Manusia mendapat manfaat dari bermain game lebih dari yang mungkin disadari beberapa orang. Game bisa menjadi pendekatan santai untuk belajar atau mengasah keterampilan pemecahan masalah kita sambil menghilangkan stres. Namun, bermain game umumnya membawa banyak pengambilan keputusan, yang melibatkan pertimbangan matematis dan statistik yang kita buat untuk memutuskan apa yang menurut kita merupakan langkah terbaik. Dengan demikian, game menampilkan banyak kemampuan dan cara kerja otak manusia yang mengesankan, yang pada gilirannya menjadikannya tempat ujian dan taman bermain yang bagus untuk penelitian tentang kecerdasan buatan (AI).
Salah satu aspek yang umum untuk banyak game adalah pengambilan keputusan berdasarkan informasi yang tidak pasti tentang status game saat ini dan potensi masa depan. Pemain berpengalaman dapat 'melihat ke depan' dari keadaan permainan saat ini dan menganalisis apa yang bisa terjadi beberapa putaran atau gerakan ke depan, memungkinkan mereka untuk menyusun strategi yang sesuai. Terutama, proses mental ini mirip dengan apa yang dirancang untuk dilakukan oleh beberapa algoritme pencarian—tidak hanya untuk pemecahan game, tetapi juga dalam tugas komputasi umum di berbagai area aplikasi. Tapi bagaimana kita membangun hubungan formal antara bidang-bidang ini?
Di Institut Sains Lanjutan Jepang dan Teknologi (JAIST), kelompok penelitian Profesor Hiroyuki Iida sedang mengembangkan teori baru untuk menganalisis dan pada akhirnya memahami banyak aspek permainan dan permainan, baik dari sudut pandang objektif maupun psikologis. Dalam studi penelitian terbaru, para peneliti berusaha menjembatani pengertian komputasi dengan pengalaman bermain game. Untuk melakukan hal ini, mereka mengusulkan dua indikator untuk digunakan dalam algoritma pohon pencarian—angka bukti berbasis probabilitas (PPN) dan angka konspirasi tunggal (SCN)—dan menerapkannya pada berbagai permainan berbasis giliran.
Indikator pencarian ini adalah nilai yang dihitung oleh algoritma pohon pencarian untuk 'menilai' kemajuan mereka menuju tujuan yang diinginkan. Saat bermain game, misalnya, algoritma pencarian berbasis AI akan menggunakan indikator pencarian untuk menganalisis keadaan potensial di masa depan sambil mencari terutama untuk permainan yang entah bagaimana memaksimalkan peluang untuk menang. Pada akhirnya, indikator dan algoritma pencarian harus dibuat dengan hati-hati untuk meminimalkan penggunaan sumber daya komputasi; tidak setiap kemungkinan permainan harus dipertimbangkan secara rinci, tetapi hanya permainan yang kemungkinan besar akan menang.
Para peneliti menerapkan kedua indikator ini dalam kerangka pohon pencarian dalam konteks permainan yang berbeda, termasuk Catur, Catur Cina, Connect 4, Othello, dan 2048. Hasilnya mengungkapkan informasi menarik tentang apa yang dibawa setiap indikator ke meja. “Pencarian berbasis PPN menyediakan cara untuk menentukan kualitas informasi yang tersedia dalam game dan tampaknya beroperasi dengan cara yang mirip dengan intuisi manusia. Sebaliknya, pencarian berbasis SCN menyediakan platform untuk memahami pengalaman pemain dan bagaimana mereka mengelola risiko saat membuat keputusan,” jelas Prof. Iida.
Selain itu, pendekatan pencarian berbasis SCN dikaitkan dengan kerangka teoritis lain yang dikembangkan di lab Iida: konsep gerak dalam pikiran. Pendekatan ini menganalisis berbagai aspek objektif dan subjektif dari pengalaman bermain game secara matematis dengan menggambar analogi dengan konsep yang berhubungan dengan gerak dari fisika, seperti mekanika klasik. Dengan membandingkan SCN dengan analogi gerakan dalam permainan ini, para peneliti menemukan bahwa perhitungan yang mendasarinya secara langsung terkait dengan osilasi (dari posisi kalah ke posisi menang) yang terjadi di permainan kompetitif pemain tunggal dan dua pemain.
Kedua pendekatan pencarian yang dianalisis dalam penelitian ini memiliki aplikasi di dalam dan di luar ranah game. Misalnya, PPN dapat digunakan untuk menghemat sumber daya dan waktu yang berharga selama tugas komputasi intensif, seperti masalah optimasi, perencanaan, penjadwalan, dan simulasi. Sementara itu, SCN berguna dalam konteks di mana keputusan berisiko tinggi harus dibuat atau ketika perencanaan jangka panjang diperlukan, karena memungkinkan untuk mengoptimalkan nilai dan meminimalkan risiko. “Baik PPN maupun SCN dapat menjadi komponen penting untuk penelitian di bidang kecerdasan buatan, termasuk komputasi evolusioner dan komputasi performa tinggi,” kata Prof. Iida, “Selain itu, keduanya menyediakan batu loncatan untuk mengukur hiburan dari sudut pandang ilmu informasi.”
Studi multidisiplin lebih lanjut akan membantu kita menemukan lebih banyak hubungan antara hiburan, ilmu informasi, dan pikiran manusia. Mudah-mudahan, dalam jangka panjang, kami akan dapat menyesuaikan permainan dari perspektif yang lebih subjektif dan bahkan berorientasi pada tujuan, memaksimalkan kesenangan kami sambil bermanfaat dalam banyak hal lainnya.