Люди выигрывают от игр больше, чем некоторые могут себе представить. Игры могут быть расслабленным подходом к обучению или оттачиванию наших навыков решения проблем, одновременно снимая стресс. Тем не менее, игра, как правило, требует принятия значительного количества решений, включая математические и статистические соображения, которые мы принимаем, чтобы решить, какой ход мы считаем лучшим. Таким образом, игры демонстрируют многие впечатляющие способности и внутреннюю работу человеческого мозга, что, в свою очередь, делает их отличным испытательным полигоном и площадкой для исследований в области искусственного интеллекта (ИИ).
Одним из общих аспектов многих игр является принятие решений на основе неопределенной информации о текущих и потенциальных будущих состояниях игры. Опытные игроки могут «заглядывать вперед» из текущего состояния игры и анализировать, что может произойти через несколько ходов или ходов по линии, что позволяет им выработать соответствующую стратегию. В частности, этот мысленный процесс сродни тому, для чего предназначены некоторые алгоритмы поиска - не только для решения игр, но и для общих вычислительных задач в различных областях применения. Но как установить формальную связь между этими полями?
В Японском институте передовых наук и Технологии (JAIST), исследовательская группа профессора Хироюки Ииды разрабатывает новые теории для анализа и, в конечном итоге, понимания многих аспектов игр и игрового процесса как с чисто объективной, так и с психологической точек зрения. В последнем исследовании исследователи попытались соединить представления о компьютерах с опытом игры. Для этого они предложили использовать два индикатора в алгоритмах дерева поиска — число вероятностных доказательств (PPN) и число единого заговора (SCN) — и применили их к различным пошаговым играм.
Эти индикаторы поиска представляют собой значения, которые алгоритмы дерева поиска вычисляют, чтобы «оценить» их прогресс в достижении желаемой цели. Например, при игре в игру алгоритм поиска, основанный на ИИ, будет использовать индикаторы поиска для анализа потенциальных будущих состояний, в основном ища игры, которые каким-то образом увеличивают шансы на победу. В конечном счете, индикаторы поиска и алгоритмы должны разрабатываться с осторожностью, чтобы минимизировать используемые вычислительные ресурсы; не все возможные варианты нужно рассматривать подробно, а только те, которые могут выиграть.
Исследователи применили эти два индикатора в структуре дерева поиска в контексте различных игр, включая Chess, Chinese Chess, Connect 4, Othello и 2048. Результаты показали интересную информацию о том, что каждый индикатор приносит в таблицу. «Поиск на основе PPN предоставил средство для определения качества информации, доступной в игре, и, похоже, работал аналогично человеческой интуиции. И наоборот, поиск на основе SCN предоставил платформу для понимания опыта игроков и того, как они управляют рисками при принятии решений », - поясняет профессор Иида.
Кроме того, подход поиска на основе SCN был связан с другой теоретической основой, разработанной в лаборатории Ииды: концепцией движения в уме. Этот подход математически анализирует различные объективные и субъективные аспекты игрового процесса, проводя аналогии с физическими концепциями, связанными с движением, например, с концепциями классической механики. Сравнивая SCN с этими аналогиями движения в играх, исследователи обнаружили, что лежащие в основе вычисления напрямую связаны с колебаниями (от проигрышных к выигрышным позициям), которые происходят как в однопользовательских, так и в соревновательных играх для двух игроков.
Оба подхода к поиску, проанализированные в этом исследовании, находят применение как в играх, так и за их пределами. Например, PPN можно использовать для экономии ценных ресурсов и времени при выполнении интенсивных вычислительных задач, таких как задачи оптимизации, планирование, планирование и моделирование. Между тем, SCN полезен в контекстах, где необходимо принимать решения с высокими ставками или когда необходимо долгосрочное планирование, поскольку он позволяет оптимизировать ценности и минимизировать риски. «И PPN, и SCN могут быть важными компонентами для исследований в области искусственный интеллект, включая эволюционные вычисления и высокопроизводительные вычисления, - отмечает профессор Иида. - Более того, они оба служат ступеньками для измерения развлечений с точки зрения информатики ».
Дальнейшие междисциплинарные исследования помогут нам найти больше связей между развлечениями, информатикой и человеческим разумом. Надеюсь, что в долгосрочной перспективе мы сможем адаптировать игры с более субъективной и даже целенаправленной точки зрения, получая максимальное удовольствие, будучи полезными во многих других отношениях.