Một mô hình nghĩ lâu hơn trên bàn cờ chưa chắc đã giống con người hơn. Nghiên cứu mới trên Nature của MIT, Cambridge, Princeton và các cộng sự dùng 121 trò chơi chiến lược hai người xa lạ để xem con người suy luận lần đầu như thế nào. Kết luận nghiêng về hướng nhẹ: khi thấy trò chơi mới, con người thường dùng một ít mô phỏng tinh thần nông, có mục tiêu.
Với AI, gợi ý rất trực tiếp. Các mô hình suy luận thường coi chuỗi dài và cây tìm kiếm lớn là năng lực. Người dùng thực tế lại cần quyết định sớm: tình huống này có đáng nghĩ tiếp không, nên dùng bao nhiêu tính toán, và thử nước nào trước.
Đo cái nhìn đầu tiên
Nhóm tạo 121 biến thể trò chơi bàn cờ kiểu nối hàng. Kích thước bàn, độ dài nối, điều kiện thắng và hành động theo lượt thay đổi, nhưng người chơi vẫn đặt quân vào ô. Hơn 1000 người tham gia có thể hiểu luật mà không có bài bản luyện lâu năm.
Nhiệm vụ gồm đánh giá trò chơi có công bằng không, ước lượng độ thú vị, đi nước đầu tiên, đoán nước tiếp theo của người khác và quyết định có tiếp tục sau đề nghị hòa hay không. Intuitive Gamer dùng một lượng nhỏ self-play và heuristic hướng mục tiêu.
“whether a task is worth thinking about at all”
Nhanh không có nghĩa là đoán mò
Trong đánh giá công bằng trước khi chơi, Intuitive Gamer khớp với ước lượng của con người ở R²=0,81, gần trần dữ liệu người R²=0,82. Random Player đạt R²=0,47, Expert Gamer R²=0,65 và MCTS R²=0,60.
Chênh lệch hiệu quả lớn hơn. Theo chuẩn self-play của bài báo, thời gian wall-clock của Intuitive Gamer khoảng 1/700 so với Expert Gamer và đánh giá trạng thái bàn cờ ít hơn khoảng 500 lần. So với MCTS, thời gian gần 1/40000 và số node ít hơn gần 10000 lần.
Người chơi cũng giống mô hình tìm nông
302 người chơi một ván trò chơi mới, tạo ra 1808 ván và 9892 nước đi. Trong dự đoán hành động, Intuitive Gamer giải thích lựa chọn người chơi tốt hơn Expert Gamer và mô hình ngẫu nhiên. Trong 41 trò chơi kiểm thử, 32 trò có hơn một nửa phân phối xác suất hành động được mô hình bao phủ; theo cá nhân, 243 trong 302 người cũng như vậy.
Ở 249 trạng thái bàn cờ đóng băng, Intuitive Gamer cũng gần dự đoán con người hơn, với chênh TVD -0,15 so với Expert Gamer và -0,09 so với mô hình ngẫu nhiên.
Bài học cho AI: phân bổ suy nghĩ
Nghiên cứu này chưa tạo ra kiến trúc AI tổng quát. Nhiệm vụ là trò chơi cạnh tranh hai người, thông tin đầy đủ, phần lớn thuộc họ trò chơi nối hàng. Go, cờ vua, hợp tác, multi-agent và khám phá khoa học mở vẫn cần kiểm chứng riêng.
Nhưng nó đưa ra một tiêu chí thực dụng: mô hình không chỉ cần giải sâu, mà còn phải biết thử nông khi đủ, bật tìm kiếm sâu đúng lúc và cân nhắc chi phí tính toán.
Nguồn tham khảo: bài Nature “People use fast and flat simulation to reason about new games”, arXiv:2510.11503, 36Kr English, CocoLoop; bài Nature dùng để kiểm chứng 121 trò chơi, hơn 1000 người tham gia, R²/TVD, MCTS và cách đo hiệu quả Expert Gamer.