Nuovo modello AI imita le mosse umane nel Xiangqi

Xiangqi, conosciuto anche come scacchi cinesi, è un gioco da tavolo molto popolare in Cina. Ha una lunga storia e coinvolge i giocatori in una simulazione di battaglia per mettere il re dell'avversario sotto scacco. Il gioco offre molte strategie e può essere piuttosto complesso. Con i progressi nell'intelligenza artificiale (AI), i ricercatori stanno sviluppando modi per creare programmi informatici che possano giocare ai giochi da tavolo meglio degli esseri umani. La maggior parte di questi programmi si concentra sulla vittoria, ma c'è anche un crescente interesse nel creare AI che giochino più come gli umani.

Questo articolo parla di un nuovo modello di AI chiamato Xiangqi Structurally Variable (XQSV). Questo modello punta a imitare il modo in cui i giocatori umani giocano a Xiangqi prevedendo le loro Mosse in base al loro comportamento. L'obiettivo di XQSV non è solo vincere le partite, ma farlo in un modo che sembri più umano.

#Motori di Giochi da Tavolo

L'AI ha fatto progressi significativi nei giochi da tavolo. Programmi come AlphaGo di DeepMind hanno dimostrato che l'AI può superare esperti umani. Questi programmi imparano le regole del gioco e si esercitano attraverso il gioco autonomo, migliorando le loro abilità nel tempo. Altri motori, come i motori di scacchi TDLEAF, si concentrano su diverse strategie di apprendimento, ma l'obiettivo rimane lo stesso: diventare migliori dei giocatori umani.

Tuttavia, molti programmi danno priorità alla vittoria e non si concentrano su come giocano gli esseri umani. Ad esempio, i motori tradizionali possono avere difficoltà a prevedere le mosse umane perché seguono regole rigide, mentre gli esseri umani possono essere più flessibili nel loro modo di pensare. Questo offre l'opportunità di costruire un'AI che imiti i comportamenti umani invece di semplicemente ottimizzare le strategie di vittoria.

#La Necessità di AI Simili agli Umani

Creare un'AI che gioca come un umano ha diversi vantaggi. Queste AI possono fornire esperienze più divertenti per i giocatori. Possono anche servire come allenatori, offrendo consigli strategici e aiutando i giocatori a migliorare le loro abilità. Inoltre, un motore simile a un umano può essere integrato nei sistemi AI esistenti per migliorare le loro valutazioni delle mosse.

La maggior parte dei metodi attuali per far comportare l'AI come gli umani coinvolge l'analisi di partite passate e la previsione di mosse potenziali. Un programma notevole, Maia, predice le mosse in base alle partite di scacchi umane e ha ottenuto una precisione migliore rispetto ad alcuni motori tradizionali. Tuttavia, la ricerca di un'AI di gioco simile a un umano in Xiangqi non è stata studiata in modo approfondito.

#Xiangqi e la sua Complessità

Xiangqi ha una storia ricca e offre un ambiente impegnativo per la ricerca sull'AI. Il gioco comporta strategie complicate e numerose mosse potenziali, rendendolo un'ottima piattaforma per studiare i processi decisionali. La maggior parte dei motori Xiangqi esistenti utilizza tecniche di gioco autonomo e ricerca dell'albero di gioco per imparare, ma non si concentra sull'imitare i comportamenti umani.

Il nuovo modello XQSV colma questa lacuna. Punta a stabilire uno standard per la ricerca futura su un'AI che possa replicare il modo in cui gli umani giocano a Xiangqi.

#XQSV - Il Modello

XQSV adotta un approccio unico per prevedere le mosse umane in Xiangqi. Il modello utilizza una struttura specifica che può cambiare in base ai livelli di abilità dei giocatori che incontra. Questo gli consente di adattarsi a diverse capacità dei giocatori, il che è fondamentale poiché i giocatori avanzati spesso pensano in modo diverso dai principianti.

#Preparazione dei Dati

Per cominciare, XQSV recupera i dati delle partite di Xiangqi in un formato specifico. I dati vengono poi preprocessati suddividendoli in parti. Questo implica organizzare le mosse in base ai livelli di abilità dei giocatori, che vengono classificati utilizzando il sistema di valutazione Elo. Suddividendo i dati in base ai livelli di abilità, il modello può imparare e prevedere meglio il comportamento dei giocatori.

#Input Sequenziale

Molte attuali AI da gioco si affidano a un layout di tavolo bidimensionale per ricordare le mosse passate. Tuttavia, in interviste con veri giocatori di Xiangqi, è emerso che la maggior parte di loro ricorda le mosse precedenti in ordine lineare. Pertanto, XQSV prende l'input come una sequenza di mosse invece di configurazioni del tavolo. Questa decisione allinea il modello più strettamente con il modo in cui gli umani pensano mentre giocano.

#Limitazioni di Memoria

XQSV opera assumendo che i giocatori umani non ricordano ogni mossa dall'inizio alla fine di una partita. Pertanto, il modello limita la propria memoria a un certo numero di mosse passate. Questa scelta di design migliora anche l'efficienza computazionale e imita i limiti naturali della memoria umana.

#Struttura della Rete Dinamica

Una caratteristica innovativa di XQSV è la sua capacità di adattare la propria struttura di rete in base ai dati che elabora. Diversi giocatori hanno stili differenti e cambiando la propria architettura a seconda del livello di abilità del giocatore, XQSV può imitare più accuratamente il comportamento umano.

#Filtro per Mosse Illegali

Una delle sfide principali nel prevedere le mosse è il vasto numero di azioni possibili. XQSV riduce questo problema introducendo un filtro che consente solo mosse legali in base allo stato attuale del tavolo. Questo aiuta a restringere le opzioni e migliora l'Accuratezza delle previsioni.

#Sperimentazione e Risultati

Per valutare XQSV, sono stati condotti test su diversi livelli di abilità. Gli esperimenti hanno confermato che man mano che le abilità del giocatore aumentano, è necessaria una struttura di modello più complessa per simulare il loro stile di gioco. I risultati hanno indicato che XQSV ha raggiunto circa il 40% di accuratezza complessiva nel prevedere le mosse umane.

#Test di Turing

Una parte significativa della valutazione ha coinvolto un Test di Turing, in cui veri giocatori umani sono stati invitati a distinguere tra avversari umani e l'AI XQSV. I partecipanti hanno giocato partite contro tre avversari: un giocatore umano, il modello XQSV e un'app mobile standard. I risultati hanno mostrato che i giocatori avevano difficoltà a distinguere tra il vero giocatore e XQSV, evidenziando l'efficacia del modello nell'imitare il comportamento umano.

#Natura Non Deterministica del Gioco Umano

Una sfida nella creazione di un'AI che gioca come un umano è la natura imprevedibile delle decisioni umane. Il modello può diventare deterministico, prevedendo solo la mossa migliore senza considerare la variabilità che diversi giocatori umani potrebbero mostrare. Per affrontare questo problema, XQSV genera una distribuzione di probabilità per le mosse potenziali, rendendo possibile introdurre una certa casualità per mimare più da vicino il gioco umano.

#Conclusione

XQSV rappresenta un passo avanti nello sviluppo di AI che imitano il modo in cui gli esseri umani giocano a Xiangqi. Attraverso varie scelte di design, tra cui il filtraggio delle mosse illegali, la suddivisione dei dati e l'aggiustamento dei limiti di memoria, il modello mostra promesse nel prevedere le mosse in modo simile a un giocatore umano. XQSV raggiunge una notevole accuratezza di circa il 40%, che può aumentare considerando metriche di valutazione più rilassate.

In sintesi, questo modello potrebbe avere applicazioni pratiche per migliorare l'esperienza di gioco di Xiangqi e potrebbe servire come base per ricerche future nello sviluppo di AI simili agli umani nei giochi da tavolo. Man mano che il campo progredisce, ulteriori miglioramenti potrebbero portare a modelli ancora più sofisticati in grado di imitare le complessità dei processi di pensiero umano nel gioco.