> For the complete documentation index, see [llms.txt](https://hujian.gitbook.io/deep-reinforcement-learning/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://hujian.gitbook.io/deep-reinforcement-learning/fang-fa/kai-fang-de-tiao-zhan/gong-ye-jie-ying-yong.md).

# 工业界应用

由于Facebook，Google / Alphabet，微软和亚马逊等各种不同公司对其发展投入巨大的兴趣，DL的许多最新进展已经加速。 然而，游戏产业并没有将这些进步与这种进步相提并论。这有时让游戏行业以外的评论家感到惊讶，因为游戏被视为大量使用人工智能技术。然而，游戏行业中最常用的AI类型更多地侧重于手工创作表达非玩家角色（NPC）行为而不是机器学习。在这个行业中采用神经网络（和类似方法）的一个经常被引用的原因是这些方法本质上难以控制，这可能导致不必要的NPC行为（伊根NPC可能决定杀死一个相关的关键角色 到了故事）。此外，训练深度网络模型需要一定程度的专业知识，该领域的专家库仍然有限。这对于应对这些挑战非常重要，以鼓励游戏行业广泛采用。

此外，尽管大多数DL方法都专注于玩游戏，但这个目标对于游戏行业来说可能并不是最重要的。这里是玩家在玩重要组件时体验到的乐趣或参与度。游戏制作过程中玩游戏的DL的一个用途是用于游戏测试，其中人工代理测试该等级是可解决的或难度是合适的。DL可能会在游戏行业中看到它最重要的用途，不是为了玩游戏，而是为了根据对现有内容的训练，或者对于玩家体验建模来生成游戏内容。

在游戏行业中，包括EA，Ubisoft 和Unity在内的几家大型开发和技术公司最近开始在内部研究部门，主要集中在深度学习上。 这些技术还将被这些公司或其客户的发展方式所接受，还有待观察。