1Что означает ИИ в этом контексте

Искусственный интеллект — это широкий термин, и в контексте симулированных миров он охватывает множество различных техник, а не одну единственную систему. В самом общем смысле ИИ относится к вычислительным методам, которые позволяют машинам выполнять задачи, связанные с восприятием, обучением, принятием решений, распознаванием образов, решением проблем или использованием языка.

Большинство ИИ, используемых в виртуальных средах, относится к категории, часто называемой узким ИИ. Эти системы предназначены для выполнения конкретных задач: поиск пути, логика принятия решений врагом, генерация диалогов, распознавание жестов, рекомендации, смешивание анимаций, процедурная генерация ландшафта, поведение толпы или адаптация сложности. Они могут казаться умными, но являются специализированными, а не универсально похожими на человека.

Общий ИИ, напротив, остается гипотетическим в практическом применении. По-настоящему общий интеллект был бы способен учиться и рассуждать в разных областях с гибкостью, сравнимой с человеческим мышлением. Хотя в симулированных мирах часто говорят о «умных» или «человекообразных» агентах, большинство современных систем по-прежнему являются строго ограниченными, специализированными инструментами.

Основные семейства ИИ, используемые в симулированных мирах

• Машинное обучение: системы учатся на данных для улучшения прогнозирования, классификации или принятия решений.
• Глубокое обучение: многослойные нейронные сети моделируют сложные паттерны в речи, изображениях, анимации и поведении.
• Обучение с подкреплением: агенты учатся через пробу, ошибку и вознаграждение в среде.
• Обработка естественного языка: системы интерпретируют или генерируют человеческую речь для диалогов и взаимодействия.
• Компьютерное зрение: машины интерпретируют визуальные сцены, жесты, объекты или пространственный контекст.

На практике симулированные миры обычно сочетают несколько из этих подходов. Например, виртуальная обучающая система может использовать компьютерное зрение для распознавания жестов, обработку естественного языка для диалогов, обучение с подкреплением для адаптивного поведения наставника и процедурные системы для разнообразия сценариев. ИИ в виртуальных мирах лучше всего понимать как экосистему методов, каждый из которых отвечает за свой уровень интеллекта мира.

2От простых скриптов к адаптивным мирам

История ИИ в виртуальных мирах начинается с простоты. Ранние игры не использовали машинное обучение или сложные симуляции. Они опирались на вручную прописанные правила. Враги двигались по шаблонам. Временные окна были фиксированными. Поведение было детерминированным или полурандомным. Тем не менее даже эти простые системы имели значение, потому что создавали первое впечатление, что виртуальный мир может реагировать на игрока, а не просто отображаться.

Конечные автоматы состояний стали основным методом в раннем игровом ИИ. Неигровой персонаж мог переключаться между состояниями, такими как бездействие, патрулирование, атака, бегство или поиск, в зависимости от действий игрока. Этот метод был ограничен, но давал разработчикам управляемый способ создавать поведение, которое казалось условным и реактивным.

С ростом вычислительной мощности росли и амбиции. Лучшие процессоры, графические ускорители, накопители и память сделали возможными большие игровые миры, а большие миры требовали более продвинутого ИИ. Игры с открытым миром нуждались в толпах, движении транспорта, повседневных действиях NPC, тактиках врагов, системах спутников и симуляции окружающей среды. Онлайн-миры требовали систем для управления постоянным населением и экосистемами. С увеличением вычислительных ресурсов ИИ перестал быть узкоспециализированным инструментом для врагов и превратился в общую инфраструктуру поведения мира.

Сегодня системы ИИ уже не ограничиваются только логикой персонажей. Они влияют на генерацию контента, адаптацию сюжета, дизайн взаимодействия, тестирование и даже балансировку живых сервисов. Эволюция шла от запрограммированного ответа к адаптивной симуляции. Этот сдвиг не означает, что каждый виртуальный мир глубоко интеллектуален. Это значит, что цель дизайна изменилась. Теперь ожидается, что мир будет развиваться вокруг пользователя, а не просто ждать его действий.

3Основные методы ИИ в виртуальных средах

Симулированные миры используют разные методы ИИ для разных задач. Некоторые методы лучше подходят для принятия решений, другие — для генерации, третьи — для восприятия, а четвёртые — для взаимодействия. Понимание этих методов помогает объяснить, почему современные виртуальные миры кажутся гораздо более насыщенными, чем прежние.

Машинное обучение для поведения и персонализации

Системы машинного обучения могут анализировать, как пользователи двигаются, что предпочитают, где застревают, какие вызовы им нравятся, сколько времени проводят в определённых местах и как реагируют на конкретные события. Это позволяет персонализировать аспекты окружения: порядок заданий, кривые сложности, рекомендации, расположение интерфейса или темп подачи контента.

В игре это может означать противника, который адаптируется к стилю игрока. В образовании — симуляцию, которая акцентирует внимание на тех концепциях, с которыми обучающийся испытывает трудности. В социальной или коммерческой виртуальной платформе — изменение опыта на основе пользовательских паттернов. Такой уровень персонализации может углубить погружение, но также вызывает опасения по поводу манипуляций и конфиденциальности данных.

Глубокое обучение для восприятия и генерации

Глубокое обучение особенно полезно там, где шаблоны слишком сложны для простых правил. Оно играет важную роль в синтезе анимации, распознавании голоса, генерации речи, реалистичном улучшении изображений, анализе движений, захвате мимики и создании ассетов. В симулированных мирах глубокое обучение помогает машинам видеть, слышать и создавать с большей тонкостью.

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 большом масштабе. Хотя глубокое обучение само по себе не создает убедительный мир, оно усиливает многие сенсорные слои, которые делают мир живым.

Обучение с подкреплением для адаптации

Обучение с подкреплением особенно важно в средах, где агенты должны учиться через взаимодействие. Вместо того чтобы получать фиксированное дерево решений, агент RL исследует окружение, получает награды или штрафы и постепенно улучшает свою стратегию. Это полезно для противников, симулированных обучающихся, адаптивных наставников или систем, которым нужно эффективно вызывать у пользователя вызов.

В играх обучение с подкреплением (RL) может поддерживать врагов, которые становятся менее предсказуемыми. В тренировках по симуляции оно помогает создавать сценарии, которые адаптируются к решениям обучаемого более реалистично. Его сложность — управляемость: система, которая учится, может вести себя так, как разработчики не полностью предвидели.

Системы естественного языка и диалогов

Чем больше виртуальный мир позволяет пользователям говорить естественно, 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 (NLP) обеспечивает этот переход. Она позволяет симулированным персонажам анализировать ввод, генерировать ответы, поддерживать структуру диалога и иногда казаться социально осведомленными.

Это особенно важно в образовании, службе поддержки, ролевых играх и тренировках мягких навыков, где пользователь получает пользу от взаимодействия с чем-то, что ближе к собеседнику, чем к статичной подсказке.

4Как ИИ делает миры населёнными

Один из самых очевидных способов, которыми ИИ способствует созданию иммерсивных миров — это автономные агенты: неперсонажи, спутники, враги, гражданские, толпы и фоновые объекты, которые делают мир населённым, а не пустым. Без этого слоя даже самая красивая среда может казаться музейной декорацией.

Неперсонажи

Раньше NPC существовали в основном как раздаватели заданий, простые враги или фоновое украшение. Современный ИИ позволяет им делать больше. Они могут патрулировать, прятаться, обходить фланг, координироваться, следовать расписаниям, реагировать на опасность, искать игрока, отступать или помогать союзникам. Системы, такие как деревья поведения, остаются широко используемыми, потому что позволяют организовывать сложное поведение в управляемые иерархии. Но сегодня эти основанные на правилах подходы всё чаще сочетаются с обучаемыми или основанными на данных методами.

Эмоциональное и социальное поведение

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

Социальный ИИ идет еще дальше. Симуляция толпы позволяет городам, событиям или кризисам казаться населёнными. Системы группового поведения позволяют NPC общаться, координироваться или вместе убегать. Системы диалогов создают иллюзию, что персонажи помнят контекст или реагируют на произошедшее. Чем больше в мире социальной текстуры, тем меньше он похож на статичную головоломку и тем больше — на общество.

Примеры в играх

Хоррор-игры, такие как Alien: Isolation, показывают, насколько мощными могут быть адаптивные агенты: враг, который, кажется, учится тактике игрока, создает напряжение гораздо эффективнее, чем тот, кто следует фиксированному маршруту. Игры вроде The Last of Us Part II продвигают социальный реализм через врагов, которые общаются, координируются и, кажется, реагируют друг на друга как команда. Эти примеры важны, потому что показывают, что погружение часто возникает не только из-за визуальных деталей, но и из-за правдоподобного поведения.

5Процедурная генерация и проблема масштаба

Одна из главных практических задач создания миров — масштаб. Ручное создание каждого ландшафта, задания, интерьера, экосистемы, ветки диалога или предмета быстро становится невозможным, когда симулируемый мир становится достаточно большим. ИИ и процедурная генерация помогают решить эту проблему, позволяя создавать контент алгоритмически, а не только вручную.

Процедурная генерация контента может создавать ландшафты, поселения, задания, существа, подземелья, погодные условия, комбинации предметов и вариации миссий. Некоторые системы основаны на детерминированных алгоритмах, другие — на правиловой комбинаторике, а всё чаще — на машинном обучении. Результат не всегда так же отшлифован, как ручная работа, но позволяет создавать миры гораздо больше, разнообразнее и менее исчерпаемыми.

Хорошо известный пример — No Man’s Sky, которая использует алгоритмическую генерацию для создания огромного количества планет и экосистем. Урок таких примеров не только в том, что ИИ может создавать «больше контента». Главное — процедурные системы делают более реалистичными постоянство и элемент неожиданности. Они придают мирам ощущение масштабности и, при хорошем дизайне, возможность постоянных новшеств.

Самое перспективное направление — гибридное. Дизайнеры задают правила, границы, темы и критерии качества, а ИИ помогает генерировать комбинации и вариации внутри этой авторской рамки. Это даёт масштаб мира без потери целостности.

6Динамическое повествование и персонализированные миры

ИИ также меняет то, как разворачиваются истории в виртуальных мирах. Традиционно сюжет игры или сценарий симуляции следовали конечному набору заранее написанных ветвлений. Сегодня ИИ помогает создавать более адаптивные структуры повествования, варьируя события, диалоги, темп или сложность в ответ на действия пользователя.

Динамическое повествование не обязательно означает бесконечную свободную импровизацию. Чаще всего это система, которая может выбирать между блоками контента, переставлять события, генерировать варианты диалогов или адаптировать контекст на основе истории игрока. Это поддерживает более сильное ощущение личного авторства. Пользователь воспринимает мир как нечто, что реагирует на его решения, а не ведёт его по фиксированному коридору.

Персонализация контента идёт дальше, моделируя пользователя. Если система обнаруживает, что игрок предпочитает скрытность, исследование, разговор или бой, она может чаще предлагать соответствующий опыт. Если обучающийся испытывает трудности с понятием в тренировочной симуляции, среда может замедлиться, изменить объяснение или привести новые примеры. Если социальный пользователь сильно реагирует на определённые стили взаимодействия, система может представить персонажей или задачи, адаптированные под него.

При аккуратном использовании такая адаптация может создавать ощущение удивительной релевантности. При небрежном — мир может казаться манипулятивным или чрезмерно оптимизированным. Вот почему рассказывание историй с помощью ИИ мощное, но этически тонкое: те же системы, которые персонализируют удовольствие, могут персонализировать и убеждение.

7ИИ в виртуальной и дополненной реальности

ИИ особенно важен в VR и AR, потому что эти среды требуют большего, чем взаимодействие через экран. Они должны понимать тела, жесты, окружение и контекст в реальном времени. 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, контроллеров, позу тела, взгляд и иногда выражение лица. Это делает взаимодействие более естественным. Вместо того чтобы управлять каждой функцией через меню, пользователь может указывать, хватать, вращать, ходить или говорить. Чем точнее система распознаёт эти сигналы, тем более плавным становится опыт.

Картирование окружения и осознание контекста

AR-системы должны понимать физический мир, чтобы убедительно размещать в нём цифровые объекты. ИИ помогает с распознаванием сцены, обнаружением поверхностей, классификацией объектов и пространственным картированием. Это позволяет виртуальному контенту располагаться на столах, выравниваться по стенам, обходить препятствия и реагировать на реальную среду, а не просто парить произвольно.

Адаптация в реальном времени

ИИ также может динамически адаптировать опыт. Он может изменять контент в зависимости от планировки комнаты пользователя, внимания, движений или истории задач. В тренировочных сценариях он может усложнять или упрощать события. В образовательных инструментах он может направлять внимание на наиболее важную визуальную информацию. Системы пространственного звука также могут использовать обработку с поддержкой ИИ, чтобы звук реагировал более реалистично на изменения окружения.

Эти возможности важны, потому что VR и AR обещают не просто погружение, а воплощённое взаимодействие. ИИ позволяет системе воспринимать пользователя как тело, находящееся в реальном пространстве, а не как отстранённого оператора, отдающего абстрактные команды.

8ИИ в обучении, образовании и высокорискованных симуляциях

Некоторые из важнейших применений симулированных миров с ИИ вовсе не развлекательные. Они обучающие. В медицине, обороне, авиации, промышленности и корпоративном образовании симулированные среды ценны тем, что позволяют людям практиковаться в условиях, которые дорогостоящи, опасны, сложны или невозможно безопасно воспроизвести в реальном мире.

Военное дело и оборона

ИИ может моделировать противников, реакции толпы, неопределённость на поле боя, изменения окружающей среды и разветвлённые тактические сценарии. Это полезно, потому что обучение становится не столько запоминанием процедур, сколько умением реагировать на сложные и изменяющиеся условия. Умный виртуальный противник — гораздо лучший учитель, чем запрограммированный.

Здравоохранение

В медицинском обучении симуляции с ИИ могут моделировать вариативность пациентов, осложнения и анатомию с большей точностью. Хирургическая симуляция, которая меняется в ответ на действия обучающегося, даёт другие уроки, чем жёсткий учебник. В реабилитации ИИ может адаптировать упражнения под прогресс, усталость или ошибки пациента.

Корпоративное и профессиональное обучение

Отрасли с высокими требованиями к квалификации всё чаще используют симуляции для обучения техническим процедурам, правилам безопасности, принятию решений и даже межличностным навыкам. Сценарии с ИИ могут варьировать сложность, имитировать поведение клиентов или коллег и предоставлять мгновенную обратную связь. Это особенно ценно при обучении мягким навыкам, где качество взаимодействия так же важно, как и фактическое содержание.

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

9Физика, экосистемы и экологический реализм

Смоделированные миры кажутся убедительными не только потому, что персонажи ведут себя разумно, но и потому, что сама среда подчинена согласованным процессам. ИИ помогает управлять сложными системами, которые иначе были бы слишком требовательными или трудоёмкими для детальной проработки.

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 приближать некоторые аспекты динамического поведения. Это может включать обработку столкновений, деформацию, прогнозирование движения, корректировку анимации и моделирование взаимодействий. Цель не всегда — строгая физическая точность. Часто важна восприятельная достоверность при вычислительной эффективности.

Погодные и экологические системы

ИИ и алгоритмические системы могут моделировать погодные условия, ветер, изменяющуюся видимость и экологические изменения, которые влияют на восприятие мира. Эти изменения делают окружающую среду менее статичной и более живой во времени. В играх и симуляциях погода важна, потому что она влияет не только на внешний вид, но и на принятие решений.

Экосистемы и живые среды

Симулированная флора и фауна углубляют погружение, создавая доказательства того, что мир поддерживает не только цели пользователя. Движение животных, миграция, поведение при кормлении, отношения хищник-жертва и рост растений — всё это способствует ощущению непрерывности мира. Даже в упрощённом виде эти системы подразумевают реальность, выходящую за пределы игрока.

Процедурный звук и визуальная реакция

ИИ также может поддерживать процедурный звук, регулируя фоновое звучание в зависимости от погоды, времени, местоположения, плотности и изменений в окружении. Визуальные эффекты, такие как динамическое освещение, поведение теней и адаптивный рендеринг, могут улучшаться с помощью машинного обучения для повышения реализма или вычислительной эффективности. Эти слои не просто украшают симуляцию. Они усиливают веру пользователя в то, что окружение целостно и отзывчиво.

10ИИ как инструмент для создания самого мира

ИИ живёт не только внутри симулированного мира. Он также помогает его создавать. По мере того как виртуальные среды становятся больше и сложнее, рабочие процессы разработки всё больше полагаются на инструменты с поддержкой ИИ для ускорения производства, тестирования, балансировки и итераций.

Автоматизированное тестирование

ИИ-боты могут симулировать поведение игроков для поиска багов, стресс-тестирования систем и выявления проблем с балансом. Это особенно полезно в играх или обучающих средах, где количество возможных взаимодействий слишком велико для ручного тестирования. Автоматизированное тестирование не заменяет человеческое суждение, но помогает командам быстрее находить крайние случаи.

Генерация ассетов и творческая поддержка

Инструменты ИИ могут помогать с генерацией текстур, вариациями моделей, очисткой анимации, составлением диалогов, синтезом голоса и разработкой окружения. Это сокращает производственные циклы и помогает небольшим командам создавать большие миры. Риск, конечно, в том, что чрезмерная зависимость от автоматизации может привести к однообразному контенту или ослабить художественный контроль, если не управлять процессом внимательно.

Балансировка и живая настройка

В постоянных средах ИИ может анализировать поведение пользователей после релиза и помогать дизайнерам настраивать системы. Он может выявлять слишком сильные стратегии, определять точки фрустрации, отслеживать моменты ухода или показывать, какие миссии и миры лучше всего удерживают внимание. В этом смысле ИИ помогает поддерживать симулированный мир как живую экосистему, а не как готовый продукт.

11Этические и социальные вызовы

Растущая роль ИИ в симулированных мирах открывает мощные возможности, но также поднимает серьёзные этические вопросы. Чем больше эти системы адаптируются, наблюдают и влияют на пользователей, тем важнее становятся их дизайнерские решения не только с технической, но и с моральной точки зрения.

Предвзятость и представление

Системы ИИ, обученные на искажённых данных или на основе небрежных предположений, могут воспроизводить стереотипы, стирать маргинализированные точки зрения или создавать искажённые культурные представления. В виртуальных средах эта проблема становится особенно заметной, поскольку ИИ может напрямую участвовать в создании персонажей, диалогах, социальном поведении или системах рекомендаций.

Конфиденциальность и использование данных

Персонализация зависит от данных, и погружающие среды часто собирают больше поведенческих данных, чем обычное программное обеспечение. Если ИИ отслеживает движения, взгляд, речь, паттерны навыков, эмоциональные сигналы или историю взаимодействий, пользователи могут раскрывать гораздо больше, чем осознают. Чёткое согласие, надёжная анонимизация и ответственное обращение с данными крайне важны.

Автономия и предсказуемость

Существует также напряжение между автономией и контролем в дизайне. Пользователи хотят, чтобы миры казались живыми, но при этом ожидают, что они останутся понятными. ИИ, который ведёт себя слишком непредсказуемо, может подорвать доверие. ИИ, который ведёт себя слишком жёстко, кажется искусственным. Дизайнерам необходимо балансировать привлекательность автономии с потребностью в понятности и ответственности.

Манипуляция и чрезмерная оптимизация

Персонализация может улучшить обучение, погружение и удовольствие. Она также может использоваться для максимизации удержания, расходов или эмоциональной зависимости. Миры, управляемые ИИ, могут стать исключительно эффективными в поиске того, что удерживает человека вовлечённым. Это делает этический дизайн крайне важным. Система, глубоко понимающая пользователей, обладает силой не только радовать их, но и направлять.

12Перспективы будущего

Будущее ИИ в симулированных мирах, вероятно, будет включать как техническое ускорение, так и концептуальное расширение. 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 значительно менее запрограммированными. Они смогут вести более естественные беседы, лучше запоминать контекст, эффективнее обучать и убедительнее сотрудничать. Это будет особенно важно в образовании, взаимодействии с клиентами, обучении и социальной симуляции.

Глубокая интеграция с пространственными и нейронными технологиями

Интерфейсы мозг-компьютер, продвинутые технологии дополненной реальности и всё более воплощённые виртуальные системы могут сделать роль ИИ ещё более тесной. ИИ может выступать не только как управляющий миром, но и как переводчик между намерениями пользователя и реакцией окружения. Чем более напрямую система сможет интерпретировать и адаптироваться к поведению человека, тем более погружающими могут стать симулированные миры.

Метавселенная и инфраструктура постоянных миров

Крупномасштабные взаимосвязанные виртуальные пространства, часто объединяемые под термином метавселенная, было бы практически невозможно управлять без ИИ. Управление идентичностью, модерация, социальная координация, генерация контента, сохранение мира и динамическая персонализация становятся значительно сложнее с ростом масштабов. Поэтому ИИ часто рассматривается как базовая инфраструктура для любой по-настоящему постоянной многопользовательской симуляции.

Тем не менее, ключевой вопрос останется прежним: не просто насколько интеллектуальными могут стать эти миры, а какой человеческий опыт они призваны поддерживать.

13Заключение: когда виртуальные миры начинают думать

Искусственный интеллект стал центральным элементом эволюции моделируемых миров, потому что он даёт этим мирам то, чего статическое программное обеспечение обеспечить не может: поведение. Он позволяет персонажам реагировать, системам адаптироваться, окружению развиваться, сюжетам ветвиться, контенту масштабироваться, а взаимодействиям — казаться более естественными. Будь то игры, VR, AR, обучающие платформы или более широкие цифровые экосистемы, ИИ всё больше превращает симуляцию в нечто близкое к обитаемой реальности.

Значение этого сдвига выходит далеко за рамки развлечений. Симуляции на основе ИИ теперь поддерживают обучение, принятие решений, сотрудничество, терапию, дизайн и социальный опыт. По мере роста их возможностей эти миры станут более убедительными, полезными и сложными для отличия от других значимых аспектов жизни.

Это будущее полно обещаний. Оно также полно ответственности. Мир, который может адаптироваться к пользователю, предсказывать поведение, персонализировать контент и реагировать автономно — это не просто впечатляющее программное обеспечение. Это сформированный опыт с этическим значением. Задача впереди — создавать моделируемые миры, которые не только интеллектуальны, но и заслуживают доверия, инклюзивны и соответствуют благополучию человека.

В конечном счёте, самое важное достижение ИИ в моделируемых мирах может заключаться не в том, что он делает их визуально реалистичными. А в том, что он заставляет их вести себя так, будто у них есть своя собственная жизнь.

Ссылки

1. Russell, S., & Norvig, P. (2021). Искусственный интеллект: современный подход (4-е изд.). Pearson.
2. Sutton, R. S., & Barto, A. G. (2018). Обучение с подкреплением: введение (2-е изд.). MIT Press.
3. Yannakakis, G. N., & Togelius, J. (2018). Искусственный интеллект и игры. Springer.
4. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Глубокое обучение. MIT Press.
5. Isla, D. (2005). Управление сложностью в ИИ Halo 2. Game Developers Conference.
6. Kaplan, J., & Haenlein, M. (2019). Siri, Siri, в моей руке: кто самая справедливая в стране? Об интерпретациях, иллюстрациях и последствиях искусственного интеллекта. Business Horizons, 62(1), 15–25.
7. Cook, M., & Colton, S. (2014). Ludus Ex Machina: создание 3D-дизайнера игр, который конкурирует с людьми. Труды пятой международной конференции по вычислительному творчеству.
8. Mnih, V., et al. (2015). Управление на уровне человека с помощью глубокого обучения с подкреплением. Nature, 518(7540), 529–533.
9. Silver, D., et al. (2016). Освоение игры Го с помощью глубоких нейронных сетей и поиска по дереву. 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 обработке естественного языка. Springer.
12. Parisi, G. I., et al. (2019). Непрерывное пожизненное обучение с нейронными сетями: 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 через повтор опыта. Труды конференции по генетическим и эволюционным вычислениям, 859–867.
16. Kingma, D. P., & Welling, M. (2014). Вариационное байесовское автокодирование. arXiv preprint arXiv:1312.6114.
17. Müller, M. (2008). Динамическое моделирование деформируемых объектов. A K Peters/CRC Press.
18. Thalmann, D., & Musse, S. R. (2012). Симуляция толпы. Springer.
19. Zyda, M. (2005). От визуального моделирования к виртуальной реальности и играм. Computer, 38(9), 25–32.
20. Weiss, G. (ред.). (2013). Мультиагентные системы (2-е изд.). MIT Press.

Продолжить изучение этой серии