Only the Tens Count, but Trumps Decide: Formalising and Benchmarking Dahal Jeet, a Nepali Variant of Mendikot
Questo articolo definisce formalmente il gioco di carte nepalese precedentemente non documentato Dahal Jeet e presenta un benchmark computazionale completo che dimostra come gli agenti basati sulla ricerca superino i metodi di apprendimento, rivelando al contempo che la lunghezza degli atout è un predittore della vittoria più forte rispetto alle carte punto e che controllare la varianza del mazzo è essenziale per misurare accuratamente le differenze di prestazione tra umani e agenti.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel mondo dell'intelligenza artificiale, i ricercatori spesso testano le loro creazioni mettendole l'una contro l'altra in giochi. Questi giochi fungono da laboratori dove gli scienziati possono osservare quanto bene un programma per computer impari, pianifichi e si adatti all'incertezza. Alcuni giochi, come gli scacchi, sono giocati con informazione perfetta, il che significa che ogni pezzo sulla scacchiera è visibile a entrambi i lati. Altri, come il poker o il bridge, sono giochi a informazione imperfetta, dove i giocatori devono prendere decisioni senza conoscere l'intera mano degli avversari. Per decenni, l'approccio standard per padroneggiare questi giochi a informazione nascosta è stato quello di insegnare ai computer attraverso tentativi ed errori, un metodo noto come apprendimento per rinforzo. La speranza è stata che, giocando milioni di mani, un agente artificiale avrebbe infine scoperto strategie capaci di superare l'intuizione umana. Tuttavia, l'assunto che l'apprendimento sia sempre la strada migliore è messo in discussione da una nuova linea di ricerca che si chiede se un tipo diverso di pensiero — pianificare in anticipo basandosi su ciò che è noto — possa essere più efficace in certe situazioni specifiche.
Questa domanda occupa il centro della scena in uno studio su un gioco di carte chiamato Dahal Jeet, giocato quotidianamente nella regione di Terai-Madhesh, in Nepal. Il gioco è una variante di una famiglia nota come Court Piece, giocata da quattro persone in due partnership fisse. Le regole sono semplici ma creano un panorama strategico unico: i giocatori distribuiscono tredici carte ciascuno e un seme di briscola viene determinato da un sorteggio casuale dalla mano di un giocatore. L'obiettivo è vincere dei trick, ma i punti vengono assegnati in un modo molto specifico. Solo i quattro dieci nel mazzo contano per il punteggio. Una squadra vince la mano se cattura tre o più dieci. Se i dieci sono divisi equamente, con due per parte, il vincitore è deciso da chi ha catturato più trick. Questo crea una situazione in cui le carte più importanti sono poche e rare, e l'esito dipende spesso da una singola condizione di pareggio piuttosto che da un accumulo costante di punti.
Prima che questa ricerca iniziasse, il gioco esisteva solo nella tradizione orale dei villaggi in cui veniva praticato. Non c'era un libro di regole scritto, non c'era una versione digitale e non c'era un'analisi scientifica del suo funzionamento. Il primo passo per i ricercatori è stato documentare formalmente il gioco. Hanno trascorso anni osservando i giocatori in sette distretti, registrando le regole così come venivano effettivamente giocate e creando una versione digitale precisa del gioco. Ciò ha permesso loro di costruire un motore per computer che potesse giocare esattamente come gli umani, servendo da base per testare diverse strategie di intelligenza artificiale.
I ricercatori si sono poi posti l'obiettivo di vedere quale tipo di intelligenza artificiale potesse giocare meglio a Dahal Jeet. Hanno costruito ventisei agenti informatici differenti, che spaziavano da programmi semplici che seguivano regole basilari a sistemi complessi che utilizzavano l'apprendimento automatico per migliorare nel tempo. Hanno incluso anche agenti che utilizzavano una tecnica chiamata ricerca determinizzata. Questo metodo consiste nell'immaginare molte versioni possibili delle carte nascoste, pianificare la mossa migliore per ogni versione e poi scegliere la mossa che funziona meglio in media. Il team ha messo ogni agente contro ogni altro agente in migliaia di partite, utilizzando un rigoroso metodo statistico per garantire che i risultati non fossero solo un colpo di fortuna.
I risultati sono stati sorprendenti. Gli agenti più di successo non erano quelli che imparavano attraverso tentativi ed errori. Invece, i migliori performer erano quelli che utilizzavano la ricerca e la pianificazione. L'agente più forte, che utilizzava un tipo specifico di algoritmo di ricerca, ha raggiunto un rating che lo collocava ben al di sopra di tutti i sistemi basati sull'apprendimento. In effetti, nessuno degli agenti di apprendimento, indipendentemente da come fossero stati addestrati o da quali ricompense avessero ricevuto, è riuscito a battere un insieme di regole scritte a mano accuratamente calibrate. Lo studio ha dimostito che in questo particolare gioco, la capacità di guardare avanti e calcolare le possibilità era molto più potente della capacità di imparare dall'esperienza.
Una delle scoperte più intriganti riguardava il modo in cui il computer "vedeva" il gioco. I ricercatori si aspettavano che dare agli agenti di apprendimento maggiori informazioni — come sapere quali carte erano già state giocate o quali semi mancavano — aiuterebbe a vincere. Invece, hanno scoperto che gli agenti performavano meglio quando ricevevano meno informazioni. Una versione semplificata dello stato del gioco, che eliminava molti dettagli, portava in realtà a un tasso di vittoria più alto rispetto a una descrizione ricca e dettagliata. Ciò suggerisce che per questo specifico gioco, troppi dati possono confondere un sistema di apprendimento, mentre una visione più semplice permette di concentrarsi su ciò che conta davvero.
Lo studio ha anche esaminato quanto dell'esito del gioco fosse dovuto all'abilità rispetto alla fortuna. Analizzando migliaia di mani, i ricercatori hanno scoperto che le carte distribuite spiegavano quasi il quaranta per cento della differenza tra chi vinceva. Questo alto livello di casualità significava che confrontare semplicemente i tassi di vittoria tra umani e computer poteva essere fuorviante. Per ottenere una vera misura dell'abilità, i ricercatori hanno sviluppato un nuovo metodo. Hanno preso le mani esatte giocate dai partecipanti umani e le hanno riprodotte con un agente informatico seduto al posto dell'umano. Ciò ha permesso di annullare la fortuna della distribuzione e di vedere come le decisioni umane si confrontassero con le decisioni del computer sulle stesse carte.
Quando hanno utilizzato questo metodo accoppiato, i risultati sono cambiati. Mentre il tasso di vittoria complessivo del computer contro gli umani sembrava un lancio di moneta, l'analisi accoppiata ha rivelato che il computer avrebbe vinto significativamente più mani se avesse giocato con le carte degli umani. Gli umani hanno perso circa nove mani in più ogni cento di quelle che il computer avrebbe vinto con le stesse distribuzioni. Questo ha dimostrato che il computer era effettivamente migliore, ma che il vantaggio era piccolo e facilmente nascosto dalla casualità della distribuzione delle carte.
La ricerca conclude che per i giochi in cui le carte che determinano il punteggio sono rare e l'obiettivo è complesso, pianificare in anticipo è una via più affidabile verso la maestria rispetto all'imparare dall'esperienza. Lo studio sottolinea anche l'importanza di come misuriamo il successo nei giochi di fortuna. Senza controllare la fortuna della distribuzione, potremmo mancare la vera differenza di abilità tra un essere umano e una macchina. Documentando un gioco tradizionale e applicando test scientifici rigorosi, i ricercatori non hanno solo creato un parametro di riferimento per l'intelligenza artificiale, ma hanno anche preservato un pezzo di patrimonio culturale, dimostrando che anche in un gioco giocato per divertimento, ci sono profonde lezioni su come pensiamo e su come impariamo.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.