# Нейросети научили Raspberry Pi Pico 2 W воссоздавать игры и играть в них

> Источник: 404 Media. Канонический URL: https://404-media.ru/tehnologii/neyroseti-nauchili-raspberry-pi-pico-2-w-vossozdavat-igry-i-igrat-v-nih

Проект SheepSeb запускает на Raspberry Pi Pico 2 W две компактные нейросети: одна моделирует игровой мир, другая выбирает действия агента.

- Рубрика: Технологии (https://404-media.ru/tehnologii)
- Опубликовано: 2026-10-30T18:25:16+03:00
- HTML: https://404-media.ru/tehnologii/neyroseti-nauchili-raspberry-pi-pico-2-w-vossozdavat-igry-i-igrat-v-nih
- Markdown: https://404-media.ru/tehnologii/neyroseti-nauchili-raspberry-pi-pico-2-w-vossozdavat-igry-i-igrat-v-nih.md
- llms.txt: https://404-media.ru/llms.txt

![Нейросети научили Raspberry Pi Pico 2 W воссоздавать игры и играть в них](https://storage.yandexcloud.net/404-media/media/2026/10/0jLy1oyB6enp9QkZIZLkcQCrh6pjzSnloyX04pMH.jpg)

Разработчик под никнеймом SheepSeb представил проект, в котором две компактные [нейросети](/tehnologii) воссоздают простые игры на Raspberry Pi Pico 2 W, а затем позволяют агенту играть в получившихся симуляциях.

![Нейросети научили Raspberry Pi Pico 2 W воссоздавать игры и играть в них](https://storage.yandexcloud.net/404-media/media/2026/10/mMhSImX73HfsX7xjBaytJgm54GOZcuB1Gx03whko.jpg)

![Нейросети научили Raspberry Pi Pico 2 W воссоздавать игры и играть в них](https://storage.yandexcloud.net/404-media/media/2026/10/qGt3uCjmy19c5RWqZ4d7Qqp85OlojxRVX5nmxSv0.gif)

![Нейросети научили Raspberry Pi Pico 2 W воссоздавать игры и играть в них](https://storage.yandexcloud.net/404-media/media/2026/10/JYt0SKag3yT51G6iyPbcih5ZjBMNBR3lNP1C8rVj.gif)

![Нейросети научили Raspberry Pi Pico 2 W воссоздавать игры и играть в них](https://storage.yandexcloud.net/404-media/media/2026/10/7IZkmb0MLvEEovXhF18v5OreR2UIjf6p9cuKwNgI.gif)

‹›

Фото: Хабр

Первая модель выступает в роли модели игрового мира: она получает текущий кадр и действие игрока, после чего предсказывает следующий кадр. Вторая нейросеть отвечает за выбор действий агента внутри созданной симуляции.

В проекте предусмотрены два режима работы. В первом используется заранее обученный агент, способный проходить игры. Во втором агент учится непосредственно на одноплатном компьютере. Пользователь при этом может в любой момент перехватить управление.

## Компактная модель для ограниченных ресурсов

Чтобы снизить требования к вычислениям и памяти, автор использовал трансформер, который многократно применяет один и тот же блок с общими весами. Основные матричные операции выполняются в восьмибитном формате.

В зависимости от конкретной игры модель содержит от 26 до 131 тысячи параметров. Предварительное обучение проводят на записях игровых сессий: для одной игры может использоваться до трёх миллионов примеров.

Игры в проекте заметно упрощены. Кадры представлены в виде сеток размером от 20 × 16 до 48 × 48 ячеек, что позволяет запускать модели на маломощном микроконтроллере.

## Ошибки симуляции становятся частью игрового процесса

Сгенерированные миры не всегда полностью соответствуют оригинальным играм. Иногда агент может использовать ошибки модели в своих интересах. Например, в симуляции Breakout ему удалось набрать 210 очков при максимальном результате в 56.

Автор исправляет подобные проблемы, дообучая модель на дополнительных данных. Это позволяет постепенно уменьшать число ошибок и делать поведение симуляции более похожим на исходную игру.

Протестировать модели можно в браузерном демо, где они запускаются с помощью WebAssembly. В интерфейсе также доступно наблюдение за тем, как агент учится играть. Исходный код проекта опубликован на GitHub.