JUEGOS

El equipo de DeepMind AI de Google logró identificar una forma de diseñar un tipo de súper atleta encargado de encontrar diversidad de movimientos, estrategias y estilos de juego. AlphaStar es el principal ejemplo, recientemente ganó una partido contra el mejor jugador humano del videojuego de estrategia StarCraft II. El dilema que enfrenta StarCraft II es que, a diferencia de otros juegos de estrategia como el ajedrez y el Go, no es un juego de información completa, es decir, donde se pueden identificar todos los movimientos del otro jugador. Con información completa, la dinámica del juego se reduce a una búsqueda de posibles acciones al comparar los movimientos de dos oponentes.

AlphaGo obtuvo sus primeras victorias contra otros programas de Go en el año 2015, el equipo de Google junto con el investigador Chris J. Maddison emplearon la capacidad de informar a la red neuronal sobre la clasificación de los jugadores humanos cuyos movimientos fueron la base del entrenamiento. Lo cual generó "un sesgo dinámico a la red que depende del rango". Esto permitió a la red neuronal jugar mejor al "imitar" al mejor jugador de Go. Con Starcraft II, imitar al mejor jugador no funciona. No hay información simétrica, como en Go, por lo que hay movimientos que un oponente está haciendo que el otro jugador no puede ver. Para contrarrestar esta situación la solución se denomina "gamescape"(juego de escape) el cual extrae conocimiento sobre estrategias a partir de los movimientos de diferentes tipos de jugadores, esto se habla en su nuevo trabajo llamado “Nash averaging” (promedio de Nash) en el cual se plantea el problema buscando descubrir las dimensiones estratégicas subyacentes del juego y las mejores formas de ejecutarlas, así que cada movimiento de los jugadores producen posibles estrategias las cuales pueden ampliar la reserva de conocimiento útil. Este trabajo se representa como un “politopo” el cual muestra geométricamente los objetivos ocultos en los juegos.

Construyeron algoritmos que amplían la base de conocimiento, empleando un enfoque estadístico llamado "equilibrio de Nash", que identifica estrategias que superan a esa mezcla de jugadores. "La idea es alentar a los agentes a mejorar sus fortalezas e ignorar sus debilidades'". Los autores resumen su enfoque como "descubrir la diversidad estratégica" en soluciones. El inicio es completamente aplicable. Incluso un juego relativamente simple como rocas, papel, tijeras no es transitivo y se puede jugar como un problema para expandir el paisaje de juego, lo cual permitiría hallar estrategias subyacentes a través de diferentes enfoques.

...