💻 computer science

Nemobot Games: Crafting Strategic AI Gaming Agents for Interactive Learning with Large Language Models

Dit paper introduceert Nemobot, een interactief omgeving dat grote taalmodellen gebruikt om Shannon's taxonomie van spelende machines te operationaliseren en AI-agenten in staat stelt om door middel van crowdsourcing en menselijke creativiteit hun eigen spelstrategieën iteratief te verfijnen en te programmeren.

Oorspronkelijke auteurs: Chee Wei Tan, Yuchen Wang, Shangxin Guo

Gepubliceerd 2026-04-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Chee Wei Tan, Yuchen Wang, Shangxin Guo

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een videospelletje speelt, maar in plaats van dat de computer alleen maar reageert op wat jij doet, leert de computer van jou, van anderen en van zichzelf, terwijl je speelt. Dat is het idee achter dit onderzoek over Nemobot.

Hier is een uitleg in gewone taal, met een paar leuke vergelijkingen:

1. Het Grote Doel: Een Computer die Zelf Schrijft

De schrijvers van dit artikel kijken terug naar een oude vraag van een computerpionier (Claude Shannon): "Kan een computer ooit 99% van de instructies zelf bedenken, in plaats dat wij ze allemaal voor hem schrijven?"

Vroeger waren computers als een receptboek: je gaf ze een recept (code) en ze maakten precies die taart. Als je een nieuwe taart wilde, moest je een heel nieuw recept schrijven.
Vandaag hebben we Grote Taalmodellen (LLMs) (zoals de slimme chatbots die je misschien kent). Die zijn meer als een kookmeester die alles al eens heeft geproefd. Je kunt tegen ze zeggen: "Maak eens iets lekkers met aardbeien," en ze bedenken het zelf.

Nemobot is de keuken waar je die kookmeester kunt trainen. Het is een platform waar mensen samenwerken om slimme spelletjes-bots te bouwen die niet alleen spelen, maar ook leren hoe ze beter kunnen spelen.

2. De Vier Manieren om te Spelen (De "Schijfjes" van Shannon)

Het artikel deelt spelcomputers in vier categorieën in, en Nemobot helpt je om voor elk type een slimme bot te maken:

Type 1: Het Woordenboek (De Uitgelezen Boekhouder)
- Vroeger: Een computer die elk mogelijk spelbord uit zijn hoofd leerde en in een enorm woordenboek zette. Voor een simpel spelletje als 'Drie op een rij' (Tic-Tac-Toe) is dat makkelijk, maar voor complexe spellen is dat een onmogelijke berg papier.
- Met Nemobot: De AI is als een supergeheugen. In plaats van een heel woordenboek te lezen, "weet" de AI de regels en patronen. Als jij een zet doet, denkt de AI: "Ah, dit lijkt op een situatie die ik al eens heb gezien," en kiest de beste zet zonder alles uit te rekenen. Het is alsof je een speler hebt die alle boeken uit de bibliotheek in één seconde heeft gelezen.
Type 2: De Wiskundige (De Rekenmeester)
- Vroeger: Spellen zoals 'Nim' (een spel met stapels steentjes) zijn puur wiskunde. Er is altijd één perfecte zet.
- Met Nemobot: De AI is hier als een vriendelijke leraar. Hij doet niet alleen de perfecte zet, maar hij legt ook uit waarom in gewone taal. "Ik haal 3 steentjes weg omdat dat de som van de stapels evenwichtig maakt." Hij helpt jou dus om de wiskunde te begrijpen terwijl je speelt.
Type 3: De Strateg (De Scharrelaar)
- Vroeger: Spellen als schaken of Mancala zijn te complex voor puur wiskunde. Je moet schatten en plannen maken.
- Met Nemobot: De AI is hier als een coach die kijkt naar duizenden eerdere wedstrijden. Hij combineert slimme algoritmes (rekenregels) met wat echte mensen hebben gedaan. Hij zegt: "In deze situatie hebben slimme spelers vaak dit gedaan, dus dat probeer ik ook."
Type 4: De Leerling (De Oefenaar)
- Vroeger: Een computer die leert door fouten te maken (probeer-en-fout).
- Met Nemobot: Dit is het hoogste niveau. De AI is als een sporter die traint. Hij speelt duizenden keren tegen mensen of tegen zichzelf. Als hij verliest, zegt hij: "Oeps, dat was een slechte zet, ik doe het de volgende keer anders." Door deze feedback (van mensen en zichzelf) wordt hij steeds beter.

3. Hoe Werkt Nemobot? (De "Crowdsourcing" Vergelijking)

Stel je voor dat je een nieuwe taal wilt leren. Je kunt 10 jaar alleen in een kamer zitten, of je kunt met duizenden mensen praten die je helpen.
Nemobot gebruikt crowdsourcing (menigte-wijsheid).

Het Proces: Studenten en ontwikkelaars bouwen spelletjes in Nemobot. Ze spelen tegen de AI.
De Feedback: Als de AI een rare zet doet, zeggen de mensen: "Nee, dat is dom!" of "Probeer dit eens."
Het Resultaat: Alle deze kleine tips worden samengevoegd. De AI leert van iedereen. Het is alsof je een team van duizenden trainers hebt die samen één super-speler opleiden.

4. Waarom is dit belangrijk?

Vroeger moest je een programmeur zijn om een slimme game-bot te maken. Je moest complexe code schrijven.
Met Nemobot is het als LEGO bouwen.

Je kunt met gewone taal (Nederlands of Engels) zeggen: "Maak een bot die slim speelt in Mancala."
De AI helpt je de code te schrijven.
Je kunt de bot testen, zien hoe hij speelt, en zeggen: "Hé, hij is te makkelijk, maak hem slimmer."
De AI past zichzelf aan.

Samenvatting

Nemobot is een speelplaats voor slimme computers. Het laat zien hoe we computers niet langer als statische robots hoeven te behandelen, maar als leerlingen die kunnen groeien. Door te spelen, te praten en te leren van duizenden mensen, kunnen deze AI's zichzelf "herprogrammeren" om steeds slimmer te worden.

Het is een stap in de richting van een toekomst waarin computers niet alleen onze opdrachten uitvoeren, maar meedenken en meeleven in onze creatieve projecten.

Probleemstelling

De kern van dit paper ligt in de kloof tussen de visionaire ideeën van Claude Shannon over "zelfprogrammerende" computers en de huidige realiteit van Large Language Models (LLM's) in spelletjes.

De uitdaging: Hoewel LLM's games kunnen spelen op basis van prompts, is hun gedrag vaak niet-deterministisch, moeilijk te debuggen en niet systematisch verbeterbaar. Bestaande benaderingen missen een gestructureerde programmeerparadigma die LLM-capaciteiten integreert in een reproduceerbaar, educatief en uitbreidbaar kader.
Het doel: Er is behoefte aan een omgeving waar LLM-functies worden behandeld als modulaire, inspecteerbare componenten (vergelijkbaar met subroutines) waarmee gebruikers strategieën kunnen ontwerpen, testen en verfijnen. Dit moet Shannon's taxonomie van spelende machines (woordenboeken, wiskundige formules, heuristieken, leren) uitbreiden met moderne LLM-technologie.

Methodologie: Het Nemobot Framework

Het paper introduceert Nemobot, een interactief agentic-engineering-omgeving die LLM's gebruikt om spelagenten te creëren en te trainen. De methodologie rust op drie pijlers:

Integratie van Shannon's Taxonomie met LLM's:
Het systeem classificeert spelagenten in vier categorieën, waarbij LLM's elke categorie verrijken:
- Woordenboek-type machines: In plaats van een enorme database van alle speltoestanden, comprimeert de LLM de state-action mapping naar een gegeneraliseerd model. Dit elimineert de noodzaak voor exhaustieve opslag en maakt aanpassing aan onbekende posities mogelijk.
- Machines met wiskundige formules: Voor oplosbare spellen (zoals Nim) fungeert de LLM als een interactieve copiloot die de wiskundige redenering (bijv. Nim-sum) in natuurlijke taal uitlegt en code genereert voor optimale strategieën.
- Heuristische machines: Voor complexe spellen (zoals Mancala) combineert de LLM klassieke algoritmen (zoals Minimax) met crowdsourced data en chain-of-thought redenering om strategieën te synthetiseren.
- Leermachines: De LLM gebruikt versterkingslering (RL) met menselijke feedback en zelf-critiek. Het systeem gebruikt Michie's "Boxes"-algoritme (een stochastisch trial-and-error systeem) om strategieën iteratief te verfijnen.
Programmeerbare Prompt Engineering & Crowdsourcing:
- LLM-functies: Gebruikers definiëren logica via natuurlijke taal of pseudocode. De LLM vertaalt dit naar uitvoerbare code of strategieën.
- Crowdsourcing: Het systeem verzamelt data van menselijke spelers en AI-interacties. Deze data wordt gebruikt om prompts te verfijnen en strategieën te optimaliseren, creërend een zelfversterkende cyclus van verbetering.
- Neuralized Memoization: Het paper conceptualiseert LLM's als een vorm van "neuralized memoization", waarbij eerder berekende resultaten en strategieën worden opgeslagen en hergebruikt via semantische of procedurele caching, in plaats van alleen exacte input matching.
Systeemarchitectuur:
- Modulair ontwerp: Het systeem is model-onafhankelijk (BYOK - Bring Your Own Key), waardoor gebruikers verschillende LLM's (bijv. GPT-4) kunnen koppelen.
- Drie lagen:
  1. Code Pad: Voor het programmeren van spellogica en heuristieken.
  2. Chat Playground: Voor interactie met de AI-agent en datageneratie.
  3. Analysis Portal: Voor het visualiseren van prestaties en het verfijnen van heuristieken.
- Workflow: Gebruikers starten met een initiële heuristiek ( $H_0$ ), testen deze in het spel, verzamelen beloningen ( $R$ ), en updaten de heuristiek ( $H_k$ ) iteratief totdat een prestatiedrempel wordt bereikt.

Belangrijkste Bijdragen

Nemobot Games Framework: Een nieuw paradigma voor AI-spelprogrammering dat Shannon's klassieke theorieën integreert met LLM's. Het stelt gebruikers in staat om agenten te bouwen die interactief leren en strategieën aanpassen.
Systematische Collaboratieve Prompt Engineering: Een methode om crowdsourcing te gebruiken voor het verfijnen van prompts en strategieën. Dit democratiseert AI-ontwikkeling en maakt creatieve samenwerking tussen mensen en AI mogelijk.
Educatieve Validatie: Het framework is succesvol getest in onderwijsomgevingen (onderwijsinstellingen in Singapore, Hong Kong en Princeton). Het bewijst dat studenten via gamification fundamentele AI-concepten (zoals heuristieken, versterkingslering en state-mapping) effectief kunnen leren.

Resultaten

Toepassing in diverse spellen: Het systeem is succesvol geïmplementeerd voor spellen zoals Tic-Tac-Toe (woordenboek), Nim (wiskundig), Mancala (heuristisch) en leergerichte RPG's.
Efficiëntie en Schaalbaarheid: Door LLM's te gebruiken voor state-compressie en strategie-generatie, wordt de rekenlast en het geheugengebruik aanzienlijk verminderd ten opzichte van traditionele methoden die exhaustieve zoekbomen vereisen.
Leercurve: In de evaluaties (251 studenten in HK, 80+ in Singapore) bleek dat studenten binnen 10 weken complexe strategische spellen konden programmeren en AI-agenten konden trainen die zich aanpasten aan menselijk spelgedrag.
Data-gedreven verbetering: De leaderboard voor Mancala toonde aan dat het combineren van klassieke Minimax-algoritmen met crowdsourced menselijke data de adaptiviteit van de AI-agent verbeterde.

Betekenis en Toekomstperspectief

Dit paper is significant omdat het een brug slaat tussen theoretische AI (Shannon's taxonomie) en praktische, moderne toepassing (LLM's).

Zelfprogrammerende AI: Het realiseert een stap in de richting van Shannon's visie van computers die hun eigen instructies schrijven, waarbij de mens de architect is en de AI de uitvoerder en verfijner.
Educatieve Revolutie: Het biedt een toegankelijke manier om complexe AI-concepten (zoals versterkingslering en wereldmodellen) te onderwijzen zonder dat diepgaande programmeerkennis vereist is.
Toekomstige Richtingen: Het paper identificeert uitdagingen zoals het balanceren van generalisatie en specialisatie, het schalen van menselijke feedback, en ethische overwegingen bij het creëren van eerlijke tegenstanders. Het suggereert ook dat de methodologie kan worden uitgebreid naar andere domeinen zoals kennis-tracing en adaptief leren.

Kortom, Nemobot transformeert spelletjes van statische testbedden naar dynamische, leerrijke omgevingen waar AI-agenten zichzelf kunnen programmeren en verbeteren door interactie met mensen en data.