في عالم الذكاء الاصطناعي، تتطلب برمجة وكلاء الألعاب القائمين على التعلم المعزز (Reinforcement Learning) القدرة على التكيف والتفوق في ألعاب الورق ذات المعلومات غير الكاملة. دون أدنى شك، قوة هؤلاء الوكلاء تعتمد بشكل كبير على جودة التدريب وخصائص الخصوم التي يتعاملون معها. بالتالي، أعدت دراسة جديدة لتحديد العوامل التي تجعل الوكلاء الخفيفين (Lightweight Agents) أكثر قوة في هذه الألعاب.

تتضمن الدراسة اعتماد قاعدة صارمة لوكيل خبرة في لعبة "جين رامي" (Gin Rummy) كمعيار مرجعي، حيث استطاع هذا الخبراء الفوز بنسبة تتراوح بين 70 إلى 99 بالمئة ضد الوكلاء المدربين.

ركز البحث على مجموعة من العوامل المهمة لتحسين أداء الوكلاء الخفيفين، مثل تحديثات نطاق الثقة (Trust Region Updates)، وتوجيه المكافآت بدقة، وتقديم تحديات أكثر صعوبة، بالإضافة إلى بدء التدريب من نقاط أفضل والحفاظ على أفضل نقاط التفتيش.

استعرض الباحثون نتائج ما يزيد عن مائة تجربة لتحديد التأثيرات الملموسة لهذه العوامل، حيث أدت تطبيقاتها المجتمعة إلى رفع معدل نجاح الوكلاء في مواجهة الخبراء من 30 بالمئة إلى 36 بالمئة. ومع ذلك، أثبتت بعض الاستراتيجيات الأخرى مثل تغيير المكافآت القريبة والبعيدة، والانغماس في حالات المعرفة المتعلمة، عدم جدواها في تحسين الأداء.

أضاف الباحثون أيضًا معايير قياسية مثل "اللعب الذاتي الوهمي العصبي" (Neural Fictitious Self-Play) و"البحث مونت كارلو في مجموعة المعلومات" (Information Set Monte Carlo Search) لتحليل النتائج، مؤكّدين قابلية تطبيق المنهج المستخدم في ألعاب أخرى مثل "لدوك هولدم" (Leduc Hold'em).

تتجلى النتيجة النهائية في تطوير وصفة خفيفة وغير مشروطة بألعاب معينة، تُدرب الوكلاء التنافسيين دون الحاجة للتدريب على الخبراء، الأمر الذي يتيح تسهيل تطبيقها على أي لعبة يمكن لنموذج صغير التعامل معها.

ما رأيكم في هذا البحث المثير؟ هل تعتقدون أن بإمكان هذه الاستراتيجيات الارتقاء بمستوى الذكاء الاصطناعي في الألعاب؟ شاركونا آراءكم في التعليقات.