Only the Tens Count, but Trumps Decide: Formalising and Benchmarking Dahal Jeet, a Nepali Variant of Mendikot
تُعرّف هذه الورقة البحثية رسميًا لعبة الورق النيبالية "دال جيت" (Dahal Jeet) التي لم تكن موثقة سابقًا، وتقدم معيارًا حوسبيًا شاملاً يوضح تفوق الوكلاء القائمين على البحث على أساليب التعلم، بينما تكشف أن طول أوراق "الترومب" (الورقة الرابحة) يعد مؤشرًا أقوى للنصر من أوراق النقاط، وأن التحكم في تباين التوزيع أمر ضروري للقياس الدقيق للفروق في الأداء بين البشر والوكلاء.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم الذكاء الاصطناائي، غالباً ما يختبر الباحثون ابتكاراتهم عبر وضعها في مواجهة بعضها البعض في الألعاب. وتعمل هذه الألعاب كمختبرات حيث يمكن للعلماء رؤية مدى جودة قدرة برنامج الكمبيوتر على التعلم، والتخطيط، والتكيف مع عدم اليقين. بعض الألعاب، مثل الشطرنج، تُلعب بمعلومات كاملة، مما يعني أن كل قطعة على اللوحة مرئية لكلا الجانبين. أما ألعاب أخرى، مثل البوكر أو البريدج، فهي ألعاب معلومات ناقصة، حيث يتعين على اللاعبين اتخاذ قرارات دون معرفة اليد الكاملة لخصومهم. ولعقود من الزمن، كان النهج المعياري لإتقان هذه الألعاب ذات المعلومات المخفية هو تعليم الحواسيب من خلال التجربة والخطأ، وهي طريقة تُعرف باسم التعلم المعزز. وكان الأمل هو أنه من خلال لعب ملايين الأطراف، سيتمكن وكيل اصطناعي في النهاية من اكتشاف استراتيجيات تتفوق على الحدس البشري. ومع ذلك، فإن هذا الافتراض بأن التعلم هو دائماً المسار الأفضل يتم تحديه من قبل خط جديد من البحث الذي يتساءل عما إذا كان نوع مختلف من التفكير — وهو التخطيط المسبق بناءً على ما هو معروف — قد يكون أكثر فعالية في حالات معينة محددة.
هذا السؤال يحتل مكانة مركزية في دراسة لعبة بطاقات تسمى "دال جیت" (Dahal Jeet)، والتي تُلعب يومياً في منطقة تيراي-ماديس في نيبال. اللعبة هي نوع من عائلة تُعرف باسم "كورت بيس" (Court Piece)، وتُلعب بين أربعة أشخاص في شراكتين ثابتتين. القواعد بسيطة ولكنها تخلق مشهداً استراتيجياً فريداً: يوزع اللاعبون ثلاثة عشر ورقة لكل منهم، ويتم تحديد نوع "الترومب" (الورقة الرابحة) عبر سحب عشوائي من يد أحد اللاعبين. الهدف هو الفوز بـ "التركات" (الأكلات)، ولكن تُمنح النقاط بطريقة محددة للغاية. فقط العشرات الأربع الموجودة في المجموعة هي التي تحتسب في النتيجة. يفوز الفريق باليد إذا استولى على ثلاثة أو أكثر من العشرات. وإذا تقاسمت العشرات بالتساوي، بواقع اثنتين لكل جانب، يتم تحديد الفائز بناءً على من حصل على عدد أكبر من "التركات". وهذا يخلق وضعاً تكون فيه أهم الأوراق قليلة ومتباعدة، وغالباً ما تعتمد النتيجة على شرط كسر التعادل بدلاً من التراكم المستمر للنقاط.
قبل أن يبدأ هذا البحث، كانت اللعبة موجودة فقط ضمن التقليد الشفهي للقرى التي تُمارس فيها. لم يكن هناك كتاب قواعد مكتوب، ولا نسخة رقمية، ولا تحليل علمي لكيفية عملها. وكانت الخطوة الأولى للباحثين هي توثيق اللعبة رسمياً. فقد قضوا سنوات في مراقبة اللاعبين عبر سبع مناطق، وتسجيل القواعد كما تُمارس فعلياً، وإنشاء نسخة رقمية دقيقة للعبة. سمح لهم ذلك ببناء محرك كمبيوتر يمكنه لعب اللعبة تماماً كما يفعل البشر، ليكون بمثابة أساس لاختبار استراتيجيات مختلفة للذكاء الاصطناعي.
ثم شرع الباحثون في معرفة أي نوع من الذكاء الاصطناعي يمكنه لعب "دال جیت" بشكل أفضل. لقد بنوا ستة وعشرين وكيلاً حاسوبياً مختلفاً، تراوحت من البرامج البسيطة التي تتبع قواعد أساسية إلى الأنظمة المعقدة التي تستخدم التعلم الآلي للتحسن بمرور الوقت. كما تضمنت الوكلاء الذين يستخدمون تقنية تسمى "البحث المحدد" (determinized search). تعمل هذه الطريقة من خلال تخيل العديد من النسخ الممكنة للأوراق المخفية، والتخطيط لأفضل حركة لكل نسخة، ثم اختيار الحركة التي تعمل بشكل أفضل في المتوسط. وضع الفريق كل وكيل في مواجهة كل وكيل آخر في آلاف المباريات، باستخدام طريقة إحصائية صارمة لضمان أن النتائج لم تكن مجرد ضربة حظ.
كانت النتائج مفاجئة. لم تكن الوكلاء الأكثر نجاحاً هم أولئك الذين تعلموا من خلال التجربة والخطأ. بدلاً من ذلك، كانت الوكلاء الأفضل أداءً هي التي استخدمت البحث والتخطيط. الوكيل الأقوى، الذي استخدم خوارزمية بحث محددة، حقق تصنيفاً وضعه فوق جميع الأنظمة القائمة على التعلم بشكل كبير. في الواقع، لم يتمكن أي من وكلاء التعلم، بغض النظر عن كيفية تدريبهم أو المكافآت التي مُنحوا إياها، من هزيمة مجموعة مضبوطة بعناية من القواعد المكتوبة يدوياً. أظهرت الدراسة أنه في هذه اللعبة تحديداً، كانت القدرة على التطلع للأمام وحساب الاحتمالات أقوى بكثير من القدرة على التعلم من الخبرة.
أحد الاكتشافات الأكثر إثارة للاهتمام تعلق بكيفية "رؤية" الكمبيوتر للعبة. توقع الباحثون أن إعطاء وكلاء التعلم مزيداً من المعلومات — مثل معرفة الأوراق التي تم لعبها بالفعل أو الرموز المفقودة — سيساعدهم على الفوز. بدلاً من ذلك، وجدوا أن الوكلاء قدموا أداءً أفضل عندما تم منحهم معلومات أقل. نسخة مبسطة من حالة اللعبة، والتي جردت من العديد من التفاصيل، أدت في الواقع إلى معدل فوز أعلى من الوصف الغني والمفصل. وهذا يشير إلى أنه بالنسبة لهذه اللعبة المحددة، فإن الكثير من البيانات يمكن أن يربك نظام التعلم، بينما تسمح الرؤية الأبسط للوكيل بالتركيز على ما يهم حقاً.
بحثت الدراسة أيضاً في مدى تأثير مهارة اللاعب مقابل الحظ في نتيجة اللعبة. ومن خلال تحليل آلاف الأيدي، وجد الباحثون أن الأوراق التي وُزعت على اللاعب تفسر ما يقرب من أربعين بالمائة من الفرق في تحديد الفائز. هذا المستوى العالي من المصادفة جعل من عمليات مقارنة معدلات الفوز بين البشر والكمبيوتر أمراً قد يكون مضللاً. وللحصول على مقياس حقيقي للمهارة، طور الباحثون طريقة جديدة. لقد أخذوا الأيدي الدقيقة التي لعبها المشاركون البشريون وأعادوا لعبها مع وكيل حاسوبي يجلس في مقعد الإنسان. سمح هذا بإلغاء حظ التوزيع ورؤية كيف تقارن قرارات البشر بقرارات الكمبيوتر على نفس الأوراق.
وعند استخدام هذه الطريقة المقترنة، تغيرت النتائج. وبينما بدا معدل الفوز الإجمالي للكمبيوتر ضد البشر وكأنه رمي عملة معدنية، كشف التحليل المقترن أن الكمبيوتر كان سيفوز بعدد أكبر بكما من الأيدي لو كان يلعب أوراق البشر. خسر البشر حوالي تسع أيدي أكثر من كل مائة مما كان سيفعله الكمبيوتر في نفس التوزيعات. وقد أثبت هذا أن الكمبيوتر كان بالفعل أفضل، لكن الميزة كانت صغيرة وسهل إخفاؤها بواسطة عشوائية توزيع الأوراق.
تخلص الدراسة إلى أنه بالنسبة للألعاب التي تكون فيها أوراق التسجيل نادرة والهدف معقداً، فإن التخطيط المسبق هو مسار أكثر موثوقية للإتقان من التعلم من الخبرة. كما تسلط الدراسة الضوء على أهمية كيفية قياس النجاح في ألعاب الحظ. فبدون التحكم في حظ التوزيع، قد نفوت الفرق الحقيقي في المهارة بين الإنسان والآلة. ومن خلال توثيق لعبة تقليدية وتطبيق اختبارات علمية صارمة، لم يقم الباحثون فقط بإنشاء معيار للذكاء الاصطناعي، بل حافظوا أيضاً على جزء من التراث الثقافي، مظهرين أنه حتى في لعبة تُمارس من أجل المتعة، توجد دروس عميقة حول كيفية تفكيرنا وكيفية تعلمنا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.