Ein Modell, das auf einem Brett länger rechnet, ist nicht automatisch menschlicher. Eine Nature-Studie von MIT, Cambridge, Princeton und weiteren Partnern untersucht 121 unbekannte Zwei-Personen-Strategiespiele. Das Ergebnis zeigt auf eine leichte Strategie: Beim ersten Blick auf ein neues Spiel nutzen Menschen oft wenige, flache und zielgerichtete mentale Simulationen.
Für KI ist die Frage direkt. Reasoning-Modelle setzen lange Ketten und große Suchbäume gern mit Fähigkeit gleich. Nutzer brauchen aber zuerst die Entscheidung, ob eine Stellung weiteres Denken verdient, wie viel Rechenaufwand sinnvoll ist und welcher Zug zuerst getestet wird.
Der erste Blick auf 121 Spiele
Die Forschenden konstruierten 121 Varianten von Verbindungsspielen. Brettgröße, Verbindungslänge, Siegbedingungen und Zugaktionen ändern sich, doch Spieler setzen weiter Steine in ein Raster. Mehr als 1000 Teilnehmende konnten die Regeln verstehen, ohne geübte Routinen zu haben.
Die Aufgaben reichten von Fairness- und Spaßurteil über den ersten Zug bis zur Vorhersage des nächsten Zugs anderer Spieler. Intuitive Gamer nutzt wenige Self-Play-Simulationen und zielgerichtete Heuristiken.
“whether a task is worth thinking about at all”
Schnell heißt nicht zufällig
Bei Fairnessurteilen vor dem Spielen passte Intuitive Gamer mit R²=0,81 zu menschlichen Schätzungen, nahe am erklärbaren Limit der Humandaten von R²=0,82. Random Player lag bei R²=0,47, Expert Gamer bei R²=0,65 und MCTS bei R²=0,60.
Die Effizienz unterscheidet sich noch stärker. Nach der Self-Play-Messung der Arbeit brauchte Intuitive Gamer etwa 1/700 der Wall-Clock-Zeit von Expert Gamer und bewertete rund 500-mal weniger Brettzustände. Gegenüber MCTS waren es etwa 1/40000 der Zeit und fast 10000-mal weniger Knotenauswertungen.
Menschen spielen ebenfalls flach
302 Personen spielten neue Spiele, insgesamt 1808 Partien und 9892 Züge. Bei der Aktionsvorhersage erklärte Intuitive Gamer menschliche Entscheidungen besser als Expert Gamer und Zufallsmodelle. In 32 von 41 Testspielen deckte es mehr als die Hälfte der Aktionswahrscheinlichkeitsverteilung ab; bei 243 von 302 Personen galt das auch individuell.
In einem weiteren Experiment mit 249 eingefrorenen Brettzuständen lag Intuitive Gamer näher an menschlichen Vorhersagen, mit TVD-Differenzen von -0,15 gegenüber Expert Gamer und -0,09 gegenüber dem Zufallsmodell.
Die Lehre für KI: Denkbudget
Die Studie ist keine fertige allgemeine KI-Architektur. Sie behandelt vollständige Information, zwei Spieler und kompetitive Spiele, meist aus einer Verbindungsspiel-Familie. Go, Schach, Kooperation, Multi-Agenten-Settings und offene Forschung brauchen eigene Tests.
Doch als Bewertungsmaßstab ist sie nützlich: Modelle sollten nicht nur tief lösen können, sondern entscheiden, wann flaches Probieren genügt, wann tiefe Suche startet und wann zusätzliche Berechnung den Preis wert ist.
Quellen: Nature-Paper “People use fast and flat simulation to reason about new games”, arXiv:2510.11503, 36Kr English, CocoLoop; der Nature-Text wurde zur Prüfung der 121 Spiele, 1000+ Teilnehmenden, R²/TVD-Werte sowie MCTS- und Expert-Gamer-Effizienz genutzt.