人类从玩游戏中获益比某些人可能意识到的要多。游戏可以是一种轻松的方式来学习或磨练我们解决问题的能力，同时缓解压力。然而，玩游戏通常会进行大量的决策，包括我们在决定我们认为最好的举动时所做的数学和统计考虑。因此，游戏展示了人类大脑的许多令人印象深刻的能力和内部运作，这反过来又使它们成为人工智能 (AI) 研究的绝佳试验平台和游乐场。
许多游戏共有的一个方面是基于有关当前和潜在未来游戏状态的不确定信息做出决策。有经验的玩家可以从游戏的当前状态“展望”并分析几轮或沿线移动可能发生的情况，从而使他们能够相应地制定战略。最值得注意的是，这种心理过程类似于某些搜索算法的设计目的 – 不仅用于解决游戏，而且还用于跨应用程序的各个领域的一般计算任务。但是我们如何在这些领域之间建立正式的联系呢?
在先进科学技术研究院 (JAIST)，Hiroyuki Iida 教授的研究小组正在开发新的理论，以从纯粹的客观和心理角度分析并最终理解游戏和游戏玩法的许多方面。在IEEE Access 上发表的最新研究中，Iida 教授与论文的第一作者 Anggina Primanita 和 Mohd Nor Akmal Khalid(同样来自 JAIST)试图将计算概念与游戏体验联系起来。为此，他们提出了两个用于搜索树算法的指标——基于概率的证明数 (PPN) 和单一阴谋数 (SCN)——并将它们应用于各种回合制游戏。
这些搜索指标是搜索树算法计算的值，以“评估”其实现所需目标的进度。例如，在玩游戏时，基于搜索算法的人工智能将使用搜索指标来分析潜在的未来状态，同时主要寻找以某种方式最大化获胜机会的游戏。归根结底，应该仔细设计搜索指标和算法，以尽量减少使用的计算资源;并非所有可能的玩法都必须详细考虑，而只考虑那些可能获胜的玩法。
研究人员将这两个指标应用于不同游戏背景下的搜索树框架中，包括国际象棋、象棋、Connect 4、黑白棋和 2048。结果揭示了每个指标带来的有趣信息。“基于 PPN 的搜索提供了一种确定游戏中可用信息质量的方法，并且似乎以类似于人类直觉的方式运作。相反，基于 SCN 的搜索提供了一个平台来了解玩家的体验以及他们如何管理做出决定时的风险，”饭田教授解释说。
此外，基于 SCN 的搜索方法与 Iida 实验室开发的另一个理论框架相关联：运动的概念。这种方法通过与物理学中的运动相关概念(例如经典力学中的概念)进行类比，以数学方式分析游戏体验的各种客观和主观方面。通过将 SCN 与游戏中的这些运动类比进行比较，研究人员发现潜在的计算与单人和两人竞争游戏中发生的振荡(从输到赢)直接相关。
本研究中分析的两种搜索方法在游戏领域内外都有应用。例如，PPN 可用于在优化问题、规划、调度和模拟等密集计算任务期间节省宝贵的资源和时间。同时，SCN 在必须做出高风险决策或需要长期规划的情况下很有用，因为它可以优化价值并最小化风险。“PPN 和 SCN 都是人工智能领域研究的重要组成部分，包括进化计算和高性能计算，”饭田教授评论道，“此外，它们都为从信息科学角度衡量提供了垫脚石。看法。”
进一步的多学科研究将帮助我们找到、信息科学和人类思维之间的更多联系。希望从长远来看，我们将能够从更主观甚至以目的为导向的角度来定制游戏，最大限度地提高我们的乐趣，同时在许多其他方面发挥作用。