Os humanos se beneficiam de jogos mais do que alguns podem imaginar. Os jogos podem ser uma abordagem descontraída para aprender ou aprimorar nossas habilidades de resolução de problemas e, ao mesmo tempo, aliviar o estresse. No entanto, o jogo geralmente envolve uma quantidade considerável de tomada de decisão, envolvendo considerações matemáticas e estatísticas que fazemos para decidir o que pensamos ser o melhor movimento. Assim, os jogos exibem muitas das impressionantes faculdades e trabalhos internos do cérebro humano, o que por sua vez os torna um ótimo ambiente de teste e playground para pesquisas em inteligência artificial (IA).
Um aspecto comum a muitos jogos é a tomada de decisões com base em informações incertas sobre os estados atuais e futuros do jogo. Jogadores experientes podem 'olhar para frente' a partir do estado atual do jogo e analisar o que pode acontecer várias voltas ou movimentos ao longo da linha, permitindo-lhes criar estratégias de acordo. Mais notavelmente, esse processo mental é semelhante ao que alguns algoritmos de pesquisa são projetados para fazer - não apenas para resolver jogos, mas também em tarefas gerais de computação em várias áreas de aplicação. Mas como estabelecemos uma conexão formal entre esses campos?
No Instituto Avançado de Ciência e Tecnologia do Japão Equipar (JAIST), o grupo de investigação do Professor Hiroyuki Iida está a desenvolver novas teorias para analisar e, em última análise, compreender as muitas facetas dos jogos e da jogabilidade, tanto de pontos de vista puramente objectivos como psicológicos. Na última pesquisa, os pesquisadores tentaram unir as noções de computação à experiência de jogar. Para fazer isso, eles propuseram dois indicadores para serem usados em algoritmos de árvore de busca – o número de prova baseado em probabilidade (PPN) e o número de conspiração único (SCN) – e os aplicaram a vários jogos baseados em turnos.
Esses indicadores de pesquisa são valores que os algoritmos da árvore de pesquisa calculam para 'avaliar' seu progresso em direção ao objetivo desejado. Ao jogar um jogo, por exemplo, um algoritmo de pesquisa baseado em IA usaria indicadores de pesquisa para analisar os estados futuros em potencial enquanto procura principalmente jogadas que de alguma forma maximizam as chances de vitória. Em última análise, os indicadores e algoritmos de pesquisa devem ser elaborados com cuidado para minimizar os recursos de computação usados; nem todas as jogadas possíveis devem ser consideradas em detalhes, mas apenas aquelas que têm probabilidade de vencer.
Os pesquisadores aplicaram esses dois indicadores em estruturas de árvore de pesquisa no contexto de jogos diferentes, incluindo Xadrez, Xadrez Chinês, Connect 4, Othello e 2048. Os resultados revelaram informações interessantes sobre o que cada indicador traz para a tabela. “A pesquisa baseada em PPN forneceu um meio para determinar a qualidade da informação disponível no jogo e parecia funcionar de forma semelhante à intuição humana. Ao contrário, a busca baseada em SCN forneceu uma plataforma para entender a experiência do jogador e como ele gerencia os riscos na hora de tomar decisões ”, explica o Prof. Iida.
Além disso, a abordagem de pesquisa baseada em SCN foi vinculada a outro arcabouço teórico desenvolvido no laboratório de Iida: o conceito de movimento em mente. Esta abordagem analisa vários aspectos objetivos e subjetivos da experiência de jogar de uma forma matemática, fazendo analogias com conceitos da física relacionados ao movimento, como os da mecânica clássica. Ao comparar o SCN com essas analogias de movimento em jogos, os pesquisadores descobriram que os cálculos subjacentes estão diretamente relacionados às oscilações (de perder a ganhar posições) que acontecem em jogos competitivos para um ou dois jogadores.
Ambas as abordagens de pesquisas analisadas neste estudo têm aplicações dentro e fora do domínio dos jogos. Por exemplo, o PPN pode ser usado para economizar tempo e recursos valiosos durante tarefas de computação intensas, como problemas de otimização, planejamento, programação e simulações. Enquanto isso, o SCN é útil em contextos onde decisões de alto risco devem ser tomadas ou quando o planejamento de longo prazo é necessário, pois permite otimizar valores e minimizar riscos. “Tanto o PPN quanto o SCN podem ser componentes cruciais para a pesquisa na área de inteligência artificial, incluindo cálculos evolutivos e computação de alto desempenho ”, comenta o Prof. Iida,“ Além disso, ambos fornecem trampolins para medir o entretenimento do ponto de vista da ciência da informação. ”
Outros estudos multidisciplinares nos ajudarão a encontrar mais ligações entre o entretenimento, a ciência da informação e a mente humana. Esperançosamente, no longo prazo, seremos capazes de adaptar os jogos de uma perspectiva mais subjetiva e até mesmo voltada para um propósito, maximizando nosso prazer e sendo úteis de muitas outras maneiras.