Los seres humanos se benefician de los juegos más de lo que algunos creen. Los juegos pueden ser un enfoque relajado para aprender o perfeccionar nuestras habilidades de resolución de problemas al mismo tiempo que alivian el estrés. Sin embargo, el juego generalmente conlleva una cantidad considerable de toma de decisiones, que involucran consideraciones matemáticas y estadísticas que hacemos para decidir cuál creemos que es la mejor jugada. Por lo tanto, los juegos muestran muchas de las impresionantes facultades y el funcionamiento interno del cerebro humano, lo que a su vez los convierte en un gran banco de pruebas y un patio de recreo para la investigación sobre inteligencia artificial (IA).
Un aspecto común a muchos juegos es la toma de decisiones basada en información incierta sobre los estados actuales y futuros del juego. Los jugadores experimentados pueden 'mirar hacia adelante' desde el estado actual de un juego y analizar lo que podría suceder en varios turnos o movimientos en la línea, lo que les permite elaborar estrategias en consecuencia. En particular, este proceso mental es similar a lo que algunos algoritmos de búsqueda están diseñados para hacer, no solo para la resolución de juegos, sino también en tareas informáticas generales en diversas áreas de aplicación. Pero, ¿cómo establecemos una conexión formal entre estos campos?
En el Instituto Avanzado de Ciencias y Ciencias de Japón Tecnología (JAIST), el grupo de investigación del profesor Hiroyuki Iida está desarrollando nuevas teorías para analizar y, en última instancia, comprender las múltiples facetas de los juegos, tanto desde puntos de vista puramente objetivos como psicológicos. En el último estudio de investigación, los investigadores intentaron unir las nociones informáticas con la experiencia de jugar. Para hacer esto, propusieron dos indicadores para usar en algoritmos de árbol de búsqueda: el número de prueba basado en probabilidad (PPN) y el número de conspiración única (SCN), y los aplicaron a varios juegos por turnos.
Estos indicadores de búsqueda son valores que los algoritmos del árbol de búsqueda calculan para "evaluar" su progreso hacia el objetivo deseado. Al jugar un juego, por ejemplo, un algoritmo de búsqueda basado en IA usaría indicadores de búsqueda para analizar posibles estados futuros mientras busca principalmente jugadas que de alguna manera maximicen las posibilidades de ganar. En última instancia, los indicadores y algoritmos de búsqueda deben elaborarse cuidadosamente para minimizar los recursos informáticos utilizados; no todas las jugadas posibles deben ser consideradas en detalle, sino solo aquellas que tienen probabilidades de ganar.
Los investigadores aplicaron estos dos indicadores en marcos de árbol de búsqueda en el contexto de diferentes juegos, incluidos Ajedrez, Ajedrez chino, Connect 4, Othello y 2048. Los resultados revelaron información interesante sobre lo que cada indicador aporta a la mesa. “La búsqueda basada en PPN proporcionó un medio para determinar la calidad de la información disponible en el juego y parecía funcionar de manera similar a la intuición humana. Por el contrario, la búsqueda basada en SCN proporcionó una plataforma para comprender la experiencia del jugador y cómo maneja los riesgos al tomar decisiones ”, explica el profesor Iida.
Además, el enfoque de búsqueda basado en SCN se vinculó con otro marco teórico desarrollado en el laboratorio de Iida: el concepto de movimiento en mente. Este enfoque analiza varios aspectos objetivos y subjetivos de la experiencia del juego de una manera matemática al establecer analogías con conceptos relacionados con el movimiento de la física, como los de la mecánica clásica. Al comparar el SCN con estas analogías de movimiento en los juegos, los investigadores encontraron que los cálculos subyacentes están directamente relacionados con las oscilaciones (desde posiciones perdedoras hasta ganadoras) que ocurren tanto en juegos competitivos de un jugador como de dos jugadores.
Ambos enfoques de búsqueda analizados en este estudio tienen aplicaciones dentro y fuera del ámbito de los juegos. Por ejemplo, PPN se puede utilizar para ahorrar tiempo y recursos valiosos durante tareas informáticas intensivas, como problemas de optimización, planificación, programación y simulaciones. Mientras tanto, el SCN es útil en contextos donde se deben tomar decisiones de alto riesgo o cuando es necesaria una planificación a largo plazo, ya que permite optimizar valores y minimizar riesgos. “Tanto PPN como SCN pueden ser componentes cruciales para la investigación en el campo de inteligencia artificial, incluidos los cálculos evolutivos y la informática de alto rendimiento ", comenta el profesor Iida," además, ambos proporcionan trampolines para medir el entretenimiento desde el punto de vista de la ciencia de la información ".
Más estudios multidisciplinarios nos ayudarán a encontrar más vínculos entre el entretenimiento, la ciencia de la información y la mente humana. Con suerte, a largo plazo, seremos capaces de adaptar los juegos desde una perspectiva más subjetiva e incluso orientada a un propósito, maximizando nuestro disfrute y siendo útiles de muchas otras formas.