３つの方法
ゲームAIはさまざまな方法があるますが、ルールベースアプローチ、探索的アプローチ、学習的アプローチの3つに大別できます。これらのアプローチは組み合わせてそれぞれのメリットを活用する方法がとられます。
ルールベースアプローチ
初期のAI、エキスパートシステムのようなアプローチで、人間の経験を知識としてプログラムに書き加えることでAIを成立させます。知識ベースとして教えられた評価計算で考えるだけでなく、推論エンジンを用いて、論理的に考えた新しい評価計算をAIが生み出すこともできます。
メリットとして、知識を教えるので改良や結果が理解しやすいです。デメリットとして、ゲームに習熟する必要があり、例外規則も増えます。
探索的アプローチ
主にゲーム木を使用したような探索方法で、コンピュータの計算能力を生かし、遷移可能なゲームの状態を大量に出してからAIの基準を生み出す方法です。ミニマックス法やモンテカルロ法に代表されるようにAIがゲームを先にプレイし、その結果から予想を組み立てて考えます。
メリットとして、状態をゲーム木のように扱うので正しい評価計算ができれば、強いAIが作ることができます。デメリットとして、組み合わせ爆発のように状態が無数にあるゲームや、ただしい評価計算ができないゲームに不向きであるといえます。
学習的アプローチ
機械学習を用いた方法で、学習アルゴリズムによってゲームの評価計算を行ます。ゲームの情報を教えることでAIに学習させますが、人間の脳のようにデータを扱うため、学習できたのかを一般のプログラム的に確認することが難しいです。強化学習、遺伝的アルゴリズム、ニューラルネットワークなど様々な方法があります。
メリットとして、うまく学習できれば、人間を超えるプレーを行うことができます。デメリットとして、学習のためにデータや時間が必要で、強さの調節やプレーの結果の理由を知ることが難しいです。
参考
コメント