Um modelo que pensa mais tempo no tabuleiro não é necessariamente mais humano. Um estudo da Nature de MIT, Cambridge, Princeton e colaboradores usou 121 jogos estratégicos de dois jogadores desconhecidos para observar o primeiro raciocínio humano. O resultado aponta para uma rota leve: diante de um jogo novo, as pessoas costumam usar pouca simulação mental, rasa e orientada a objetivos.
Para IA, a mensagem é direta. Modelos de raciocínio tratam cadeias longas e árvores de busca grandes como sinal de capacidade. Usuários reais primeiro precisam decidir se vale pensar mais, quanto compute gastar e qual passo testar.
O primeiro olhar em 121 jogos
A equipe criou 121 variantes de jogos de conexão. Tamanho do tabuleiro, condição de vitória e ações de turno mudavam, mas a ação básica seguia sendo colocar peças em uma grade. Mais de 1000 participantes entendiam as regras sem ter aberturas treinadas.
As tarefas incluíam julgar justiça pelas regras, estimar diversão, fazer o primeiro lance, prever a jogada de outra pessoa e decidir se continuariam após uma proposta de empate. O Intuitive Gamer usa poucas simulações de self-play e heurísticas orientadas a objetivos.
“whether a task is worth thinking about at all”
Rápido não quer dizer aleatório
Na avaliação de justiça antes de jogar, o Intuitive Gamer ajustou-se às estimativas humanas com R²=0,81, perto do teto dos próprios dados humanos, R²=0,82. Random Player marcou R²=0,47, Expert Gamer R²=0,65 e MCTS R²=0,60.
A eficiência é ainda mais marcante. Na métrica de self-play do paper, o Intuitive Gamer consumiu cerca de 1/700 do tempo de wall-clock do Expert Gamer e avaliou cerca de 500 vezes menos estados. Em relação ao MCTS, o tempo ficou perto de 1/40000 e as avaliações de nós foram quase 10000 vezes menores.
Jogadores humanos também parecem rasos
302 participantes jogaram novos jogos, gerando 1808 partidas e 9892 lances. Na previsão de ações, o Intuitive Gamer explicou as escolhas melhor que o Expert Gamer e modelos aleatórios. Em 32 de 41 jogos de teste, cobriu mais da metade da distribuição de probabilidade das ações; individualmente, isso ocorreu com 243 de 302 jogadores.
Em 249 estados congelados de tabuleiro, o modelo também ficou mais próximo das previsões humanas, com diferenças de TVD de -0,15 contra o Expert Gamer e -0,09 contra o modelo aleatório.
A lição para IA é orçamento de pensamento
O estudo não entrega uma arquitetura geral de IA. As tarefas são jogos competitivos de dois jogadores com informação completa, em grande parte da família de jogos de conexão. Go, xadrez, cooperação, multiagentes e exploração científica aberta exigem testes próprios.
Mas a métrica é prática: avaliar se o modelo sabe quando uma tentativa rasa basta, quando a busca profunda deve começar e quando computação adicional vale o custo.
Fontes: paper da Nature “People use fast and flat simulation to reason about new games”, arXiv:2510.11503, 36Kr English, CocoLoop; o texto da Nature foi usado para verificar 121 jogos, 1000+ participantes, R²/TVD, MCTS e métricas de eficiência do Expert Gamer.