简而言之：神经网络是否可以对用户输入实时做出反应？
想象一个小游戏，其中的世界由接收周围环境输入并使用神经网络生成输出以实现生存的实体组成。这些实体应该具有某种能力来杀死并消耗另一个实体，以延长最终导致死亡的饥饿倒计时，从而尝试尽可能长时间地生存。
一个简单的解决方案是使用遗传算法来改进神经网络并找到一组具有更高生存能力的实体（适合本例）。
现在，如果用户应该能够控制一个这样的实体，系统就会崩溃，因为他显然比这些实体更聪明，因为它们的网络没有经过处理用户行为的训练。这种行为可以通过让用户多次重玩游戏直到神经网络适应来实现，但对于我的目标来说，这是一个过于乏味且耗时的过程。
因此我的问题是：是否有可能提高神经网络的学习速度，以便它们能够足够快地对用户输入做出反应，以便用户能够感受到变化的发生？或者是否有不同的方法可以根据用户的实时操作来改进学习人工智能？
artificial-intelligence mathematical-optimization neural-network genetic-algorithm
简而言之:为更高级别的"模型"对象包装OpenGL的缓冲区,着色器和/或矩阵的"首选"方法是什么？
我正在尝试用基于核心OpenGL 3.3的C++编写这个微小的图形引擎,我想实现一个尽可能干净的解决方案来包装更高级别的"模型"对象,该对象将包含其顶点缓冲区,全局位置/旋转,纹理(也可能是着色器？)和潜在的其他信息.
我已经研究过这个名为GamePlay3D的开源引擎,并不完全同意其解决这个问题的方方面面.是否有任何好的资源可以为现代OpenGL讨论这个主题？或者有一些简单而干净的方法来做到这一点？