Les humains ont plus de bénéfices à jouer à des jeux que certains ne le pensent. Les jeux peuvent être une approche détendue pour apprendre ou perfectionner nos compétences en résolution de problèmes tout en soulageant le stress. Cependant, le jeu comporte généralement une quantité considérable de prises de décision, impliquant des considérations mathématiques et statistiques que nous prenons pour décider de ce que nous pensons être le meilleur coup. Ainsi, les jeux présentent de nombreuses facultés impressionnantes et le fonctionnement interne du cerveau humain, ce qui en fait un excellent banc d'essai et un terrain de jeu pour la recherche sur l'intelligence artificielle (IA).
Un aspect commun à de nombreux jeux est la prise de décision basée sur des informations incertaines sur les états de jeu actuels et futurs potentiels. Les joueurs expérimentés peuvent «regarder en avant» à partir de l'état actuel d'un jeu et analyser ce qui pourrait se produire plusieurs tours ou mouvements sur la ligne, ce qui leur permet d'élaborer une stratégie en conséquence. Plus particulièrement, ce processus mental s'apparente à ce que certains algorithmes de recherche sont conçus pour faire, non seulement pour la résolution de jeux, mais aussi pour des tâches informatiques générales dans divers domaines d'application. Mais comment établir une connexion formelle entre ces domaines?
À l'Institut avancé des sciences et des sciences du Japon Technologie (JAIST), le groupe de recherche du professeur Hiroyuki Iida développe de nouvelles théories pour analyser et finalement comprendre les nombreuses facettes des jeux et du jeu, à la fois d'un point de vue purement objectif et psychologique. Dans la dernière étude, les chercheurs ont tenté de relier les notions informatiques à l’expérience du jeu. Pour ce faire, ils ont proposé deux indicateurs à utiliser dans les algorithmes d’arbre de recherche – le numéro de preuve basé sur la probabilité (PPN) et le numéro de conspiration unique (SCN) – et les ont appliqués à divers jeux au tour par tour.
Ces indicateurs de recherche sont des valeurs que les algorithmes d'arbre de recherche calculent pour «évaluer» leur progression vers l'objectif souhaité. Lorsque vous jouez à un jeu, par exemple, un algorithme de recherche basé sur l'IA utiliserait des indicateurs de recherche pour analyser les états futurs potentiels tout en recherchant principalement des jeux qui maximisent d'une manière ou d'une autre les chances de gagner. En fin de compte, les indicateurs et les algorithmes de recherche doivent être élaborés avec soin pour minimiser les ressources informatiques utilisées; tous les jeux possibles ne doivent pas être considérés en détail, mais seulement ceux qui sont susceptibles de gagner.
Les chercheurs ont appliqué ces deux indicateurs dans des cadres d'arbre de recherche dans le contexte de différents jeux, notamment les échecs, les échecs chinois, Connect 4, Othello et 2048. Les résultats ont révélé des informations intéressantes sur ce que chaque indicateur apporte à la table. «La recherche basée sur PPN a fourni un moyen de déterminer la qualité des informations disponibles dans le jeu et semblait fonctionner de la même manière que l'intuition humaine. À l'inverse, la recherche basée sur le SCN a fourni une plate-forme pour comprendre l'expérience du joueur et comment il gère les risques lors de la prise de décisions », explique le professeur Iida.
De plus, l'approche de recherche basée sur le SCN était liée à un autre cadre théorique développé au laboratoire d'Iida: le concept de mouvement à l'esprit. Cette approche analyse divers aspects objectifs et subjectifs de l'expérience de jeu de manière mathématique en établissant des analogies avec des concepts liés au mouvement issus de la physique, tels que ceux de la mécanique classique. En comparant le SCN avec ces analogies de mouvement dans les jeux, les chercheurs ont constaté que les calculs sous-jacents sont directement liés aux oscillations (de la position perdante à la position gagnante) qui se produisent dans les jeux compétitifs à un et à deux joueurs.
Les deux approches de recherche analysées dans cette étude ont des applications dans et en dehors du domaine des jeux. Par exemple, PPN peut être utilisé pour économiser des ressources et du temps précieux pendant les tâches de calcul intensives, telles que les problèmes d'optimisation, la planification, la planification et les simulations. Parallèlement, le SCN est utile dans les contextes où des décisions à enjeux élevés doivent être prises ou lorsqu'une planification à long terme est nécessaire, car elle permet d'optimiser les valeurs et de minimiser les risques. «Le PPN et le SCN peuvent tous deux être des éléments cruciaux pour la recherche dans le domaine de intelligence artificielle, y compris les calculs évolutifs et le calcul haute performance », remarque le professeur Iida,« De plus, ils fournissent tous deux des tremplins pour mesurer le divertissement du point de vue des sciences de l'information. »
D'autres études multidisciplinaires nous aideront à trouver plus de liens entre le divertissement, la science de l'information et l'esprit humain. Espérons qu'à long terme, nous serons en mesure d'adapter les jeux dans une perspective plus subjective et même axée sur un objectif, en maximisant notre plaisir tout en étant utiles de bien d'autres manières.