哪些遊戲使用神經網路來影響遊戲玩法？
Creatures是 1996 年（或 1997 年，取決於地區）發布的影片遊戲，其中包含一個真實的、可工作的神經網路。它使用神經網路來影響遊戲玩法，通過影響遊戲中的“生物”學習對各種刺激做出反應的方式。
還有哪些其他影片遊戲（如果有）使用真正的神經網路來影響遊戲玩法？
筆記：
- 這是關於使用神經網路的遊戲，而不是相反的（玩遊戲的神經網路，如MarI/O）。
- 不影響實際遊戲玩法的神經網路應該被忽略。例如，用於區分線上國際象棋中的人類玩家和機器人，或用於檢測遊戲內購買欺詐交易的算法。
黑，白
Black & White是由 Lionhead Studios 開發並由 Peter Molyneux 設計的 2001 年模擬和實時戰略遊戲。
根據研究論文《遊戲中的人工智慧：看看 Lionhead Studio 的“黑與白”背後的智慧以及未來可以和將走向何方，黑與白使用神經網路來影響遊戲玩法（強調我的）：
使“黑白”在人工智慧中取得如此令人難以置信的成就的人工代理是生物。如前所述，遊戲玩家使用該生物進行競標。也可以看成是一個孩子，讓玩家既可以培養又可以培養。該遊戲的首席 AI 開發者 Richard Evans 提供了遊戲網站www.gameai.com帶有一些簡單的遊戲設計文件。開發人員對這些生物的渴望是它們既非常像人類又非常有用。為了像人類一樣，這個生物必須是“合理的、可塑的和可愛的”。為了有用，它必須能夠學習如何滿足它的主人，並知道如何根據它的信念和感知正確行事。許多最近的遊戲，例如“模擬市民”，製作了非常像人類的玩具代理，而許多其他最近的遊戲，例如“Daikatana”，製作了非常有用的代理；但在《黑白》之前沒有任何遊戲能夠將這兩種元素結合成一個天衣無縫的智能和善解人意的代理人。
遊戲的人工智慧讓它如此強大的主要方面是它混合了不同的表示智能的方法。鑑於多種技術，最適合任何特定任務的技術可以即時用於該任務。
$$ … $$ 決策樹代表代理對一般對像類型的信念。最後，感知器的神經網路代表慾望。
學習涉及許多技能，生物可以學習的方式多種多樣。生物學習有關其周圍環境的事實，如何完成某些任務，對其慾望的敏感程度，對某些物體或周圍的行為方式以及在某些情況下應用哪些方法。
$$ … $$
- Wexler, J.（2002 年 5 月 7 日）。遊戲中的人工智慧：了解 Lionhead Studio 的“黑與白”背後的智慧以及未來的發展方向。羅切斯特大學。https://www.cs.rochester.edu/~brown/242/assts/termprojs/games.pdf
注：論文作者在神經網路部分引用了 Richard Evans（ Black & White的 AI開發者）的採訪，但提供的連結不再指向目標網站。
一個 YouTube 影片，其中 Peter Molyneux 談論Black & White的 AI 的發展（相關部分從 07:22 開始）：
This Ars Technica article says the 2017 game Echo used machine learning to enable the game’s AI to learn how to mimic the player. However, it initially made game play too difficult:
“People originally thought that we were doing a game that used some form of long-term machine learning1 in which, if you played the game for hours on end, it would eventually become you and copy exactly how you play.
We had a few early prototypes in which the game became a representation of how you interacted with it on a macro scale, but we found that became extremely punishing.”
So the AI was programmed to unlearn some things to tone down the competence of the AI:
Emborg and his team opted for a system in which the AI learns and unlearns from you.
1 It’s not clear whether this is a neural network or a different ML model.