Model yang berpikir lebih lama di papan belum tentu lebih mirip manusia. Studi Nature dari MIT, Cambridge, Princeton, dan kolaboratornya memakai 121 gim strategi dua pemain yang asing. Hasilnya menunjuk ke jalur ringan: saat pertama melihat gim baru, manusia sering memakai sedikit simulasi mental yang dangkal dan berorientasi tujuan.
Bagi AI, pesannya jelas. Model penalaran sering menjadikan rantai panjang dan pohon pencarian besar sebagai bukti kemampuan. Pengguna nyata lebih dulu perlu tahu apakah posisi ini layak dipikirkan lebih jauh, berapa komputasi yang pantas, dan langkah mana yang dicoba dulu.
Menguji kesan pertama
Tim membuat 121 variasi gim papan berbasis aturan koneksi. Ukuran papan, panjang koneksi, kondisi menang, dan aksi giliran berubah, tetapi pemain tetap menaruh bidak di grid. Lebih dari 1000 peserta bisa membaca aturan tanpa mengandalkan strategi lama.
Tugasnya mencakup menilai fairness dari aturan, memperkirakan keseruan, langkah pertama, memprediksi langkah orang lain, dan memutuskan apakah lanjut setelah tawaran seri. Intuitive Gamer memakai sedikit simulasi self-play dan heuristik berorientasi tujuan.
“whether a task is worth thinking about at all”
Cepat bukan berarti menebak
Dalam penilaian fairness sebelum bermain, Intuitive Gamer cocok dengan estimasi manusia pada R²=0,81, dekat dengan batas data manusia R²=0,82. Random Player mencapai R²=0,47, Expert Gamer R²=0,65, dan baseline MCTS R²=0,60.
Efisiensinya jauh berbeda. Dalam ukuran self-play paper, waktu wall-clock Intuitive Gamer sekitar 1/700 dari Expert Gamer dan mengevaluasi sekitar 500 kali lebih sedikit status papan. Dibanding MCTS, waktunya mendekati 1/40000 dan evaluasi node hampir 10000 kali lebih sedikit.
Pemain manusia juga terlihat seperti pencarian dangkal
302 peserta memainkan gim baru, menghasilkan 1808 gim dan 9892 langkah. Dalam prediksi aksi, Intuitive Gamer menjelaskan pilihan pemain lebih baik daripada Expert Gamer dan model acak. Dari 41 gim uji, 32 gim memiliki lebih dari separuh distribusi probabilitas aksi yang tercakup; pada level individu, 243 dari 302 pemain juga memenuhi pola itu.
Dalam eksperimen 249 status papan beku, Intuitive Gamer lebih dekat dengan prediksi manusia, dengan selisih TVD -0,15 terhadap Expert Gamer dan -0,09 terhadap model acak.
Pelajaran untuk AI: alokasi berpikir
Studi ini tidak langsung menghasilkan arsitektur AI umum. Tugasnya masih gim kompetitif dua pemain dengan informasi penuh, banyak berasal dari keluarga gim koneksi. Go, catur, kerja sama, multi-agent, dan eksplorasi ilmiah terbuka masih perlu diuji.
Namun metriknya berguna: ukur apakah model tahu kapan probing dangkal sudah cukup, kapan pencarian dalam perlu dimulai, dan kapan komputasi tambahan layak dibayar.
Sumber: paper Nature “People use fast and flat simulation to reason about new games”, arXiv:2510.11503, 36Kr English, CocoLoop; teks Nature digunakan untuk memverifikasi 121 gim, 1000+ peserta, R²/TVD, MCTS, dan ukuran efisiensi Expert Gamer.