troche źle wyżej napisałem i warto doprecyzować jedną rzecz: nie trenuję tutaj żadnego modelu neuronowego. To nie jest LLM, nie ma fine-tuningu, datasetu ani uczenia wag.
Całość działa jako serwerowe AI Playerbotów napisane głównie w C++. Boty mają własną logikę decyzji opartą na Utility AI, prostych stanach zachowania, scoringu różnych akcji, nawigacji/pathfindingu i pamięci tego, co wcześniej robiły.
W praktyce bot co jakiś czas ocenia różne możliwości, np. czy lepiej teraz expić, iść na Metina, szukać bossa, poprawić ekwipunek, zrobić Biologa, konia, questa, dołączyć do party, handlować albo iść do dungeonu. Każda z tych opcji dostaje swój wynik na podstawie aktualnej sytuacji bota: levelu, EQ, mapy, ryzyka, wcześniejszych śmierci, opłacalności danego miejsca itd.
Nie używam do tego PyTorch, TensorFlow, optimizerów, gradientów ani żadnego procesu treningowego. Boty po prostu zapisują część swoich doświadczeń i później mogą na tej podstawie zmieniać decyzje. Mogą np. zapamiętać, że w danym miejscu exp był dobry, że często tam ginęły, gdzie widziały Metina czy bossa albo czy dane EQ było dla nich opłacalne.
Czyli najprościej mówiąc: to jest bardziej klasyczne game AI z adaptacją i pamięcią niż machine learning.
Nie było też żadnego „sprzętu do treningu”, bo nie było treningu. Wszystko działa bezpośrednio na CPU serwera gry. Nie korzystam też z RAG, embeddingów, Qdranta ani API OpenAI do sterowania botami.
Więc faktycznie lepiej mówić, że boty uczą się w sensie potocznym — zapamiętują doświadczenia i dostosowują zachowanie — a nie że trenuję model AI.
zasoby które są wykorzystywane średnio przez 24h to od 30gb do 100gb dysku <- zapis pamięci, 10-16 gb pamięci ram, ok 20% CPU
Podobne działanie wykorzystywałem w grze Global Resuce i SimRail, Emergency 4