Искусственный интеллект и смоделированные миры

1Что означает ИИ в этом контексте

Искусственный интеллект - это широкий термин, который в контексте симулируемых миров охватывает множество различных методов, а не одну-единственную систему. В самом общем смысле ИИ обозначает вычислительные методы, позволяющие машинам выполнять задачи, связанные с восприятием, обучением, принятием решений, распознаванием образов, решением проблем или использованием языка.

Большинство ИИ, используемого сегодня в виртуальных средах, относится к категории, которую часто называют узким ИИ. Эти системы предназначены для конкретных задач: поиска пути, логики принятия решений врагами, генерации диалогов, распознавания жестов, рекомендаций, смешивания анимаций, процедурной генерации ландшафта, моделирования поведения толпы или адаптации сложности. Они могут казаться интеллектуальными, но являются специализированными, а не универсальными и человекоподобными.

Общий ИИ, напротив, пока остаётся гипотетическим в практическом применении. По-настоящему универсальный интеллект мог бы обучаться и рассуждать в различных областях с гибкостью, сопоставимой с человеческим мышлением. Хотя в смоделированных мирах часто используются формулировки вроде «умных» или «человекоподобных» агентов, большинство современных систем по-прежнему остаются тщательно ограниченными инструментами для конкретных предметных областей.

Основные семейства ИИ, используемые в смоделированных мирах

• Машинное обучение: системы учатся на данных, чтобы улучшать прогнозирование, классификацию или принятие решений.
• Глубокое обучение: многослойные нейронные сети моделируют сложные закономерности в речи, изображениях, анимации и поведении.
• Обучение с подкреплением: агенты учатся методом проб и ошибок, получая вознаграждение внутри среды.
• Обработка естественного языка: системы интерпретируют или создают человеческую речь для диалогов и взаимодействия.
• Компьютерное зрение: машины интерпретируют визуальные сцены, жесты, объекты или пространственный контекст.

На практике в смоделированных мирах обычно сочетаются несколько таких подходов. Например, виртуальная обучающая система может использовать компьютерное зрение для распознавания жестов, обработку естественного языка для общения, обучение с подкреплением для адаптивного поведения в обучении и процедурные системы для разнообразия сценариев. Поэтому ИИ в виртуальных мирах лучше всего понимать как экосистему методов, каждый из которых отвечает за отдельный уровень интеллектуальности мира.

2От простых сценариев к адаптивным мирам

История ИИ в виртуальных средах начинается с простоты. В ранних играх не использовались машинное обучение или сложное моделирование. Они полагались на правила, заданные вручную. Враги двигались по определённым схемам. Временные интервалы были фиксированными. Поведение было детерминированным или полуслучайным. И всё же даже такие простые системы имели значение, поскольку создавали первое впечатление, что виртуальный мир может реагировать на игрока, а не просто демонстрировать себя.

Конечные автоматы стали основополагающим методом в раннем игровом ИИ. Неигровой персонаж мог переключаться между такими состояниями, как бездействие, патрулирование, атака, бегство или поиск, в зависимости от действий игрока. Этот метод был ограниченным, но давал разработчикам удобный способ создавать поведение, которое казалось обусловленным ситуацией и реагировало на происходящее.

По мере роста вычислительной мощности росли и амбиции. Более производительные ЦП, ГП, системы хранения и память сделали возможными более масштабные миры, а масштабные миры потребовали более совершенного ИИ. Играм с открытым миром понадобились толпы, транспорт, распорядок жизни мирных жителей, тактика врагов, системы спутников и моделирование окружающей среды. Онлайн-мирам потребовались системы, помогающие управлять постоянными популяциями и экосистемами. Благодаря увеличившемуся запасу вычислительных ресурсов ИИ превратился из узкоспециализированного инструмента для противников в общую инфраструктуру поведения мира.

Сегодня системы ИИ больше не ограничиваются одной лишь логикой персонажей. Они влияют на создание контента, адаптацию повествования, дизайн взаимодействия, тестирование и даже балансировку работающих в реальном времени сервисов. Развитие шло от запрограммированной реакции к адаптивной симуляции. Это не означает, что каждый виртуальный мир обладает глубоким интеллектом. Это означает, что изменилась цель дизайна. Теперь ожидается, что мир будет развиваться вокруг пользователя, а не просто ждать его ввода.

3Основные методы ИИ, лежащие в основе виртуальных сред

Симулированные миры используют разные методы ИИ для разных типов задач. Одни методы лучше подходят для принятия решений, другие - для генерации, третьи - для восприятия, а некоторые - для взаимодействия. Понимание этих методов помогает объяснить, почему современные виртуальные миры могут ощущаться гораздо более насыщенными, чем прежние.

Машинное обучение для анализа поведения и персонализации

Системы машинного обучения могут анализировать, как пользователи двигаются, что им нравится, где они застревают, какие испытания им интересны, как долго они задерживаются в определённых пространствах и как реагируют на конкретные события. Это позволяет персонализировать отдельные аспекты среды: порядок заданий, кривую сложности, рекомендации, компоновку интерфейса или темп подачи контента.

В игре это может означать противника, который адаптируется к стилю игрока. В образовании это может быть симуляция, которая уделяет больше внимания понятиям, вызывающим у учащегося затруднения. На социальной или коммерческой виртуальной платформе это может означать изменение опыта на основе особенностей поведения пользователя. Такая персонализация способна усилить погружение, хотя также вызывает опасения по поводу манипуляций и конфиденциальности данных.

Глубокое обучение для восприятия и генерации

Глубокое обучение особенно полезно там, где закономерности слишком сложны для простых систем правил. Оно играет важную роль в синтезе анимации, распознавании голоса, генерации речи, улучшении реалистичности изображений, анализе движений, захвате мимики и создании цифровых ресурсов. В симулированных мирах глубокое обучение помогает машинам более тонко видеть, слышать и создавать.

Его можно использовать для создания более реалистичных текстур, улучшения движений персонажей, определения намерений по речи или жестам, а также для помощи в создании диалогов или контента окружения в больших масштабах. Хотя глубокое обучение само по себе не создаёт убедительный мир, оно усиливает многие сенсорные слои, благодаря которым мир кажется живым.

Обучение с подкреплением для адаптации

Обучение с подкреплением особенно важно в средах, где агенты должны учиться через взаимодействие. Вместо того чтобы получать готовое фиксированное дерево решений, агент RL исследует среду, получает награды или штрафы и постепенно улучшает свою стратегию. Это полезно для противников, симулируемых обучаемых, адаптивных преподавателей или систем, которым нужно понять, как эффективно бросить пользователю вызов.

В играх обучение с подкреплением может сделать врагов менее предсказуемыми. В учебных симуляциях оно помогает создавать сценарии, которые более реалистично адаптируются к решениям обучаемого. Его сложность заключается в управляемости: обучающаяся система также может вести себя так, как дизайнеры не ожидали в полной мере.

Естественный язык и диалоговые системы

Чем больше виртуальный мир позволяет пользователям естественно говорить, задавать вопросы или вести переговоры с виртуальными персонажами, тем меньше он похож на систему с меню и тем больше - на настоящее место. Обработка естественного языка обеспечивает этот переход. Она позволяет симулируемым персонажам разбирать вводимые данные, генерировать ответы, поддерживать структуру диалога и иногда выглядеть социально осведомлёнными.

Это особенно важно в образовании, поддержке клиентов, ролевых играх и обучении гибким навыкам, где пользователю полезнее взаимодействовать с чем-то, напоминающим собеседника, чем со статичным запросом.

4Как ИИ делает миры обитаемыми

Один из наиболее очевидных способов, которыми ИИ помогает моделировать миры, - автономные агенты: неигровые персонажи, спутники, враги, мирные жители, толпы и фоновые сущности, благодаря которым мир кажется обитаемым, а не пустым. Без этого слоя даже самое красивое окружение может выглядеть как музейная декорация.

Неигровые персонажи

Когда-то NPC в основном были персонажами, выдающими задания, простыми врагами или декоративным фоном. Современный ИИ позволяет им делать больше. Они могут патрулировать, прятаться, заходить с фланга, координировать действия, следовать расписанию, реагировать на опасность, искать игрока, отступать или помогать союзникам. Такие системы, как деревья поведения, по-прежнему широко используются, поскольку позволяют организовывать сложное поведение в управляемые иерархии. Но сегодня эти подходы, основанные на правилах, всё чаще сочетаются с обучаемыми методами или методами, основанными на данных.

Эмоциональное и социальное поведение

Мир становится более убедительным, когда кажется, что персонажи обладают состояниями, выходящими за рамки «атаки» и «бездействия». Эмоциональный ИИ стремится моделировать такие настроения или реакции, как страх, подозрительность, уверенность или эмпатия. Даже частичная симуляция эмоций может сделать персонажей более живыми, поскольку игроки интуитивно реагируют на социальные сигналы.

Социальный ИИ развивает эту идею ещё дальше. Симуляция толпы позволяет городам, событиям или кризисам казаться населёнными и оживлёнными. Системы группового поведения позволяют NPC общаться, координировать действия или вместе спасаться бегством. Системы диалогов создают иллюзию того, что персонажи помнят контекст или реагируют на произошедшее. Чем больше в мире социальных деталей, тем меньше он напоминает статичную головоломку и тем больше - общество.

Примеры в играх

Хоррор-игры, такие как Alien: Isolation, показывают, насколько мощными могут быть адаптивные агенты: враг, который, кажется, учится тактике игрока, создаёт саспенс эффективнее, чем враг, следующий фиксированному маршруту. Игры вроде The Last of Us Part II усиливают социальный реализм благодаря врагам, которые общаются, координируют действия и, подобно команде, реагируют друг на друга. Эти примеры важны, потому что показывают: погружение часто возникает благодаря достоверности поведения не в меньшей степени, чем благодаря визуальным деталям.

5Процедурная генерация и проблема масштаба

Одна из главных практических задач при создании мира - масштаб. Ручное создание каждого ландшафта, задания, интерьера, экосистемы, ветки диалога или предмета быстро становится невозможным, когда смоделированный мир достигает достаточно больших размеров. ИИ и процедурная генерация помогают решить эту проблему, позволяя создавать контент алгоритмически, а не только вручную.

Процедурная генерация контента может создавать ландшафты, поселения, задания, существ, подземелья, погодные условия, комбинации предметов и варианты миссий. Одни системы опираются на детерминированные алгоритмы, другие - на комбинаторику, основанную на правилах, а третьи всё чаще используют машинное обучение. Результат не всегда настолько же отшлифован, как контент, созданный вручную, но он позволяет сделать миры гораздо масштабнее, разнообразнее и менее исчерпаемыми.

Хорошо известный пример - No Man’s Sky, где алгоритмическая генерация используется для создания огромного количества планет и экосистем. Урок таких примеров заключается не только в том, что ИИ способен генерировать «больше контента». Процедурные системы делают постоянное обновление и эффект неожиданности более достижимыми. Они придают мирам ощущение масштабности и, при грамотном дизайне, создают возможность для постоянной новизны.

Наиболее перспективным является гибридный подход. Дизайнеры определяют правила, границы, темы и критерии качества, а ИИ помогает создавать комбинации и вариации в рамках этой авторской структуры. Это позволяет масштабировать миры, не жертвуя их целостностью.

6Динамический сторителлинг и персонализированные миры

ИИ также меняет развитие историй в виртуальной среде. Традиционно повествование игры или сценарий симуляции следовали конечному набору заранее прописанных ответвлений. Сегодня ИИ может помогать создавать более адаптивные структуры повествования, изменяя события, диалоги, темп или сложность в зависимости от действий пользователя.

Динамический сторителлинг не обязательно означает бесконечную импровизацию в свободной форме. Чаще это означает систему, которая может выбирать между блоками контента, менять порядок событий, создавать варианты диалогов или адаптировать контекст на основе истории игрока. Это усиливает ощущение личного авторства. Пользователь воспринимает мир как нечто, реагирующее на его решения, а не ведущее его по заранее заданному коридору.

Персонализация контента идет дальше и включает моделирование пользователя. Если система определяет, что игрок предпочитает скрытность, исследование, общение или сражения, она может начать чаще предлагать ему такие возможности. Если учащийся испытывает трудности с определенной концепцией в учебной симуляции, среда может замедлить темп, изменить объяснение или предложить новые примеры. Если социальный пользователь ярко реагирует на определенные стили взаимодействия, система может представить персонажей или испытания, адаптированные соответствующим образом.

При продуманном использовании такая адаптация может создавать ощущение поразительной уместности. При неосторожном использовании она может заставить мир казаться манипулятивным или чрезмерно оптимизированным. Поэтому сторителлинг на основе ИИ одновременно мощен и этически деликатен: те же системы, которые персонализируют удовольствие, могут персонализировать и убеждение.

7ИИ в виртуальной и дополненной реальности

ИИ приобретает особое значение в VR и AR, поскольку эти среды требуют большего, чем взаимодействие через экран. Они должны в реальном времени понимать положение тела, жесты, окружение и контекст. Убедительная иммерсивная система не может полагаться только на нажатия кнопок. Она должна интерпретировать присутствие пользователя в пространстве.

Распознавание жестов и естественные интерфейсы

В VR и AR ИИ помогает интерпретировать движения рук, перемещения контроллеров, позу тела, направление взгляда, а иногда и выражение лица. Благодаря этому взаимодействие ощущается более естественным. Вместо того чтобы управлять каждой функцией через меню, пользователь может указывать, хватать, вращать, ходить или говорить. Чем точнее система интерпретирует эти сигналы, тем более плавным становится взаимодействие.

Картографирование окружающей среды и контекстная осведомлённость

Системам AR необходимо понимать физический мир, чтобы убедительно размещать в нём цифровые объекты. ИИ помогает распознавать сцены, обнаруживать поверхности, классифицировать объекты и строить пространственные карты. Благодаря этому виртуальный контент может располагаться на столах, выравниваться по стенам, обходить препятствия или реагировать на реальную окружающую среду, а не произвольно парить в пространстве.

Адаптация в реальном времени

ИИ также может динамически адаптировать взаимодействие. Он может изменять содержимое с учётом планировки помещения, внимания пользователя, его движений или истории выполнения задач. В учебных сценариях он может усложнять или упрощать события. В образовательных инструментах он может направлять внимание на наиболее важную визуальную информацию. Системы пространственного аудио также могут использовать обработку с помощью ИИ, чтобы звук реалистичнее реагировал на изменения окружающей обстановки.

Эти возможности важны, поскольку VR и AR обещают не просто эффект присутствия, а телесно опосредованное взаимодействие. Именно ИИ позволяет системе воспринимать пользователя как тело, находящееся в конкретном пространстве и перемещающееся в нём, а не как удалённого оператора, отдающего абстрактные команды.

8ИИ в обучении, образовании и симуляциях для задач с высокими ставками

Некоторые из важнейших применений виртуальных миров на основе ИИ вовсе не связаны с развлечениями. Они предназначены для обучения. В медицине, обороне, авиации, промышленной эксплуатации и корпоративном образовании виртуальные среды ценны тем, что позволяют людям практиковаться в условиях, которые дорого, опасно, сложно или невозможно безопасно воспроизвести в физическом мире.

Военное дело и оборона

ИИ может моделировать действия противника, реакцию толпы, неопределённость на поле боя, изменения окружающей среды и разветвлённые тактические сценарии. Это полезно, поскольку обучение становится не столько запоминанием стандартных процедур, сколько умением реагировать на сложные и меняющиеся условия. Умный виртуальный противник обучает гораздо лучше, чем противник, действующий по заранее заданному сценарию.

Здравоохранение

В медицинском обучении симуляции на основе ИИ могут более детально моделировать индивидуальные особенности пациентов, осложнения и анатомию. Хирургическая симуляция, которая меняется в ответ на действия обучаемого, даёт иные уроки, чем жёстко заданный учебник. В реабилитации ИИ может адаптировать упражнения к прогрессу пациента, его утомляемости или характерным ошибкам.

Корпоративное и профессиональное обучение

В отраслях, требующих высокой квалификации, всё чаще используют симуляции для обучения техническим процедурам, правилам безопасности, принятию решений и даже навыкам межличностного общения. Сценарии на основе ИИ могут менять уровень сложности, имитировать поведение клиентов или коллег и предоставлять немедленную обратную связь. Это особенно ценно при обучении гибким навыкам, где качество взаимодействия не менее важно, чем фактическое содержание.

Более широкое значение заключается в том, что ИИ позволяет симуляциям выйти за пределы демонстрации и перейти к направляемой практике. Среда одновременно становится учителем, оценщиком, генератором сценариев и адаптивным партнёром.

9Физика, экосистемы и реалистичность окружающей среды

Моделируемые миры кажутся убедительными не только потому, что персонажи ведут себя разумно, но и потому, что сама окружающая среда выглядит подчинённой согласованным процессам. Здесь ИИ помогает управлять сложными системами, создание которых в деталях в противном случае потребовало бы слишком больших ресурсов или трудозатрат.

Физика и динамическое взаимодействие

Физические движки традиционно опираются на формальное моделирование, а не на то, что обычно называют ИИ, но ИИ всё чаще помогает оптимизировать или приближённо воспроизводить отдельные аспекты динамического поведения. Это может включать обработку столкновений, деформацию, прогнозирование движения, коррекцию анимации и моделирование взаимодействий. Целью не всегда является строгая физическая точность. Часто важнее воспринимаемая правдоподобность при эффективном использовании вычислительных ресурсов.

Погодные и экологические системы

ИИ и алгоритмические системы могут моделировать погодные условия, ветер, изменение видимости и перемены окружающей среды, влияющие на восприятие мира. Благодаря этим изменениям среды кажутся менее статичными и более живыми во времени. И в играх, и в симуляциях погода обладает большой силой, поскольку влияет не только на внешний вид, но и на принятие решений.

Экосистемы и живые среды

Моделируемые флора и фауна усиливают погружение, создавая свидетельства того, что мир поддерживает не только цели пользователя. Передвижение животных, миграция, пищевое поведение, отношения между хищниками и добычей, а также рост растений могут способствовать ощущению непрерывности мира. Даже в упрощённом виде эти системы подразумевают реальность, превосходящую масштаб игрока.

Процедурный звук и визуальный отклик

ИИ также может поддерживать процедурную генерацию звука, регулируя фоновое звучание в зависимости от погоды, времени, местоположения, плотности и изменений окружающей среды. Визуальные эффекты, такие как динамическое освещение, поведение теней и адаптивный рендеринг, могут поддерживаться машинным обучением для повышения реалистичности или вычислительной эффективности. Эти уровни не просто украшают симуляцию. Они укрепляют убеждённость пользователя в том, что окружающая среда целостна и реагирует на происходящее.

10ИИ как инструмент создания самого мира

ИИ существует не только внутри моделируемого мира. Он также помогает его создавать. По мере того как виртуальные среды становятся масштабнее и сложнее, процессы разработки всё больше опираются на инструменты с поддержкой ИИ, чтобы ускорить производство, тестирование, балансировку и итерации.

Автоматизированное тестирование

Боты ИИ могут имитировать поведение игроков, находить ошибки, подвергать системы стресс-тестированию и выявлять проблемы с балансом. Это особенно полезно в играх или учебных средах, где количество возможных взаимодействий слишком велико для одного лишь ручного тестирования. Автоматизированное тестирование не заменяет человеческое суждение, но помогает командам быстрее обнаруживать нестандартные случаи.

Генерация ресурсов и творческая поддержка

Инструменты ИИ могут помогать создавать текстуры, варьировать модели, дорабатывать анимацию, подготавливать черновики диалогов, синтезировать голос и разрабатывать концепции окружения. Это может сократить производственные циклы и помочь небольшим командам создавать более масштабные миры. Разумеется, чрезмерная зависимость от автоматизации может привести к унифицированному контенту или ослабить художественный контроль, если не направлять её должным образом.

Балансировка и оперативная настройка

В постоянных средах ИИ может анализировать поведение пользователей после выпуска и помогать дизайнерам настраивать системы. Он может выявлять чрезмерно сильные стратегии, определять источники разочарования, отслеживать моменты, когда пользователи прекращают игру, или показывать, какие миссии и миры лучше всего удерживают внимание. В этом смысле ИИ помогает поддерживать симулированный мир как живую экосистему, а не как законченный продукт.

11Этические и социальные проблемы

Расширение роли ИИ в симулированных мирах открывает большие возможности, но также ставит серьёзные этические вопросы. Чем сильнее эти системы адаптируются, наблюдают за пользователями и влияют на них, тем больше их проектные решения начинают иметь не только техническое, но и моральное значение.

Предвзятость и репрезентация

Системы ИИ, обученные на искажённых данных или основанные на неосторожных предположениях, могут воспроизводить стереотипы, стирать представления маргинализированных групп или создавать искажённые культурные образы. В виртуальных средах эта проблема может стать особенно заметной, поскольку ИИ может напрямую участвовать в создании персонажей, диалогов, социального поведения или рекомендательных систем.

Конфиденциальность и использование данных

Персонализация зависит от данных, а иммерсивные среды часто собирают больше поведенческих данных, чем обычное программное обеспечение. Если ИИ отслеживает движения, направление взгляда, речь, особенности навыков, эмоциональные сигналы или историю взаимодействий, пользователи могут раскрыть гораздо больше, чем осознают. Необходимы чёткое согласие, надёжная анонимизация и ответственное обращение с данными.

Автономия и предсказуемость

Существует также напряжённость между автономией и контролем. Пользователи хотят, чтобы миры казались живыми, но при этом ожидают, что они останутся понятными. Слишком непредсказуемый ИИ может подорвать доверие. Слишком жёстко работающий ИИ кажется неестественным. Дизайнеры должны найти баланс между привлекательностью автономии и необходимостью понятности и подотчётности.

Манипуляция и чрезмерная оптимизация

Персонализация может улучшить обучение, погружение и удовольствие. Но её также можно использовать для максимизации удержания, расходов или эмоциональной зависимости. Миры, управляемые ИИ, могут стать исключительно эффективными в определении того, что удерживает внимание человека. Поэтому этичный дизайн имеет решающее значение. Система, которая глубоко понимает пользователей, способна не только радовать их, но и направлять их.

12Будущие перспективы

Будущее ИИ в симулированных мирах, вероятно, будет связано как с техническим ускорением, так и с концептуальным расширением. Миры станут более адаптивными, более социальными, более постоянными и теснее интегрированными с другими технологиями.

Более универсальные виртуальные агенты

Если ИИ продолжит совершенствоваться в области рассуждений, памяти, языка, планирования и восприятия, виртуальные персонажи могут начать казаться гораздо менее запрограммированными по сценарию. Они смогут более естественно разговаривать, запоминать больше контекста, эффективнее обучать и убедительнее сотрудничать. Это будет особенно важно в образовании, взаимодействии с клиентами, обучении и социальных симуляциях.

Более глубокая интеграция с пространственными и нейронными технологиями

Интерфейсы мозг-компьютер, передовые технологии AR и всё более воплощённые виртуальные системы могут сделать роль ИИ ещё более непосредственной. ИИ может выступать не только в качестве управляющего миром, но и в качестве переводчика между намерением пользователя и реакцией окружающей среды. Чем непосредственнее система может интерпретировать и адаптироваться к поведению человека, тем более иммерсивными могут становиться симулированные миры.

Метавселенная и инфраструктура постоянных миров

Масштабные взаимосвязанные виртуальные пространства, часто объединяемые понятием метавселенной, было бы почти невозможно контролировать без ИИ. Управление идентификацией, модерация, социальная координация, создание контента, сохранение мира и динамическая персонализация - всё это становится сложнее при масштабировании. Поэтому ИИ часто представляют как фундаментальную инфраструктуру для любой действительно постоянной многопользовательской симуляции.

Тем не менее главный вопрос останется прежним: не только насколько интеллектуальными могут стать эти миры, но и какой человеческий опыт они призваны поддерживать.

13Заключение: когда виртуальные миры начинают мыслить

Искусственный интеллект стал центральным элементом развития симулированных миров, потому что он даёт этим мирам то, чего не может обеспечить одно лишь статичное программное обеспечение: поведение. Он позволяет персонажам реагировать, системам адаптироваться, средам развиваться, сюжетам разветвляться, контенту масштабироваться, а взаимодействию - становиться более естественным. Будь то игры, VR, AR, обучающие платформы или более широкие цифровые экосистемы, именно ИИ всё чаще превращает симуляцию во что-то более близкое к обитаемой реальности.

Значение этого сдвига выходит далеко за пределы развлечений. Симуляции на основе ИИ уже поддерживают обучение, принятие решений, сотрудничество, терапию, проектирование и социальное взаимодействие. По мере роста их возможностей эти миры будут становиться более убедительными, более полезными и более трудноотличимыми от других значимых составляющих жизни.

Будущее полно обещаний. Но оно также полно ответственности. Мир, способный адаптироваться к пользователю, предсказывать поведение, персонализировать контент и автономно реагировать, - это не просто впечатляющее программное обеспечение. Это сформированный опыт, имеющий этическое значение. Предстоящая задача - создавать симулированные миры, которые будут не только интеллектуальными, но и надёжными, инклюзивными и согласованными с благополучием человека.

В конечном счёте важнейший вклад ИИ в симулированные миры может заключаться не в том, что он делает их похожими на реальные. А в том, что он заставляет их вести себя так, будто у них есть собственная жизнь.

Список литературы

1. Russell, S. и Norvig, P. (2021). Искусственный интеллект: современный подход (4-е изд.). Pearson.
2. Sutton, R. S. и Barto, A. G. (2018). Обучение с подкреплением: введение (2-е изд.). MIT Press.
3. Yannakakis, G. N. и Togelius, J. (2018). Искусственный интеллект и игры. Springer.
4. Goodfellow, I., Bengio, Y. и Courville, A. (2016). Глубокое обучение. MIT Press.
5. Isla, D. (2005). Работа со сложностью в ИИ Halo 2. Game Developers Conference.
6. Kaplan, J. и Haenlein, M. (2019). Siri, Siri, у меня в руке: кто на свете всех прекраснее? Об интерпретациях, иллюстрациях и последствиях искусственного интеллекта. Business Horizons, 62(1), 15–25.
7. Cook, M. и Colton, S. (2014). Ludus Ex Machina: создание 3D-дизайнера игр, конкурирующего наравне с людьми. Proceedings of the Fifth International Conference on Computational Creativity.
8. Mnih, V. и др. (2015). Управление на уровне человека с помощью глубокого обучения с подкреплением. Nature, 518(7540), 529–533.
9. Silver, D. и др. (2016). Освоение игры го с помощью глубоких нейронных сетей и древовидного поиска. Nature, 529(7587), 484–489.
10. Schmidhuber, J. (2015). Глубокое обучение в нейронных сетях: обзор. Neural Networks, 61, 85–117.
11. Li, Y., & Deng, L. (2018). Глубокое обучение в области обработки естественного языка. Springer.
12. Parisi, G. I., et al. (2019). Непрерывное обучение на протяжении всей жизни с помощью нейронных сетей: обзор. Neural Networks, 113, 54–71.
13. Graves, A., et al. (2016). Гибридные вычисления с использованием нейронной сети с динамической внешней памятью. Nature, 538(7626), 471–476.
14. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Глубокое обучение. Nature, 521(7553), 436–444.
15. Hoover, A. K., & Stanley, K. O. (2019). Повышение разнообразия качества с помощью воспроизведения опыта. Proceedings of the Genetic and Evolutionary Computation Conference, 859–867.
16. Kingma, D. P., & Welling, M. (2014). Вариационный байесовский автоэнкодер. arXiv preprint arXiv:1312.6114.
17. Müller, M. (2008). Dynamic Simulation of Deformable Objects. A K Peters/CRC Press.
18. Thalmann, D., & Musse, S. R. (2012). Crowd Simulation. Springer.
19. Zyda, M. (2005). От визуального моделирования к виртуальной реальности и играм. Computer, 38(9), 25–32.
20. Weiss, G. (ред.). (2013). Multiagent Systems (2-е изд.). MIT Press.

Продолжить изучение этой серии