Menschen profitieren mehr davon, Spiele zu spielen, als manche vielleicht denken. Spiele können eine entspannte Herangehensweise sein, um zu lernen oder unsere Fähigkeiten zur Problemlösung zu verbessern und gleichzeitig Stress abzubauen. Allerdings erfordert das Spielen im Allgemeinen eine beträchtliche Menge an Entscheidungsfindungen, die mathematische und statistische Überlegungen beinhalten, die wir anstellen, um zu entscheiden, was unserer Meinung nach der beste Zug ist. So zeigen Spiele viele der beeindruckenden Fähigkeiten und das Innenleben des menschlichen Gehirns, was sie wiederum zu einem großartigen Testfeld und Spielplatz für die Erforschung von künstlicher Intelligenz (KI) macht.
Ein Aspekt, der vielen Spielen gemeinsam ist, ist die Entscheidungsfindung basierend auf unsicheren Informationen über aktuelle und potenzielle zukünftige Spielzustände. Erfahrene Spieler können aus dem aktuellen Zustand eines Spiels „vorausschauen“ und analysieren, was mehrere Runden oder Züge auf der Linie passieren könnte, um entsprechende Strategien zu entwickeln. Vor allem ähnelt dieser mentale Prozess dem, was einige Suchalgorithmen tun sollen – nicht nur für das Lösen von Spielen, sondern auch für allgemeine Rechenaufgaben in verschiedenen Anwendungsbereichen. Aber wie stellen wir eine formale Verbindung zwischen diesen Feldern her?
Am Japan Advanced Institute of Science und Technologie (JAIST) entwickelt die Forschungsgruppe von Professor Hiroyuki Iida neue Theorien, um die vielen Facetten von Spielen und Spielen zu analysieren und letztendlich zu verstehen, sowohl aus rein objektiver als auch aus psychologischer Sicht. In der neuesten Forschungsstudie versuchten Forscher, Computervorstellungen mit der Erfahrung des Spielens zu verbinden. Zu diesem Zweck schlugen sie zwei Indikatoren für die Verwendung in Suchbaumalgorithmen vor – die wahrscheinlichkeitsbasierte Beweiszahl (PPN) und die einzelne Verschwörungszahl (SCN) – und wandten sie auf verschiedene rundenbasierte Spiele an.
Diese Suchindikatoren sind Werte, die von Suchbaumalgorithmen berechnet werden, um ihren Fortschritt in Richtung des gewünschten Ziels zu „bewerten“. Beim Spielen eines Spiels würde beispielsweise ein KI-basierter Suchalgorithmus Suchindikatoren verwenden, um potenzielle zukünftige Zustände zu analysieren, während er hauptsächlich nach Spielen sucht, die die Gewinnchancen irgendwie maximieren. Letztendlich sollten Suchindikatoren und Algorithmen sorgfältig erstellt werden, um die verwendeten Rechenressourcen zu minimieren; nicht jedes mögliche Spiel muss im Detail betrachtet werden, sondern nur diejenigen, die wahrscheinlich gewinnen werden.
Die Forscher wandten diese beiden Indikatoren in Suchbaum-Frameworks im Kontext verschiedener Spiele an, darunter Schach, Chinesisches Schach, Connect 4, Othello und 2048. Die Ergebnisse zeigten interessante Informationen darüber, was jeder Indikator in den Tisch einbringt. „Die PPN-basierte Suche bot ein Mittel zur Bestimmung der Qualität der im Spiel verfügbaren Informationen und schien ähnlich wie die menschliche Intuition zu funktionieren. Im Gegensatz dazu bot die SCN-basierte Suche eine Plattform, um die Erfahrungen der Spieler zu verstehen und wie sie bei Entscheidungen mit Risiken umgehen“, erklärt Prof. Iida.
Darüber hinaus wurde der SCN-basierte Suchansatz mit einem anderen theoretischen Rahmen verknüpft, der in Iidas Labor entwickelt wurde: dem Konzept der Bewegung im Kopf. Dieser Ansatz analysiert verschiedene objektive und subjektive Aspekte des Spielerlebnisses auf mathematische Weise, indem Analogien zu bewegungsbezogenen Konzepten aus der Physik, wie denen der klassischen Mechanik, gezogen werden. Durch den Vergleich des SCN mit diesen Bewegungsanalogien in Spielen fanden die Forscher heraus, dass die zugrunde liegenden Berechnungen in direktem Zusammenhang mit den Schwankungen (von der Verlust- zur Gewinnposition) stehen, die sowohl in Einzelspieler- als auch in Zweispieler-Wettbewerbsspielen auftreten.
Beide in dieser Studie analysierten Suchansätze haben Anwendungen innerhalb und außerhalb des Bereichs von Spielen. PPN kann beispielsweise verwendet werden, um bei intensiven Rechenaufgaben wie Optimierungsproblemen, Planung, Zeitplanung und Simulationen wertvolle Ressourcen und Zeit zu sparen. Unterdessen ist das SCN in Kontexten nützlich, in denen hohe Entscheidungen getroffen werden müssen oder wenn eine langfristige Planung erforderlich ist, da es die Optimierung von Werten und die Minimierung von Risiken ermöglicht. „Sowohl PPN als auch SCN können entscheidende Komponenten für die Forschung auf dem Gebiet der künstliche Intelligenz, einschließlich evolutionärer Berechnungen und Hochleistungsrechnen“, sagt Prof. Iida, „Außerdem bieten sie beide Sprungbretter für die Messung von Unterhaltung aus informationswissenschaftlicher Sicht.“
Weitere multidisziplinäre Studien sollen uns helfen, mehr Verbindungen zwischen Unterhaltung, Informationswissenschaft und dem menschlichen Geist zu finden. Hoffentlich werden wir auf lange Sicht in der Lage sein, Spiele aus einer subjektiveren und sogar zweckorientierten Perspektive zuzuschneiden, unseren Spaß zu maximieren und gleichzeitig auf viele andere Arten nützlich zu sein.