في عالم ألعاب الاستراتيجية الحقيقية (RTS)، تتطلب اللعبة من الوكلاء تنسيق التطوير الاقتصادي، الإنتاج، البناء، الدفاع عن الق bases، تنظيم الوحدات، وتوقيت الهجمات خلال المباريات الطويلة. كانت الدراسات السابقة قد استخدمت نماذج اللغات الضخمة (Large Language Models) لتحسين اتخاذ القرارات في ألعاب RTS، مما مكن الوكلاء من قراءة حالات اللعبة النصية وتوليد خطط عالية المستوى. ومع ذلك، فإن سرعة الاستدلال البطيئة يمكن أن تفوتهم أحداث تكتيكية حاسمة. علاوة على ذلك، تُظهر التعقيدات والتنوع التكتيكي في المباريات الكاملة للـ RTS أن الأنظمة الحالية تعتمد بشكل كبير على التعليمات المكتوبة يدويًا، مما يحد من قدرتها على التعلم المستمر من المباريات الماضية.

تُقدم STRATA كحل ثوري، حيث تعتمد نظامًا هيرارشيًا متوافقًا مع الأدوار للتعلم الذاتي عبر الألعاب. يخصص STRATA قرارات استراتيجية ولوجستية وتكتيكية إلى وكيل استراتيجي (SA) ووكيل لوجستي (LA) ووكيل تكتيكي (TA)، على التوالي. يقوم SA بتوليد توجيهات عالية المستوى بناءً على الحالة العامة للعبة وبطاقات الخبرة ذات الصلة، بينما يتولى LA وTA التعامل مع اللوجستيات والتنفيذ التكتيكي.

بعد كل مباراة، يستخلص وكيل المراجعة (RA) تجارب مرشحة من تتبع اللعبة، ويقوم بالتحقق منها وتنقيحها باستخدام الأدلة من المباريات اللاحقة، وينضغط الخبرات الاستراتيجية المدعومة عبر عدة ألعاب إلى بطاقات خبرة مختصرة لاسترجاعها من قبل SA.

لقد قمنا بتقييم STRATA من خلال تشكيل بطاقات الخبرة، والمقارنات الكاملة للمباريات قبل وبعد التعلم، وتعلم التجربة ضد خصوم الذكاء الاصطناعي بأنماط لعب مختلفة. تحت سيناريو ثابت، زادت نسبة الفوز الملاحظة عند استخدام بطاقات الخبرة المتعلمة من 30% إلى 100%. كما أن التعلم المتسلسل ضد خصوم الذكاء الاصطناعي بأنماط لعب مختلفة يُنتج أيضًا خبرات استراتيجية طويلة الأمد مميزة.

هل تعتقد أن STRATA قد يغير قواعد اللعبة في عالم ألعاب الاستراتيجية؟ شاركونا آرائكم في التعليقات!