Gli umani traggono beneficio dal gioco più di quanto alcuni potrebbero realizzare. I giochi possono essere un approccio rilassato all'apprendimento o ad affinare le nostre capacità di risoluzione dei problemi alleviando allo stesso tempo lo stress. Tuttavia, il gioco in genere comporta una notevole quantità di processo decisionale, che implica considerazioni matematiche e statistiche che facciamo per decidere quale pensiamo sia la mossa migliore. Pertanto, i giochi mostrano molte delle facoltà impressionanti e dei meccanismi interni del cervello umano, che a loro volta li rendono un ottimo banco di prova e un parco giochi per la ricerca sull'intelligenza artificiale (AI).
Un aspetto comune a molti giochi è il processo decisionale basato su informazioni incerte sugli stati di gioco attuali e potenziali futuri. I giocatori esperti possono "guardare avanti" dallo stato attuale di un gioco e analizzare cosa potrebbe accadere diversi turni o mosse lungo la linea, consentendo loro di elaborare strategie di conseguenza. In particolare, questo processo mentale è simile a ciò per cui sono progettati alcuni algoritmi di ricerca, non solo per la risoluzione di giochi, ma anche in attività di calcolo generali in varie aree di applicazione. Ma come stabilire una connessione formale tra questi campi?
Al Japan Advanced Institute of Science e Tecnologia (JAIST), il gruppo di ricerca del professor Hiroyuki Iida sta sviluppando nuove teorie per analizzare e infine comprendere le molteplici sfaccettature dei giochi e del modo di giocare, sia da punti di vista puramente oggettivi che psicologici. Nell'ultimo studio di ricerca, i ricercatori hanno tentato di collegare le nozioni informatiche con l'esperienza del gioco. Per fare ciò, hanno proposto due indicatori da utilizzare negli algoritmi dell’albero di ricerca – il numero di prova basato sulla probabilità (PPN) e il numero singolo della cospirazione (SCN) – e li hanno applicati a vari giochi a turni.
Questi indicatori di ricerca sono valori che gli algoritmi dell'albero di ricerca calcolano per "valutare" il loro progresso verso l'obiettivo desiderato. Quando si gioca, ad esempio, un algoritmo di ricerca basato sull'intelligenza artificiale utilizzerebbe gli indicatori di ricerca per analizzare potenziali stati futuri, cercando principalmente giocate che in qualche modo massimizzino le possibilità di vincita. In definitiva, gli indicatori e gli algoritmi di ricerca dovrebbero essere elaborati con cura per ridurre al minimo le risorse di calcolo utilizzate; non tutte le possibili giocate devono essere considerate in dettaglio, ma solo quelle che hanno maggiori probabilità di vincere.
I ricercatori hanno applicato questi due indicatori nei framework dell'albero di ricerca nel contesto di diversi giochi, tra cui Chess, Chinese Chess, Connect 4, Othello e 2048. I risultati hanno rivelato informazioni interessanti su ciò che ciascun indicatore porta in tavola. “La ricerca basata su PPN ha fornito un mezzo per determinare la qualità delle informazioni disponibili nel gioco e sembrava funzionare in modo simile all'intuizione umana. Al contrario, la ricerca basata su SCN ha fornito una piattaforma per comprendere l'esperienza del giocatore e come gestisce i rischi quando prende decisioni”, spiega il prof. Iida.
Inoltre, l'approccio di ricerca basato su SCN è stato collegato a un altro quadro teorico sviluppato nel laboratorio di Iida: il concetto di movimento in mente. Questo approccio analizza vari aspetti oggettivi e soggettivi dell'esperienza di gioco in modo matematico tracciando analogie con concetti fisici legati al movimento, come quelli della meccanica classica. Confrontando l'SCN con queste analogie del movimento nei giochi, i ricercatori hanno scoperto che i calcoli sottostanti sono direttamente correlati alle oscillazioni (dalle posizioni perdenti a quelle vincenti) che si verificano sia nei giochi competitivi a giocatore singolo che in quelli a due giocatori.
Entrambi gli approcci di ricerca analizzati in questo studio hanno applicazioni dentro e fuori il regno dei giochi. Ad esempio, PPN può essere utilizzato per risparmiare tempo e risorse preziose durante attività di elaborazione intensive, come problemi di ottimizzazione, pianificazione, programmazione e simulazioni. Nel frattempo, l'SCN è utile in contesti in cui devono essere prese decisioni ad alto rischio o quando è necessaria una pianificazione a lungo termine, poiché consente di ottimizzare i valori e ridurre al minimo i rischi. “Sia PPN che SCN possono essere componenti cruciali per la ricerca nel campo della intelligenza artificiale, compresi i calcoli evolutivi e il calcolo ad alte prestazioni", osserva il prof. Iida, "Inoltre, entrambi forniscono pietre miliari per misurare l'intrattenimento da un punto di vista della scienza dell'informazione".
Ulteriori studi multidisciplinari ci aiuteranno a trovare più collegamenti tra intrattenimento, scienza dell'informazione e mente umana. Si spera che, a lungo termine, saremo in grado di adattare i giochi da una prospettiva più soggettiva e persino orientata allo scopo, massimizzando il nostro divertimento pur essendo utili in molti altri modi.