„Mirder Mystery 2“, paprastai žinomas kaip MM2, „Roblox“ ekosistemoje dažnai priskiriamas paprastam socialinio išskaičiavimo žaidimui. Iš pirmo žvilgsnio jo struktūra atrodo paprasta. Vienas žaidėjas tampa žudiku, kitas – šerifu, o likę dalyviai bando išgyventi. Tačiau po paviršiumi slypi dinamiška elgsenos laboratorija, kuri suteikia vertingos informacijos apie tai, kaip dirbtinio intelekto tyrimai priartėja prie naujų sprendimų priėmimo ir prisitaikymo sistemų.
MM2 veikia kaip paskirstyto žmogaus elgesio mikrokosmosas kontroliuojamoje skaitmeninėje aplinkoje. Kiekvienas raundas iš naujo nustato vaidmenis ir kintamuosius, sukurdamas naujas prisitaikymo sąlygas. Žaidėjai turi interpretuoti neišsamią informaciją, numatyti varžovų ketinimus ir reaguoti realiu laiku. Charakteristikos labai panašios į neapibrėžtumo modeliavimo tipus, kuriuos AI sistemos bando pakartoti.
Vaidmenų atsitiktinis atskyrimas ir elgesio numatymas
Vienas iš patraukliausių MM2 dizaino elementų yra atsitiktinis vaidmenų priskyrimas. Kadangi nė vienas žaidėjas nepažįsta žudiko raundo pradžioje, elgesys tampa pagrindiniu signalu daryti išvadas. Staigūs judesių pokyčiai, neįprasta padėtis ar dvejonės gali sukelti įtarimų.
AI tyrimų požiūriu ši aplinka atspindi anomalijų aptikimo iššūkius. Sistemos, išmokytos nustatyti netaisyklingus modelius, turi atskirti natūralią dispersiją ir piktybinius ketinimus. MM2 žaidėjai instinktyviai atlieka panašią funkciją.
Šerifo sprendimų priėmimas atspindi nuspėjamąjį modeliavimą. Per anksti veikdami rizikuojate pašalinti nekaltą žaidėją. Per ilgas laukimas padidina pažeidžiamumą. Pusiausvyra tarp ankstyvo veiksmo ir atidėto atsako yra lygiagreti rizikos optimizavimo algoritmams.
Socialinis signalizavimas ir modelio atpažinimas
MM2 taip pat parodo, kaip signalizacija daro įtaką kolektyvinių sprendimų priėmimui. Žaidėjai dažnai bando atrodyti nekeliantys grėsmės ar bendradarbiaujantys. Socialiniai ženklai turi įtakos išgyvenimo tikimybei.
Atliekant AI tyrimus, kelių agentų sistemos remiasi signalizacijos mechanizmais, kad galėtų koordinuoti arba konkuruoti. MM2 siūlo supaprastintą, bet įtikinamą demonstravimą, kaip apgaulė ir informacijos asimetrija daro įtaką rezultatams.
Pakartotinis eksponavimas leidžia žaidėjams patobulinti savo modelio atpažinimo gebėjimus. Jie išmoksta atpažinti elgesio žymenis, susijusius su tam tikrais vaidmenimis. Iteratyvus mokymosi procesas primena sustiprinimo mokymosi ciklus dirbtiniame intelekte.
Skaitmeninio turto sluoksniai ir žaidėjų motyvacija
Be pagrindinio žaidimo, MM2 apima kolekcionuojamus ginklus ir kosmetikos gaminius, kurie daro įtaką žaidėjų įsitraukimui. Elementai nekeičia pagrindinės mechanikos, bet pakeičia suvokiamą statusą bendruomenėje.
Aplink šią ekosistemą susiformavo skaitmeninės prekyvietės. Kai kurie žaidėjai tyrinėja išorinę aplinką vertindami kosmetikos atsargas ar konkrečias retas prekes naudodamiesi paslaugomis, prijungtomis prie MM2 parduotuvės. Tokios platformos kaip „Eldorado“ egzistuoja šioje platesnėje virtualaus turto aplinkoje. Kaip ir bet kurioje skaitmeninėje operacijų aplinkoje, labai svarbu laikytis platformos taisyklių ir žinoti paskyros saugumą.
Sistemos projektavimo požiūriu, renkamų sluoksnių buvimas sukuria išorinę motyvaciją, nepažeidžiant pagrindinės išskaičiavimo mechanikos.
Iš paprastų taisyklių atsirandantis sudėtingumas
Labiausiai MM2 suteikia įžvalgos, kaip paprasti taisyklių rinkiniai sukuria sudėtingus sąveikos modelius. Nėra sudėtingų įgūdžių medžių ar plačių žemėlapių. Tačiau kiekvienas turas dėl žmogaus nenuspėjamumo klostosi skirtingai.
DI tyrimai vis dažniau tiria, kaip minimalūs apribojimai gali duoti prisitaikančius rezultatus. MM2 parodo, kad sudėtingumas nereikalauja pernelyg didelių funkcijų. Tam reikalingi kintami agentai, sąveikaujantys esant struktūriniam neapibrėžtumui.
Aplinka tampa bandymų poligonu tiriant bendradarbiavimą, įtarumą, apgaulę ir reakcijos greitį kartojamoje skaitmeninėje sistemoje.
Dirbtinio intelekto modeliavimo pamokos
Tokie žaidimai kaip MM2 iliustruoja, kaip valdomos skaitmeninės erdvės gali imituoti realaus pasaulio nenuspėjamumo aspektus. Elgesio kintamumas, ribota informacija ir greitas prisitaikymas sudaro daugelio AI mokymo iššūkių pagrindą.
Stebėdami, kaip žaidėjai reaguoja į dviprasmiškas sąlygas, mokslininkai gali geriau suprasti sprendimų delsą, rizikos toleranciją ir tikimybinius samprotavimus. Nors MM2 buvo sukurtas pramogoms, jo struktūra atitinka svarbius dirbtinio intelekto tyrimų klausimus.
Išvada
„Murder Mystery 2“ pabrėžia, kaip lengvi kelių žaidėjų žaidimai gali atskleisti gilesnes įžvalgas apie elgesio modeliavimą ir atsirandantį sudėtingumą. Dėl atsitiktinių vaidmenų paskirstymo, socialinių signalų ir adaptyvaus žaidimo jis yra kompaktiškas, tačiau galingas paskirstytų sprendimų priėmimo pavyzdys.
Dirbtinio intelekto sistemoms toliau tobulėjant, aplinka, tokia kaip MM2, rodo žmogaus sąveikos struktūrinio neapibrėžtumo tyrimo vertę. Net patys paprasčiausi skaitmeniniai žaidimai gali nušviesti paties intelekto mechaniką.
Vaizdo šaltinis: Unsplash
