spielbar.com

Neues vom Tellerrand: I, for one, welcome our new computer overlords

“Ein Computer-Prohgramm, das Dame spielen kann, hat etwa 8000 Zeilen Code. Ein Computerprogramm, das Schachspielen kann – und es gibt solche Programme, ich habe sie selbst gesehen! – etwas 20.000 Zeilen Code” – A wie Andromeda, Fred Hoyle, 1961

Mittlerweile simulieren Programme nicht mehr nur Spiele, sie gewinnen sie auch. Bei Schach ist das schon lange der Fall und der Kampf von diversen Großmeistern (zuletzt m.W. Kramnik), auch mal gegen den Computer bestehen zu können, ist mittlerweile ein recht Prestigeträchtiges Duell für den Schachspieler.

2017 dann der Durchbruch im Spiel Go: Das Programm Alpha Go besiegte erstmals einen amtierenden Großmeister in einer Reihe von Spielen. Das ist deshalb bemerkenswert, weil Go nicht durch brutales Durchrechnen gelöst werden kann – es gibt schlicht zu viele Möglichkeiten. Intuition und Spielerfahrung (vor allem Mustererkennung) sind für das Go-Spiel wichtig und lange galt es daher als nicht durch einen Computer beherrschbar. Die Lösung der Softwareentwickler war es nun einfach ein Programm gegen sich selbst spielen zu lassen und sich zu merken, welche Züge welche Erfolgschancen boten. Und da Computer sehr schnell sind, kann man das ein paar Millionen mal machen und heraus kommt ein Programm mit einer deutlich größeren Spielerfahrung als jeder Mensch.

Dieses Jahr wurde eine länger andauernde Testreihe abgeschlossen mit dem Ergebnis: Die besten Pokerspieler haben keine Chance gegen das beste Programm. Auch Poker galt lange als Spiel, bei dem Computer keine Chancen haben, denn bei Poker gibt es das Element des Bluffens und des Lesens des Gegners. Aber auch hier konnte eine Software ein Turnier mit mehreren Händen gegen Profispieler gewinnen – natürlich ist ein Gewinn nicht garantiert, denn Poker hat ja einen großen Glücksanteil. Aber die Software spielt aggressiv und blufft viel, aber völlig unvorhersehbar. Auch das ist gelungen, in dem man die Partie immer und immer wieder gegen sich selbst spielen und so lernen lässt. Wenn ich die technischen Details richtig verstanden habe, analysiert die Software aber nicht das Spielverhalten der Mitspieler, was mich durchaus überrascht – lohnt sich das auf dem Niveau nicht, weil die Spieler sowieso so unvorhersehbar bluffen? Oder reichen die puren Wahrscheinlichkeiten in diesen Fällen aus?

Diese drei Beispiele ändern die Turnierszene der Spiele: Beim Schach wurden Hängepartien (also Partien über mehrere Tage) abgeschafft, als Computerprogramme anfingen bessere Züge zu finden als der Mensch. Es lohnte sich mehr im Hotel den Rechner anzuwerfen, als mit dem Sekundanten eine Strategie abzusprechen – und das hätte in einem Computerkrieg gemündet. Tatsächlich versuchen regelmäßig Spieler in Turnieren elektronisches Gerät zu schmuggeln, um mit “Computerdoping” besser abzuschneiden. Gerade bei kleinen Turnieren ist dies ein Problem, da dort die Mittel für entsprechende Sicherheitsprotokolle fehlen. Beim Poker ist die Lage noch präkerer: Bots sind im Online-Poker bereits jetzt ein Problem. Wenn Pokerprogramme stärker werden als Spieler, ist niemand mehr gehindert, dem Computer das Spiel zu überlassen. Das zu verhindern wird eine ähnliche Herrausforderung, wie das “Cheaten” mit Aimbots und Wallhacks bei Online-Shootern. Nur, dass es um deutlich mehr Geld geht.

Diese exorbitant guten KIs lohnen sich aber nur für ungemein populäre Spiele, bei denen ein entsprechender Markt dahintersteckt. Brettspielumsetzungen für den Computer brauchen auch eine KI und die Spielstärke da sollte einerseits so stark sein, dass man einen guten Gegner hat (El Grande habe ich damals immer gegen den Computer gewonnen), andererseits muss der Computer schlagbar sein (Gegen mein Fokus-Programm habe ich ab Stufe 4 von 10 keine Chance). Um eine gute KI zu programmieren muss man aber das Spiel selbst gut beherrschen, was eine Herausforderung darstellt. Ich habe mich einmal locker mit Patrick Soeder von Digidized unterhalten und ja das ist ein Problem…Prinzipiell besteht natürlich die Möglichkeit, den Computer schummeln zu lassen, so wie das in einigen Sid Meyer – Spielen damals in den 90er Jahren gemacht wurde (ich erinnere mich insbesondere an Railroad Tycoon, wo der Computer deutlich zu sehen, keine Baueinschränlungen hatte). Bei Brettspielumsetzungen hieße das eher, dass die KI Zugriff auf geheime Informationen hat – aber dieser Weg ist offensichtlich verpönt und eher zu vermeiden. Dann kann man natürlich einen Algorythmus programmieren, also eine Reihe von “Wenn-Dann-Abfragen”, so ein Automata wird ja oft auch bei Solovarianten benutzt und kann schon recht stark sein, wenn man die richtigen Anweisungen hat. Problem hier ist die Gefahr, der Wiederholung – die KI spielt immer gleich – und auch die Möglichkeit, dass ein Spieler, der den Computerweg erkennt und diesen gezielt umgehen kann. Drittens gibt es die Möglichkeit des Durchrechnens aller möglichen Züge. Das ist rechenaufwendig, was gerade für Smartdevices die Grenzen der Hardware auslotet (um es positiv zu formulieren). Können Spiele mehr oder minder vollständig ausgerechnet werden, hat der menschliche Spieler zudem keine Chance mehr. Die vierte Möglichkeit ist die Methode, die bei AlphaGo und dem Pokerprogramm verwendet wurde. Tatsächlich hat Digidized mit diesem Typ experimentiert, aber schnell festgestellt, dass für komplexe Spiele wie Terra Mystica zu rechenaufwendig, also zu teuer ist – die KI lernt nicht schnell genug, was auch eben auch mit der starken Asymmetrie von Terra Mystica zusammenhängt, für die man eben eine besonders hohe Anzahl von Spielen benötigen würde, um alle Kombinationen ausreichend oft zu spielen. Dieser Aufwand lohnt sich aber nicht für die kommerzielle App eines Spieles, dass letztlich nur eine Nische abdeckt.

Am Ende des Tages verwendet Digidized eine Mischstrategie aus lernender KI, Durchrechnen und Algorythmen, also Standardzügen. Es wird zudem nicht mehr immer alles durchgerechnet, sondern nur in bestimmten, kritischen Situationen (so wie ein Mensch das auch tun würde). Manchmal stehen zudem Datenbanken von Online-Partien zur Verfügung, die bei der Analyse der KI helfen können – wenn etwa bestimmte Züge besonders oft zum Erfolg führen, so können diese im Vorfeld schon als besonders erfolgreich markiert werden. Wer einen etwas tieferen Einblick bekommen möchte, dem sei dieser Artikel empfohlen (englisch).

ciao

peer

Peer Sylvester

Begann seine Spielerkarriere recht früh, weil sein Vater einen Gegner beim Schach brauchte. Berufswunsch in der dritten Klasse: “professioneller Schachspieler”. Lebt in Berlin und arbeitet als Lehrer für Mathematik und Chemie. Hat bereits erfolgreich seine ersten Spiele als Autor bei verschiedenen Verlagen veröffentlicht.
Peer Sylvester

Letzte Artikel von Peer Sylvester (Alle anzeigen)