Juego general

En 1958, investigadores de la Corporación RAND describieron por primera vez un Solucionador General de Problemas , al que denominaron "Programa General de Resolución de Problemas I" (GPS). El objetivo de su proyecto era resolver problemas, que definieron ampliamente como "siempre que un solucionador de problemas desee algún resultado o estado de cosas que no sepa inmediatamente cómo alcanzar". El grupo RAND enfatizó la importancia de los métodos heurísticos en la resolución de problemas y describió un proceso de resolución de problemas teóricamente ideal como un ciclo de descubrimiento, información y conclusión mediante conjeturas fundamentadas. ^{[ 9 ]}

El algoritmo GPS de RAND surgió del algoritmo más especializado "Logic Theorist", que producía pruebas en lógica proposicional. Al igual que Logic Theorist, GPS se basaba en la creación de objetivos intermedios mediante análisis de medios y fines . En particular, el algoritmo era capaz de resolver problemas de lógica simbólica utilizando métodos heurísticos que los investigadores derivaron de las estrategias de resolución de problemas de sujetos de prueba humanos reales. Un elemento central de los mecanismos de simplificación del modelo era el método de abstracción, en el que los elementos lógicos se reemplazaban por elementos más básicos que funcionaban de manera similar para simplificar los problemas. ^{[ 9 ]} Aunque el algoritmo es teóricamente capaz de resolver cualquier problema suficientemente formalizado en forma de fórmulas bien formadas y grafos dirigidos, en la práctica la cantidad de computación requerida para que el algoritmo explore adecuadamente el grafo es inviable de implementar debido a la explosión combinatoria .

En 1968, Jacques Pitrat fundó el campo de los juegos generales en un artículo publicado en las actas de la Federación Internacional para el Procesamiento de la Información . ^{[ 10 ]} Posteriormente, Pitrat trabajó en el problema más especializado de los algoritmos de ajedrez, pero su primera contribución al desarrollo de algoritmos de juegos fue separar la subclase de jugadores de juegos generales del ámbito más amplio de solucionadores de problemas generales. El algoritmo de juego de Pitrat era teóricamente capaz de jugar partidas similares al ajedrez , que podían describirse mediante un conjunto sencillo de variaciones de reglas.

En 1992, Barney Pell definió el concepto de juego meta y desarrolló el sistema "MetaGame". Este fue el primer programa en generar automáticamente reglas de juego similares al ajedrez, y uno de los primeros en utilizar la generación automática de juegos. Posteriormente, Pell desarrolló el sistema Metagamer . ^{[ 11 ]} Este sistema era capaz de jugar varios juegos similares al ajedrez sin ninguna interacción humana una vez generados. ^{[ 12 ]}

En 1998, Jeff Mallett y Mark Lefler desarrollaron el sistema comercial Zillions of Games . Este sistema utilizaba un lenguaje similar a LISP para definir las reglas del juego. Zillions of Games derivaba automáticamente la función de evaluación a partir de las reglas del juego, basándose en la movilidad de las piezas, la estructura del tablero y los objetivos del juego. También empleaba algoritmos habituales en los sistemas de ajedrez por computadora : poda alfa-beta con ordenación de movimientos, tablas de transposición , etc. ^{[ 13 ]} En 2007, el paquete se amplió con la adición del complemento Axiom, un motor de metajuego alternativo que incorpora un lenguaje de programación completo basado en Forth.

En 1998, Urs Fischbacher desarrolló z-Tree . ^{[ 14 ]} z-Tree es la primera y más citada herramienta de software para economía experimental . z-Tree permite definir reglas de juego en lenguaje z-Tree para experimentos de teoría de juegos con sujetos humanos . También permite definir jugadores informáticos que participan en un juego con sujetos humanos. ^{[ 15 ]}

En 2005, se estableció el Proyecto Stanford de Juego General . ^{[ 16 ]} Este incluía la Competición de Juego General, que se lanzó en la conferencia AAAI asociada. La competición se celebró anualmente y contribuyó a consolidar el GGP como un campo de investigación. Se suspendió después de 2016, momento en el que se consideró que había cumplido en gran medida su propósito original de estimular una mayor investigación en el área. ^{[ 17 ]} El proyecto Stanford también produjo el Lenguaje de Descripción de Juegos (GDL), que permitió la producción y descripción de variaciones de juegos y se utilizó ampliamente en la Competición de Juego General. ^{[ 18 ]}

En 2012, se inició el desarrollo de PyVGDL (Python Video Game Description Language), que ahora ha evolucionado a PyVGDL 2.0. ^{[ 19 ] [ 20 ]} PyVGDL es una biblioteca creada para el lenguaje de programación Python que funciona como un motor de juegos, permitiendo la integración de diversas aplicaciones de IA junto con reglas de juego simples para crear juegos complejos. La biblioteca se utiliza frecuentemente en la investigación de inteligencia artificial centrada en problemas generales de juego debido a sus capacidades dinámicas. ^{[ 21 ]}

En 2018, Google DeepMind publicó un artículo que describía su nuevo algoritmo AlphaZero . ^{[ 22 ]} El algoritmo se basó en su trabajo anterior específico para juegos con AlphaGo y utilizó un algoritmo de búsqueda en árbol de Monte Carlo . AlphaZero igualó e incluso superó el rendimiento de algoritmos de juego especializados, y los revisores lo caracterizaron como un paso notable hacia sistemas de juego generales. ^{[ 23 ] [ 24 ]}

En 2020, el grupo DeepMind que había desarrollado AlphaZero publicó su trabajo sobre el algoritmo MuZero . ^{[ 25 ]} Mientras que AlphaZero requería conocer las reglas de los juegos antes de jugar, MuZero pudo igualar su rendimiento sin recibir información previa sobre la estructura subyacente del juego. Los autores del artículo original sobre MuZero señalaron que la ausencia de necesidad de reglas preestablecidas hacía que el algoritmo fuera potencialmente más aplicable en situaciones del mundo real, donde no existen principios rectores ni reglas subyacentes conocidas. ^{[ 25 ]}

Los esfuerzos de investigación posteriores produjeron nuevos lenguajes de descripción de juegos que abordaron las limitaciones de GDL. En 2019, investigadores de la Universidad de Wrocław crearon Regular Boardgames (RBG), un lenguaje de computadora basado en la teoría de lenguajes regulares. RBG codifica las reglas de los juegos de mesa como expresiones regulares y fue diseñado para ser expresivo, natural y eficiente. Aunque fue creado para su uso específicamente en juegos de mesa, es universalmente capaz de describir cualquier juego finito determinista por turnos con información perfecta . ^{[ 26 ]} El artículo del grupo de Wrocław informó que era el primer lenguaje GGP capaz de codificar y jugar eficientemente juegos con reglas complejas y una gran cantidad de movimientos legales en cualquier turno dado, como Arimaa . ^{[ 26 ]} En 2020, Éric Piette, Cameron Browne y colegas presentaron Ludii, un sistema de juego general construido sobre "ludemes" —unidades de información relacionada con el juego— como parte del Proyecto Digital Ludeme. ^{[ 27 ]} Ludii fue diseñado para modelar una amplia gama de juegos, incluyendo aquellos que ya no se juegan activamente, y para estudiar su estructura e historia. Ludii igualó el rendimiento de esquemas descriptivos anteriores como RBG y, debido a su estructura de alto nivel, produjo descripciones de juegos que generalmente eran más legibles para los humanos en comparación con otros sistemas. ^{[ 27 ]}

A principios de la década de 2020, los investigadores comenzaron a evaluar los grandes modelos de lenguaje (LLM) como jugadores de juegos generales, probando su capacidad para razonar estratégicamente y tomar decisiones en juegos para los que no habían sido entrenados específicamente. En 2024, Oguzhan Topsakal y sus colegas presentaron un benchmark de código abierto que podía usarse para comparar el rendimiento de los LLM en juegos basados ​​en cuadrículas como Tres en Raya, Conecta Cuatro y Gomoku. Este benchmark utilizó varios métodos diferentes para describir los estados del juego a los modelos, comparando el rendimiento entre metodologías. ^{[ 28 ]} En 2025, un equipo de la Universidad de California, San Diego , la Universidad de Inteligencia Artificial Mohamed bin Zayed y la Universidad de California, Berkeley presentaron lmgame-Bench, que evaluó el rendimiento de los modelos en una amplia gama de tipos de videojuegos. ^{[ 29 ]} Este trabajo enfatizó que probar directamente los LLM en juegos es difícil, identificando problemas como la percepción visual frágil, la sensibilidad a la redacción de las indicaciones y la presencia de estrategias de juego preexistentes en los datos de entrenamiento.

General Game Playing es un proyecto del Stanford Logic Group de la Universidad de Stanford , California, que busca crear una plataforma para juegos generales. Es el esfuerzo más conocido por estandarizar la IA de GGP y generalmente se considera el estándar para los sistemas GGP. Los juegos se definen mediante conjuntos de reglas representadas en el Lenguaje de Descripción de Juegos . Para jugar, los jugadores interactúan con un servidor de alojamiento de juegos ^{[ 30 ] [ 31 ]} que supervisa la legalidad de los movimientos y mantiene a los jugadores informados sobre los cambios de estado.

Entre 2005 y 2016, se celebraron competiciones anuales de Juego General en la Conferencia AAAI . La competición evaluaba la capacidad de las IA participantes para jugar a diversos juegos, registrando su rendimiento en cada uno. En la primera fase, se juzgaba a los participantes por su habilidad para realizar movimientos legales, obtener ventaja y completar las partidas con mayor rapidez. En la siguiente ronda eliminatoria, las IA se enfrentaban entre sí en juegos de complejidad creciente. La IA que ganaba más partidas en esta fase se alzaba con la victoria, y hasta 2013 su creador solía ganar un premio de 10 000 dólares. ^{[ 32 ]} Los siguientes programas resultaron victoriosos: ^{[ 33 ]}

Otros programas de juegos de uso general que utilizan sus propios lenguajes para definir las reglas del juego incluyen:

Para interactuar con los juegos, los algoritmos deben operar bajo el supuesto de que todos los juegos comparten características comunes. En el libro Half-Real: Video Games Between Real Worlds and Fictional Worlds , Jesper Juul ofrece la siguiente definición de juegos: Los juegos se basan en reglas, tienen resultados variables, los diferentes resultados dan diferentes valores, el esfuerzo del jugador influye en los resultados, el jugador está vinculado a los resultados y el juego tiene consecuencias negociables. ^{[ 57 ]} Utilizando estos supuestos, se puede crear una IA para jugar cuantificando la entrada del jugador, los resultados del juego y cómo se aplican las distintas reglas, y utilizando algoritmos para calcular la ruta más favorable. ^{[ 58 ]}