Mensen hebben meer baat bij het spelen van games dan sommigen misschien beseffen. Games kunnen een ontspannen benadering zijn om te leren of onze probleemoplossende vaardigheden aan te scherpen en tegelijkertijd stress te verlichten. Bij het spelen van games komt echter over het algemeen veel besluitvorming kijken, waarbij wiskundige en statistische overwegingen betrokken zijn om te beslissen wat volgens ons de beste zet is. Zo laten games veel van de indrukwekkende vermogens en innerlijke werking van het menselijk brein zien, wat ze op hun beurt een geweldige proeftuin en speeltuin maakt voor onderzoek naar kunstmatige intelligentie (AI).
Een aspect dat veel games gemeen hebben, is besluitvorming op basis van onzekere informatie over huidige en potentiële toekomstige gamestatussen. Ervaren spelers kunnen 'vooruitkijken' vanuit de huidige staat van een spel en analyseren wat er meerdere beurten of bewegingen langs de lijn zou kunnen gebeuren, zodat ze dienovereenkomstig hun strategie kunnen bepalen. Het meest opvallende is dat dit mentale proces verwant is aan waar sommige zoekalgoritmen voor zijn ontworpen - niet alleen voor het oplossen van games, maar ook voor algemene computertaken in verschillende toepassingsgebieden. Maar hoe leggen we een formele verbinding tussen deze velden?
Aan het Japan Advanced Institute of Science en Technologie (JAIST) ontwikkelt de onderzoeksgroep van professor Hiroyuki Iida nieuwe theorieën om de vele facetten van games en het spelen van games te analyseren en uiteindelijk te begrijpen, zowel vanuit puur objectieve als psychologische gezichtspunten. In het laatste onderzoek probeerden onderzoekers een brug te slaan tussen computerbegrippen en de ervaring van het spelen van games. Om dit te doen, stelden ze twee indicatoren voor die gebruikt konden worden in zoekboomalgoritmen – het op waarschijnlijkheid gebaseerde bewijsnummer (PPN) en het single conspiracy number (SCN) – en pasten ze deze toe op verschillende turn-based games.
Deze zoekindicatoren zijn waarden die door zoekboomalgoritmen worden berekend om hun voortgang naar het gewenste doel te 'beoordelen'. Bij het spelen van een game, bijvoorbeeld, zou een AI-gebaseerd op zoekalgoritme zoekindicatoren gebruiken om potentiële toekomstige toestanden te analyseren, terwijl het voornamelijk zoekt naar plays die op de een of andere manier de winkansen maximaliseren. Uiteindelijk moeten zoekindicatoren en -algoritmen zorgvuldig worden ontworpen om de gebruikte computerbronnen te minimaliseren; niet elk mogelijk spel moet in detail worden overwogen, maar alleen degenen die waarschijnlijk zullen winnen.
De onderzoekers hebben deze twee indicatoren toegepast in zoekboomkaders in de context van verschillende spellen, waaronder schaken, Chinees schaken, Connect 4, Othello en 2048. De resultaten onthulden interessante informatie over wat elke indicator op tafel brengt. “De op PPN gebaseerde zoekopdracht bood een middel om de kwaliteit van de beschikbare informatie in het spel te bepalen en leek op dezelfde manier te werken als de menselijke intuïtie. Daarentegen bood de op SCN gebaseerde zoekfunctie een platform om de ervaring van de speler te begrijpen en hoe zij risico's beheren bij het nemen van beslissingen”, legt prof. Iida uit.
Bovendien was de op SCN gebaseerde zoekbenadering gekoppeld aan een ander theoretisch raamwerk dat in het laboratorium van Iida is ontwikkeld: het concept van beweging in gedachten. Deze benadering analyseert verschillende objectieve en subjectieve aspecten van de spelervaring op een wiskundige manier door analogieën te trekken met bewegingsgerelateerde concepten uit de natuurkunde, zoals die in de klassieke mechanica. Door de SCN te vergelijken met deze analogieën van beweging in games, ontdekten de onderzoekers dat de onderliggende berekeningen direct verband houden met de oscillaties (van verliezende naar winnende posities) die optreden in zowel competitieve spellen voor één speler als voor twee spelers.
Beide zoekbenaderingen die in dit onderzoek zijn geanalyseerd, hebben toepassingen binnen en buiten het domein van games. PPN kan bijvoorbeeld worden gebruikt om waardevolle bronnen en tijd te besparen tijdens intensieve computertaken, zoals optimalisatieproblemen, planning, planning en simulaties. Ondertussen is de SCN nuttig in contexten waar beslissingen met een hoge inzet moeten worden genomen of wanneer planning op lange termijn noodzakelijk is, omdat het de mogelijkheid biedt om waarden te optimaliseren en risico's te minimaliseren. “Zowel PPN als SCN kunnen cruciale onderdelen zijn voor onderzoek op het gebied van kunstmatige intelligentie, inclusief evolutionaire berekeningen en high-performance computing,” merkt prof. Iida op, “Bovendien bieden ze allebei springplanken voor het meten van entertainment vanuit een informatiewetenschappelijk oogpunt.”
Verder multidisciplinair onderzoek zal ons helpen meer verbanden te vinden tussen amusement, informatiewetenschap en de menselijke geest. Hopelijk zullen we op de lange termijn in staat zijn om games op maat te maken vanuit een meer subjectief en zelfs doelgericht perspectief, ons plezier te maximaliseren en tegelijkertijd nuttig te zijn op vele andere manieren.