Машинное обучение и изучение древних игр

+7 926 604 54 63 address
 С помощью исследований древних игр могут быть созданы новые.
С помощью исследований древних игр могут быть созданы новые.

В 1238 году средневековый правитель Альфонсо X Кастильский (Alfonso X de Castilla) опубликовал книгу под названием Libro de los Juegos, или «Книга игр». Она состояла из 97 пергаментных страниц, содержала красивые цветные иллюстрации различных игр, включая шахматы, кости и нарды.

Альфонсо классифицировал игры по трём категориям: игры верхом на лошадях, игры пешие (фехтование и борьба) и игры сидя. Третью категорию он разделил далее на игры, основанные на мышлении, азартные игры и сочетающие эти два фактора.

Проводя различия, Альфонсо неофициально основал такую научную область как людология — исследования игр, вызывающую интерес у математиков, учёных, работающих в области информационных технологий, социологов и других.

Но есть одна забытая область людологии — это изучение древних игр, например, таких, в которые играли Альфонсо и другие исторические деятели. Эта область так и не переросла в самостоятельную дисциплину.

Ситуация, похоже, вскоре изменится благодаря работе Камерон Браун (Cameron Browne) и её коллег из Маастрихтского университета (нидерл. Universiteit Maastricht). Они — первопроходцы в области археологии, ориентированной на игры. Их цель — лучше понять древние игры и роль последних в человеческом обществе, восстановить правила и определить, как они вписываются в эволюционное древо игр, в которые мы играем сегодня. Они называют эту дисциплину археолюдологией.

У исследователей амбициозные планы по зарождающейся науке. Они говорят, что инновационные технологии машинного распознавания, искусственного интеллекта и глубинного анализа данных открывают совершенно новые возможности для изучения древних игр и углубления понимания того, как они развивались.

Первой задачей археолюдологии станет определение деятельности, представляющей для неё интерес. Браун и её команда заинтересованы в традиционных стратегических играх, где для победы нужны правильные решения, а также в играх, поощряющих умственное, а не физическое мастерство. Их особенно интересуют игры, имеющие историческую культурную значимость.

Тем не менее, они не исключают полностью игр, ориентированных исключительно на удачу. Хорошим примером может служить семейство игр, связанных со змеями и лестницами. Хотя они основаны на чистой случайности, исследователи говорят, что подобная игра важна с культурной точки зрения и может пролить свет на развитие стратегических игр.

Исследователи моделируют игры как математические объекты, поддающиеся вычислительному изучению. Это основано на идее, что игры состоят из единиц информации, названных людемами (ludemes). Таковы, например, бросок костей или Г-образный ход конём в шахматах.

Людемы эквивалентны генам у живых существ или мемам как элементам культурного наследия. Их можно передавать из одной игры в другую, в противном случае они умрут и больше никогда не появятся вновь. Главное, что они могут быть объединены в более крупные системы, формирующие собственно игры.

Процесс моделирования направлен на то, чтобы охватить формы, в которых сочетаются людемы. Например, подход учёных заключается в том, чтобы создать «дерево» людем для каждой игры, изучаемой ими. Это позволит объективно описывать и сравнивать разные игровые процессы.

Это должно стать шагом вперёд. Существенной проблемой для тех, кто изучает древние игры, является то, что правила игры не всегда известны или понятны. Это может привести к странному ходу игры. Хороший пример — скандинавская игра хнефатафл. На протяжении многих лет «определяющим» правилом для хнефатафла был дисбаланс в пользу «стороны короля» из-за ошибки перевода. Когда ошибка была замечена и исправлена, игра стала гораздо более симметричной.

Подобная асимметрия в игровом балансе — сигнал о том, что в современном понимании игры что-то не так. Группа исследователей предлагает проверить фактические данные на предмет ошибок перевода и других проблем. Правда, не исключено, что игра и на самом деле могла происходить асимметрично.

Этот подход может также привести к возникновению других проблем. Например, игры менее правдоподобны, когда затягиваются при очевидном результате, или когда слишком часто заканчиваются вничью, или, может, слишком длинные или слишком короткие. Любые игры, попадающие в эти категории, проверяются особенно внимательно.

Другое преимущество подхода с людемами состоит в том, что он позволяет проследить эволюцию игр, подобно эволюции живых существ. А также можно объединить лучшие стороны одной игры с лучшими сторонами другой — и сформировать новую игру.

Процесс разделения игр на людемы эквивалентен секвенированию генов. Он позволяет по-разному изучать семейства игр и рассматривать связи между ними. Можно даже составить гипотетическое родовое древо, чтобы показать, как игры могли происходить друг от друга.

Конечно, вполне вероятно, что некоторые похожие правила или людемы могли развиваться независимо друг от друга. Выяснить, так ли это, тоже будет одной из задач, стоящих перед формирующейся дисциплиной.

Именно здесь технологии машинного обучения, анализа данных и искусственного интеллекта могут значительно помочь. Это также повышает вероятность использования эволюционных алгоритмов для создания новых игр.

Можно начать со случайно выбранных последовательностей людем, которые система будет тестировать на предмет играбельности. Большинство таких сочетаний сгинет в отработанном материале, но некоторые могут содержать интересные игровые возможности.

Эти выбранные успешные игры затем можно воспроизводить в новом поколении людемных последовательностей, а также изменять посредством точечных рекомбинаций. Лучшие из этого поколения будут отбираться для воспроизводства, и так далее. Типы игр, порождённые подобной системой, могут быть интересны.

Таким образом, это готовое к разработке месторождение. Новые области изучения не так уж редки, но всегда интересно наблюдать за их эволюцией.

.
Комментарии