BOARD GAMES (بازی‌های رومیزی) مدت‌هاست که محققان هوش مصنوعی (AI) را مجذوب خود کرده‌اند. آنها دارای قوانین مشخص، زمین‌های بازی تعریف‌شده و برنده‌ها و بازنده‌های عینی هستند. این ویژگی‌ها آنها را به "جعبه‌بازی"های عالی برای آموزش نرم‌افزارهای هوش مصنوعی تبدیل می‌کند. با این حال، گاهی اوقات قوانین آنها حاوی اشکالاتی است. طرفداران بازی Go با مبارزات ko آشنا هستند—موقعیت‌هایی که در آن مجموعه قوانین اساسی اجازه می‌دهد یک بازی برای همیشه ادامه یابد، و برای آن یک استثنا باید ایجاد شود. اجتناب از مشکلات مشابه در بازی‌های تازه اختراع شده چیزی است که هوش مصنوعی می‌تواند به آن کمک کند.
حداقل، این تجربه آلن والات، طراح بازی رومیزی از لندن است. آخرین محصول او Sirius Smugglers است که در آن بازرگانان بین ستاره‌ای تلاش می‌کنند سود غیرقانونی کسب کنند. در روزهای قدیم، بررسی قوانین آن شامل آزمایش‌های زیادی توسط بازیکنان انسانی بود، که احتمالاً می‌خواستند دستمزد دریافت کنند—شاید با آبجو، اگر نه با پول نقد.
در عوض، او ایده خود را به Tabletop R&D، یک استارت‌آپ هوش مصنوعی، برد، جایی که یک الگوریتم بازی به او اجازه داد هزاران بار در چشم به هم زدن بازی کند. سپس او توانست نتایج را برای یافتن ناهنجاری‌ها، تعصبات آماری و هر ویژگی که کم یا بیش از حد استفاده شده بود، اسکن کند.
در اینجا بود که او به یک مشکل پی برد. یک ناهنجاری در قوانین به این معنی بود که تصمیم برای پایان دادن به بازی می‌تواند بر عهده بازیکنان بازنده باشد. هر کسی که جلوتر بود، و بنابراین بیشترین انگیزه را برای به پایان رساندن امور داشت، گاهی اوقات به تنهایی قادر به تحریک شرایطی نبود که بازی را تمام کند. بنابراین، مانند Go بدون استثنای مبارزه ko، Sirius Smugglers می‌توانست برای همیشه ادامه یابد.
ذهن‌های پشت Tabletop، دیگو پرز-لیبانا و رالوکا گاینا، دانشمندان کامپیوتر در Queen Mary، کالجی از دانشگاه لندن هستند، که می‌خواستند یک پلتفرم هوش مصنوعی بازی‌های عمومی را به صورت ارزان بسازند. رویکردی که مدل‌های هوش مصنوعی را ساخت که می‌توانستند Go را به اندازه‌ای خوب بازی کنند که قهرمانان جهان را شکست دهند، شامل یک سیستم بود که بارها و بارها خودش بازی می‌کرد و از پیروزی‌ها و شکست‌هایش یاد می‌گرفت تا اینکه به پتانسیل فوق بشری رسید.
اما این نیاز به زمان محاسباتی زیادی دارد. در عوض، آنها تصمیم گرفتند از یک رویکرد کم‌مصرف‌تر به نام جستجوی درخت مونت کارلو استفاده کنند تا به موقعیت‌های احتمالی آینده نگاه کنند و بازی مناسب را از میان آنها انتخاب کنند. دکتر پرز-لیبانا می‌گوید این به عنوان یک تمرین آکادمیک در نظر گرفته شده بود، اما با انجام آن متوجه شدند که به طور تصادفی ابزاری را توسعه داده‌اند که به خودی خود به عنوان یک کمک برای طراحان بازی که به دنبال تکمیل آثار خود هستند، ارزش دارد.
کلاه‌های تفکر روشن
برای این اتفاق، هوش مصنوعی باید یاد بگیرد که مانند یک انسان بازی کند. مگر اینکه خلاف آن گفته شود، هوش مصنوعی تمایل دارد که بدون دیدگاه استراتژیک و تنها با هدف پیروزی به دنبال پیروزی باشد، مانند یک بازیکن شطرنج که از فدا کردن مهره‌ها برای یک موقعیت بلندمدت قوی‌تر خودداری می‌کند. این آموزش می‌تواند ظریف باشد. در بازی‌هایی که به بازیکنان اطلاعاتی اختصاص داده می‌شود که از حریفانشان پنهان است (به عنوان مثال، در بازی‌های کارتی مانند بریج یا پوکر، جایی که دیگران نمی‌توانند دست بازیکن را ببینند)، طراحان باید تصمیم بگیرند که آیا به هوش مصنوعی توانایی حفظ بازی تا کنون و شمارش کامل بسته را بدهند، یا اینکه به شکلی نامرتب‌تر—و شبیه‌تر به انسان—عمل کند.
دادن زمان بیشتر به هوش مصنوعی برای فکر کردن، و بنابراین برنامه‌ریزی برای طیف وسیع‌تری از نتایج، معادل تنظیم مهارتی است که با آن بازی می‌کند. برای شبیه‌سازی مبتدیان، می‌توان آن را طوری تنظیم کرد که انگار غریزی عمل می‌کند، بعد از کمتر از یک دهم ثانیه. برای تقلید از شایستگی، به آن اجازه داده می‌شود که تا پنج ثانیه در هر حرکت فکر کند، و بنابراین قادر است چندین حرکت را از قبل برنامه‌ریزی کند.
دکتر گاینا در مورد مدل‌های حاصل می‌گوید: «وقتی خوب هستند، خوب هستند.» او اعتراف می‌کند که با آزمایش این رویکرد با یک نسخه از Terraforming Mars، یک عنوان استراتژی سنگین معروف، متوجه شده است که این سیستم بیش از آنکه بتواند او را شکست دهد، توانمند است.
یک اجرای بازی داده‌های دقیق کافی را در اختیار طراحان قرار می‌دهد تا پارامترهایی را که به آنها اهمیت می‌دهند، تغییر دهند، از اطمینان از منصفانه بودن روند تا جلوگیری از دوره‌های طولانی گیم‌پلی خسته‌کننده. حداقل، این برنامه است. آقای والات اولین مشتری Tabletop است. ممکن است به زودی افراد بیشتری وسوسه شوند. دکتر گاینا می‌گوید: «اندازه‌گیری سرگرم‌کننده دشوار است، اما چیزهایی که یک بازی را بد می‌کنند، از جمله بی‌پایان بودن، آسان‌تر قابل تشخیص هستند.» ¦
آیا در مورد جهان کنجکاو هستید؟ برای لذت بردن از پوشش علمی گسترده ما، در Simply Science، خبرنامه هفتگی فقط برای مشترکین ما، ثبت نام کنید.