GPT o NPC integra las poderosas capacidades de la IA generativa para crear personajes no jugables (NPC) dinámicos en los juegos. Esta innovación permite que los NPC se involucren en conversaciones realistas, se adapten a varios escenarios y respondan de manera inteligente a las acciones del jugador. Al utilizar aprendizaje automático y procesamiento de lenguaje natural, la tecnología mejora la profundidad de la narración y la interactividad, haciendo que cada experiencia de juego sea única. Ya sea que estés explorando ciudades medievales o luchando contra criaturas, GPT o NPC permite diálogos atractivos e interacciones personalizadas, elevando la experiencia general del juego.

Los agentes de aprendizaje por refuerzo para juegos PettingZoo son una biblioteca en Python que ofrece algoritmos listos para usar DQN, PPO y A2C para aprendizaje por refuerzo multiagente en entornos PettingZoo. Cuenta con scripts de entrenamiento y evaluación estandarizados, hiperparámetros configurables, registro integrado en TensorBoard y soporte tanto para juegos competitivos como cooperativos. Los investigadores y desarrolladores pueden clonar el repositorio, ajustar parámetros de entorno y algoritmo, ejecutar sesiones de entrenamiento y visualizar métricas para acelerar la experimentación y comparación en sus experimentos de RL multiagente.

SmartNPC es una plataforma SaaS de vanguardia diseñada para crear y gestionar personajes no jugables (NPC) impulsados por IA. Esta plataforma facilita la integración fluida con varios motores de juego y proporciona herramientas para diseñar NPC interativos, éticos y comercialmente seguros. Con SmartNPC, los desarrolladores de juegos pueden llevar un nuevo nivel de realismo y compromiso a sus juegos al aprovechar tecnologías avanzadas de IA para hacer que los NPC respondan dinámicamente a las acciones de los jugadores en el juego y a los comandos de voz.

BomberManAI es un agente de IA diseñado para jugar de manera autónoma el clásico juego Bomberman. Desarrollado en Python, interactúa con un entorno de juego para percibir en tiempo real el estado del mapa, movimientos disponibles y posiciones de los oponentes. El algoritmo principal combina búsqueda A*, búsqueda en amplitud para análisis de alcanzabilidad y una función heurística de evaluación para determinar la mejor ubicación para colocar bombas y estrategias de evasión. El agente maneja obstáculos dinámicos, potenciadores y múltiples oponentes en diferentes disposiciones del mapa. Su arquitectura modular permite a los desarrolladores experimentar con heurísticas personalizadas, módulos de aprendizaje por refuerzo o estrategias de decisión alternativas. Ideal para investigadores en IA de juegos, estudiantes o desarrolladores de bots competitivos, BomberManAI proporciona un marco flexible para probar y mejorar agentes autónomos en juegos.

PommerLearn permite a investigadores y desarrolladores entrenar bots RL multi-agente en el entorno de juego Pommerman. Incluye implementaciones listas para usar de algoritmos populares (PPO, DQN), archivos de configuración flexibles para hiperparámetros, registro automático y visualización de métricas de entrenamiento, guardado de modelos y scripts de evaluación. Su arquitectura modular facilita la extensión con nuevos algoritmos, la personalización de entornos y la integración con bibliotecas ML estándar como PyTorch.

VMAS es un paquete de herramientas completo para construir y entrenar sistemas multi-agentes utilizando aprendizaje profundo por refuerzo. Soporta simulaciones paralelas en GPU de cientos de instancias de entornos, permitiendo recopilación de datos de alto rendimiento y entrenamiento escalable. VMAS incluye implementaciones de algoritmos MARL populares como PPO, MADDPG, QMIX y COMA, junto con interfaces modulares para políticas y entornos para prototipado rápido. El marco facilita entrenamiento centralizado con ejecución descentralizada (CTDE), ofrece personalización del modelado de recompensas, espacios de observación y hooks de devolución de llamada para registro y visualización. Con su diseño modular, VMAS se integra perfectamente con modelos PyTorch y entornos externos, siendo ideal para investigación en tareas cooperativas, competitivas y de motivos mixtos en robótica, control de tráfico, asignación de recursos y escenarios de IA en juegos.