Manusia mendapat keuntungan daripada bermain permainan lebih banyak daripada yang mungkin disedari oleh beberapa orang. Permainan boleh menjadi pendekatan santai untuk belajar atau mengasah kemahiran menyelesaikan masalah kita sambil menghilangkan tekanan. Walau bagaimanapun, permainan bermain secara amnya banyak membuat keputusan, melibatkan pertimbangan matematik dan statistik yang kita buat untuk memutuskan apa yang kita fikir adalah langkah terbaik. Oleh itu, permainan mempamerkan banyak kemampuan dan cara kerja otak manusia yang mengagumkan, yang pada gilirannya menjadikannya tempat ujian dan taman permainan yang hebat untuk penyelidikan kecerdasan buatan (AI).
Salah satu aspek yang biasa dialami oleh banyak permainan adalah membuat keputusan berdasarkan maklumat yang tidak pasti mengenai keadaan permainan masa depan dan masa depan yang berpotensi. Pemain yang berpengalaman dapat 'melihat ke depan' dari keadaan permainan saat ini dan menganalisis apa yang boleh terjadi beberapa putaran atau bergerak ke bawah, yang membolehkan mereka membuat strategi yang sesuai. Terutama, proses mental ini serupa dengan apa yang dirancang oleh beberapa algoritma carian - bukan hanya untuk penyelesaian permainan, tetapi juga tugas pengkomputeran secara umum di pelbagai bidang aplikasi. Tetapi bagaimana kita mewujudkan hubungan formal antara bidang-bidang ini?
Di Institut Sains Termaju Jepun dan Teknologi (JAIST), kumpulan penyelidik Profesor Hiroyuki Iida sedang membangunkan teori baharu untuk menganalisis dan akhirnya memahami pelbagai aspek permainan dan permainan, kedua-duanya dari sudut objektif dan psikologi semata-mata. Dalam kajian penyelidikan terkini, penyelidik cuba merapatkan tanggapan pengkomputeran dengan pengalaman bermain permainan. Untuk melakukan ini, mereka mencadangkan dua penunjuk untuk digunakan dalam algoritma pepohon carian—nombor bukti berasaskan kebarangkalian (PPN) dan nombor konspirasi tunggal (SCN)—dan menggunakannya pada pelbagai permainan berasaskan giliran.
Indikator carian ini adalah nilai yang dikira oleh algoritma pokok carian untuk 'menilai' kemajuannya ke arah objektif yang diinginkan. Semasa bermain permainan, misalnya, algoritma carian berdasarkan AI akan menggunakan petunjuk carian untuk menganalisis kemungkinan keadaan masa depan sambil mencari terutamanya permainan yang entah bagaimana memaksimumkan peluang menang. Pada akhirnya, penunjuk dan algoritma carian harus dibuat dengan teliti untuk meminimumkan sumber pengkomputeran yang digunakan; tidak semua permainan mungkin dipertimbangkan secara terperinci, tetapi hanya permainan yang mungkin akan menang.
Para penyelidik menggunakan kedua-dua indikator ini dalam kerangka pohon carian dalam konteks permainan yang berbeza, termasuk Catur, Catur Cina, Sambungan 4, Othello, dan 2048. Hasilnya menunjukkan maklumat menarik mengenai apa yang ditunjukkan oleh setiap indikator. "Pencarian berdasarkan PPN menyediakan cara untuk menentukan kualiti maklumat yang ada dalam permainan dan sepertinya beroperasi dengan cara yang serupa dengan intuisi manusia. Sebaliknya, carian berdasarkan SCN menyediakan platform untuk memahami pengalaman pemain dan bagaimana mereka menguruskan risiko ketika membuat keputusan, ”jelas Prof Iida.
Selain itu, pendekatan carian berasaskan SCN dihubungkan dengan kerangka teori lain yang dikembangkan di makmal Iida: konsep gerakan dalam fikiran. Pendekatan ini menganalisis pelbagai aspek objektif dan subjektif dari pengalaman bermain permainan secara matematik dengan menarik analogi dengan konsep berkaitan gerakan dari fizik, seperti yang terdapat dalam mekanik klasik. Dengan membandingkan SCN dengan analogi gerakan ini dalam permainan, para penyelidik mendapati bahawa pengiraan yang mendasari secara langsung berkaitan dengan ayunan (dari kekalahan ke posisi menang) yang berlaku dalam permainan kompetitif pemain tunggal dan dua pemain.
Kedua-dua pendekatan pencarian yang dianalisis dalam kajian ini mempunyai aplikasi di dalam dan di luar bidang permainan. Sebagai contoh, PPN dapat digunakan untuk menjimatkan sumber daya dan waktu yang berharga semasa tugas pengkomputeran intensif, seperti masalah pengoptimuman, perancangan, penjadualan, dan simulasi. Sementara itu, SCN berguna dalam konteks di mana keputusan yang tinggi mesti dibuat atau ketika perancangan jangka panjang diperlukan, kerana memungkinkan untuk mengoptimumkan nilai dan meminimumkan risiko. "Kedua-dua PPN dan SCN dapat menjadi komponen penting untuk penelitian di bidang kecerdasan buatan, termasuk perhitungan evolusi dan pengkomputeran berprestasi tinggi, "kata Prof Iida," Selain itu, keduanya menyediakan batu loncatan untuk mengukur hiburan dari sudut pandang sains maklumat. "
Kajian multidisiplin selanjutnya akan membantu kita mencari lebih banyak hubungan antara hiburan, sains maklumat, dan akal manusia. Mudah-mudahan, dalam jangka masa panjang, kita dapat menyesuaikan permainan dari perspektif yang lebih subjektif dan bahkan berdasarkan tujuan, memaksimumkan kesenangan kita sambil berguna dalam banyak cara lain.