[论文解读] General Board Game Concepts

Éric Piette, Matthew Stephenson+2 more|arXiv (Cornell University)|Jul 2, 2021

Artificial Intelligence in Games参考文献 65被引用 17

一句话总结

本文通过Ludii游戏系统提出了一种针对通用游戏博弈（GGP）中‘游戏概念’的正式框架——即‘捕获’或‘将死’等高层次、人类可理解的概念。该方法利用原子化游戏组件（ludemes），实现了在多个抽象层次上自动检测这些概念，从而促进人工智能的可解释性、迁移学习、游戏生成、重构与推荐。

ABSTRACT

Many games often share common ideas or aspects between them, such as their rules, controls, or playing area. However, in the context of General Game Playing (GGP) for board games, this area remains under-explored. We propose to formalise the notion of "game concept", inspired by terms generally used by game players and designers. Through the Ludii General Game System, we describe concepts for several levels of abstraction, such as the game itself, the moves played, or the states reached. This new GGP feature associated with the ludeme representation of games opens many new lines of research. The creation of a hyper-agent selector, the transfer of AI learning between games, or explaining AI techniques using game terms, can all be facilitated by the use of game concepts. Other applications which can benefit from game concepts are also discussed, such as the generation of plausible reconstructed rules for incomplete ancient games, or the implementation of a board game recommender system.

研究动机与目标

• 通过玩家和设计者熟悉的术语，正式化常见游戏理念（如‘捕获’或‘将死’）。
• 利用Ludii的ludeme游戏表示法，自动检测不同游戏抽象层次（如游戏、走法、状态）中的这些概念。
• 通过在游戏间提供共享的语义层，支持人工智能可解释性、迁移学习和游戏生成等新研究方向。
• 解决现有GGP系统（如GDL）缺乏高层语义和人类可读性的问题。
• 支持实际应用，如游戏推荐、古代游戏规则重构以及AI代理的基准测试选择。

提出的方法

• 使用Ludii的ludeme游戏描述语言，将游戏分解为原子化的概念单元。
• 将游戏概念定义为源自ludemes的高层次、人类可读的抽象，例如‘捕获’、‘将军’或‘僵局’。
• 自动计算多层次的概念：游戏层（如‘公平游戏’）、走法层（如‘捕获走法’）和状态层（如‘将死局面’）。
• 利用ludemes在结构和语义上的一致性，检测跨多种游戏的重复概念。
• 将概念检测应用于支持人工智能技术，如走法排序、代理选择以及进化游戏生成中的适应度评估。
• 利用游戏间概念的相似性，支持不完整历史游戏的规则重构，并构建游戏推荐系统。

实验结果

研究问题

• RQ1 如何利用共享的语义框架，在多种桌游中对‘捕获’或‘将死’等常见游戏理念进行形式化定义与自动检测？
• RQ2 游戏概念在多大程度上能提升通用游戏博弈中人工智能技术的可解释性？
• RQ3 通过识别共享的高层特征，游戏概念能否实现有效的游戏间迁移学习？
• RQ4 游戏概念如何增强通用游戏博弈中的游戏生成、重构与推荐系统？
• RQ5 基于概念的过滤能否改善用于评估AI代理的基准游戏选择？

主要发现

• ‘捕获’、‘将军’和‘僵局’等游戏概念可从Ludii的ludeme游戏描述中自动检测，从而实现在游戏间的一致语义分析。
• 该框架支持多层级概念检测，包括游戏层（如‘公平游戏’）、走法层（如‘捕获走法’）和状态层（如‘将死局面’）。
• 基于概念的分析可实现超智能体选择器，根据游戏概念选择最优AI代理，从而在多种游戏中提升性能。
• 游戏概念通过识别游戏间共享的结构与战略特征，促进迁移学习，即使规则不同亦可实现。
• 该方法可通过基于相似已知游戏预测缺失概念，实现对不完整古代游戏的合理规则重构。
• 游戏概念通过支持用户基于偏好概念（如‘隐藏信息’或‘非对称玩法’）搜索游戏，提升个性化与发现性，从而增强推荐系统。