चाहिए ताकि राक्षसों पर पर्याप्त क्षति पहुंचाई जा सके और उन्हें टॉवर तक पहुंचने से रोका जा सके। कुछ प्रकार के हथियारों के लिए, राक्षस दूसरों की तुलना में अधिक कमजोर होते हैं, इसलिए अधिक प्रभावशीलता के लिए उन्हें बाकी सभी की तुलना में पहले भूलभुलैया में रखा जाना चाहिए। अनलेश की ख़ासियत यह है कि कोई भी सही भूलभुलैया नहीं है: खेल में कई प्रकार के राक्षस हैं कि उनमें से एक रास्ता या कोई अन्य स्वतंत्र रूप से भूलभुलैया के किसी भी हिस्से से गुजरेगा। अन्य खिलाड़ियों द्वारा शुरू किए गए नए राक्षसों के लिए किसी भी भूलभुलैया को अनुकूलित किया जाना चाहिए। इस प्रकार, न केवल लेबिरिंथ के निर्माण के लिए कृत्रिम बुद्धिमत्ता को सिखाना आवश्यक था - यह उसे सिखाने के लिए आवश्यक था कि विभिन्न परिदृश्यों के लिए प्रभावी लेबिरिंथ कैसे बनाएं, जो केवल खेल के शुरुआती और देर से दोनों संस्करणों में सामना कर सकते हैं।

इसके अलावा, एआई को यह पता लगाना था कि भूलभुलैया में कौन से राक्षस दिखाई देंगे। भूलभुलैया के निर्माण के संबंध में यह एक प्रकार की विलोम समस्या है। कई अन्य खेलों की तरह, केवल एक सेना बनाने और दुश्मन के खेमे में भेजने के लिए यह पर्याप्त नहीं है: आपको दुश्मन की रक्षा की जासूसी करने की भी ज़रूरत है और अपनी सेना को इस तरह से तैयार करना है ताकि दुश्मन के दर्द बिंदुओं को प्रभावी ढंग से मारा जा सके। राक्षसों की सेना को इस तरह से एक दूसरे के साथ बातचीत करनी चाहिए जैसे कि भूलभुलैया के माध्यम से सबसे सफलतापूर्वक तोड़ने के लिए। कभी-कभी राक्षसों को उनके कार्यों और भूमिका के आधार पर एक निश्चित क्रम में जारी करना भी आवश्यक होता है। इससे विभिन्न संयोजनों की संख्या भी बढ़ जाती है।

अंत में, चूंकि खिलाड़ी को मज़ाज़ बनाना चाहिए और राक्षसों की सेना को इकट्ठा करना चाहिए, इसलिए एआई को यह भी सीखना होगा कि हमले और बचाव में संतुलन कैसे खोजना है। यह भी विचार करने योग्य है कि जितना अधिक खिलाड़ी राक्षसों की सेना का निर्माण करता है और जितना अधिक वह भूलभुलैया बनाता है, उतने ही अधिक संसाधनों की उसे आवश्यकता होती है। इसलिए, खेल के दौरान अर्थव्यवस्था के लिए और इसमें जीत के लिए सही हमले की रणनीति बेहद महत्वपूर्ण है। और प्रतिस्पर्धा सुनिश्चित करने के लिए, एआई को इस तरह से संसाधनों का निपटान करने में सक्षम होना चाहिए जैसे कि भूलभुलैया की ताकत को खतरे में डाले बिना, राक्षसों की एक शक्तिशाली सेना तैयार करना। राक्षसों में अधिकतम निवेश करना लागत प्रभावी हो सकता है, लेकिन इससे दुश्मन राक्षसों के चक्रव्यूह में आने का खतरा बढ़ जाता है। यदि आप भूलभुलैया के संरक्षण को मजबूत करने के लिए शर्त लगाते हैं, तो यह आपकी अर्थव्यवस्था को कमजोर कर सकता है। इनमें से कोई भी परिदृश्य जीत की ओर नहीं ले जाएगा। इस प्रकार, अनलिस्टेड में अनुकूलन समस्या शतरंज या स्टारक्राफ्ट के मामले से बड़ी है, और इसमें कुछ त्याग करने और अपने लाभ की गणना करने की आवश्यकता शामिल है, जो कई कदम आगे है।

जैसा कि कृत्रिम बुद्धिमत्ता को प्रशिक्षित किया जाता है, पहले की कई बेहिसाब समस्याएं सामने आती हैं। इसलिए, सबसे पहले, एआई अक्सर विकास के एक निश्चित स्तर पर पहुंच गया, जिस पर उसने खेल के कुछ पहलुओं को समझना शुरू किया - उदाहरण के लिए, भूलभुलैया में कौन से हथियार विशिष्ट प्रकार के राक्षसों के खिलाफ प्रभावी हैं या कौन से राक्षस भूलभुलैया के कुछ वर्गों को सबसे अच्छा पास करते हैं। लेकिन सीखना धीमा था और समान रणनीतियों के विकास के लिए नेतृत्व किया।

समानांतर दृष्टिकोण की आवश्यकता

जबकि मशीन लर्निंग-आधारित एआई लर्निंग धीरे-धीरे और विशेष रूप से सफलतापूर्वक विकसित नहीं हुई, परीक्षण और विकास के अन्य चरणों में बेहतर एआई और अधिक मजबूत प्रतिद्वंद्वी एआई की आवश्यकता थी। उन्हें कार्यान्वित करने के लिए, उपयोगिता वास्तुकला का उपयोग किया गया था, जिसके साथ आप खेल की गुणवत्ता की जांच और जांच, इन-गेम परीक्षणों और हथियारों और राक्षसों को संतुलित करने और विशिष्ट भूलभुलैया और राक्षसों का निर्माण करने के लिए विशेष एआई बना सकते हैं। हालांकि, उन्लेश के विकास के दौरान, रचनाकारों ने इसे पारित करने में अपने कौशल का सम्मान किया, और फिर अधिक जटिल एआई उपयोगिता बनाने के लिए अधिग्रहीत ज्ञान का उपयोग करने का निर्णय लिया। तो यह स्पष्ट हो गया कि मशीन लर्निंग पर आधारित कृत्रिम शिक्षण प्रणालियों में उत्पन्न होने वाली कई समस्याओं को उनके ज्ञान का उपयोग करने वाली उपयोगिता प्रणालियों और इसके विपरीत आसानी से हल किया जा सकता है।

उदाहरण के लिए, आंतरिक परीक्षणों से संकलित ज्ञानकोषों के आधार पर, उपयोगिता एआई का उपयोग करके अधिक प्रभावी लेबिरिंथ का निर्माण करना बेहतर है। आप आसानी से भूलभुलैया का निर्माण करने और उसमें हथियारों के स्थान के निर्माण के लिए एल्गोरिदम का वर्णन और कार्यक्रम इस तरह से कर सकते हैं क्योंकि एक जीवित खिलाड़ी के लिए विशिष्ट राक्षसों से टॉवर की रक्षा करना आसान होगा। लेकिन दुश्मन के आधार के ज्ञान के आधार पर राक्षसों की एक सेना का निर्माण ऐसे एआई के लिए एक मुश्किल काम था, क्योंकि विभिन्न स्थितियों और संयोजनों की संख्या को ध्यान में रखना चाहिए जो आश्चर्यजनक था। इस तरह के एआई आर्किटेक्चर के साथ, राक्षसों के उपयुक्त सेटों को खोजने में काफी लंबा समय लगेगा। फिर, दिए गए प्रतिबंधों को देखते हुए, गहन सीखना इस कार्य के लिए एक आदर्श समाधान होगा।

हाइब्रिड एआई क्रिएशन

इसलिए, दोनों दृष्टिकोणों को संयोजित करने और इस प्रकार मशीन सीखने और उपयोगिता के आधार पर कृत्रिम बुद्धिमत्ता की एक संकर प्रणाली बनाने का निर्णय लिया गया। विचार यह था कि जहां खेल के संयोजन और राज्यों की एक बड़ी संख्या को संसाधित करना आवश्यक था, या जहां इसे किसी चीज के साथ प्रशिक्षित करना आवश्यक था, मशीन सीखने का उपयोग किया गया था। अन्य कार्यों के लिए, जहां डेवलपर्स के व्यक्तिगत अनुभव पर भरोसा करना बेहतर है, उपयोगिता प्रणालियां शामिल थीं। इस दृष्टिकोण का लाभ इस तथ्य में भी निहित है कि, यदि आवश्यक हो, तो किसी दिए गए लक्ष्य का अधिक सटीक पालन सुनिश्चित करने के लिए एआई के व्यवहार को बेहतर ढंग से नियंत्रित करना संभव है। उदाहरण के लिए, आप अटैक और डिफेंस के बीच संतुलन सुनिश्चित करने के लिए यूटिलिटी एआई का उपयोग कर सकते हैं और इस प्रकार आक्रामकता के विभिन्न स्तरों का निर्माण कर सकते हैं, या आप उनके लिए अलग-अलग गेम स्टाइल बनाने के लिए विभिन्न एआई के लिए अलग-अलग भूलभुलैया कॉन्फ़िगरेशन बना सकते हैं। आप हवा या जमीन के राक्षसों को भर्ती करते समय विभिन्न वरीयताओं को बनाने के लिए तंत्रिका नेटवर्क के लिए कुछ मूल्य प्रणालियां भी सेट कर सकते हैं और इस प्रकार व्यक्तित्व को व्यक्तिगत एआई में भी जोड़ सकते हैं। डिजाइन निर्णयों को लागू करने के लिए कई अन्य विकल्प हैं, और उनमें से सभी एक विशेष प्रकार की एआई वास्तुकला की ताकत पर जोर देते हैं।

हाइब्रिड एप्रोच ने एक अन्य प्रश्न का भी उत्तर दिया कि विकास टीम ने अनलिश के लिए कृत्रिम बुद्धिमत्ता विकसित करने की प्रक्रिया का सामना किया: क्या यह मशीन इनपुट के आधार पर एक एकल वैश्विक गहरे तंत्रिका नेटवर्क को लागू करने के लायक है जो सभी इनपुट और आउटपुट डेटा को ध्यान में रखता है, या क्या यह एक पदानुक्रमित संरचना के साथ डिजाइन करने के लिए बेहतर है?


उन्लेश में इस्तेमाल किए गए दो आर्किटेक्चर: बाईं ओर एक बड़ा गहरा तंत्रिका नेटवर्क है जिसकी अपनी एकीकृत वास्तुकला है, दाईं ओर एक पदानुक्रमित प्रणाली है जिसमें प्रत्येक नेटवर्क का अपना कार्य है

फिर भी, मैं आर्टिफिशियल इंटेलिजेंस सिस्टम के लिए एक सामान्य दृष्टिकोण बनाना चाहूंगा, जिसकी वास्तुकला में डेवलपर्स अपना खुद का अनुभव नहीं देंगे। हालांकि, खेल के जितने अधिक प्रवेश द्वार बनाए गए, उतना ही अधिक तंत्रिका नेटवर्क बढ़ता गया। उसी समय, एआई के प्रशिक्षण को अलग करना और उन्हें केवल एक चीज सिखाना असंभव था: या तो रक्षा या हमला। और आशंकाएं थीं कि अधिक सामान्य दृष्टिकोण से गणना की संख्या में उल्लेखनीय वृद्धि होगी।

इससे एक पदानुक्रमित वास्तुकला बनाने का विचार आया जिसमें प्रत्येक विशिष्ट कार्य एक विशेष तंत्रिका नेटवर्क द्वारा किया जाएगा। इस विचार के अनुसार, पहले कृत्रिम बुद्धि को हमले (राक्षसों की सेना में वृद्धि) और रक्षा (भूलभुलैया के निर्माण) के लिए संसाधनों के वितरण पर निर्णय लेना चाहिए। जैसे ही वह ऐसा करता है, वह अपनी पसंद के अनुसार अगली परत पर जाता है और खेल की स्थिति के आवश्यक हिस्से तक पहुंच जाता है, जिसके बाद वह विस्तृत निर्णय लेता है कि किस राक्षसों को चुनना है और कौन से हथियार भूलभुलैया में स्थापित करना है।

निष्कर्ष और अगले कदम

हाइब्रिड यूटिलिटी एप्रोच में, मशीन लर्निंग-इनेबल्ड नेटवर्क वाला AI एक पदानुक्रमित आर्किटेक्चर जैसा दिखता है। और यह बदले में, एक जैविक मस्तिष्क के समान है जिसमें विभिन्न तंत्रिका केंद्र प्रत्येक अपने कार्य के लिए जिम्मेदार हैं।

अब उन्लेश में दुश्मन एआई को हराना बहुत मुश्किल है: वे खेल में किसी भी स्थिति के अनुकूल होने में सक्षम हैं - लेकिन साथ ही, डेवलपर्स अपने विवेक पर अपनी सेटिंग्स बदल सकते हैं। लेख के लेखक के अनुसार, समय के साथ, संकर दृष्टिकोण अधिक व्यापक हो जाना चाहिए और कई अन्य खेलों में दिखाई देना चाहिए। शायद किसी दिन गेमप्ले में अपने शुद्ध रूप में मशीन सीखने के आधार पर कृत्रिम बुद्धिमत्ता का परिचय देना संभव होगा। लेकिन, जाहिर है, इसमें अभी भी समय लगेगा। इस बीच, लक्ष्य एक ऐसी वास्तुकला को खोजने का है जो खुद चुनौतियों का सामना करता है और उन्हें हल करने के लिए इष्टतम तरीके ढूंढता है।