Artificial intelligence 实时神经网络

简而言之：有没有可能让神经网络对用户输入做出实时反应

想象一个小游戏，这个世界由接受周围环境输入并使用神经网络生成输出以实现生存的实体组成。这些实体应该有某种能力杀死并吃掉另一个实体，以延长饥饿倒计时，最终导致死亡，从而尽可能地生存下去

一个简单的解决方案是使用遗传算法来改进神经网络，并找到一组生存能力增强的实体（适合这种情况）

现在，如果用户应该能够控制一个这样的实体，系统就会崩溃，因为他显然比实体聪明，因为他们的网络没有经过处理用户行为的培训。这种行为可以通过让用户多次重放游戏直到神经网络适应来实现，但对于我的目标来说，这是一个太单调和耗时的过程

---

因此我的问题是：是否有可能提高神经网络的学习速度，以便它们能够对用户输入做出足够快的反应，从而用户能够感觉到变化的发生？或者，有没有不同的方法可以根据用户的实时行为改进学习AI？

好吧，在基本层面上，问题是，“是的，可以非常快速地操作神经网络。”即使使用大型NN，您也需要从根本上更新一组浮点数，这对现代硬件来说几乎不是一个挑战

因此，在你的问题主体中，你询问了学习速度，但同样，在基本层面上，我们仍然在讨论浮点算法：现在更复杂，纳入你的学习规则，但仍然可能比人类感知快得多

因此，我认为您真正面临的问题可能是“有可能实时生成训练数据吗？”如果没有更多的细节，这将很难回答。为了训练你的神经网络做得更好，需要什么？是否有必要重新运行复杂的模拟，或者调整一些输入参数就足够了

---

当你说你用GAs来生成NN权重时，我怀疑你说的是更大的数据集和复杂的测试，以创建一个“更好的“基于NN的实体集。那么，有没有可能在人类感知的时候做到这一切呢？这相当困难，特别是因为开始有意义的解决方案是跨多台机器（例如Hadoop）分配计算，但这肯定开始进入秒的范围，而不是毫秒

你说得对，我面临着训练数据生成的问题，我试图暗示这一点，但我认为我的优先级设置错误。虽然我所说的数据量和测试时间不一定要那么大，但我的概念应该能够处理非常少量的实体，这可能使GA成为训练它们的错误选择。尽管如此，我还是希望用户的行为在尽可能短的时间内对行为产生影响。假设另一个用户控制其他实体，他会理解威胁并试图避免它。这就是我想要的。