Se você está jogando pôquer contra um único oponente ou se encontra em uma guerra de lances pela compra de uma casa com outro comprador em potencial, você está operando sob condições de informação imperfeita. Você sabe quais cartas você tem na mão no jogo de pôquer, e também sabe o quanto acima do preço pedido pela casa você pode pagar, mas você não sabe a mão do seu oponente no jogo de cartas ou quão alto o outro comprador de casa está disposto a ir.
Um artigo co-escrito por pesquisadores do MIT e apresentado em abril na International Conference on Learning Representations no Rio de Janeiro não lhe dirá o que fazer nessas situações, especificamente. Mas oferece novos insights sobre os chamados jogos de informação imperfeita que envolvem dois competidores se enfrentando em uma competição de “soma zero”, onde o ganho de um jogador significa a perda do outro jogador.
Os pesquisadores do MIT no projeto incluem Sobhan Mohammadpour, estudante de PhD no Departamento de Engenharia Elétrica e Ciência da Computação (EECS) do MIT e no Laboratory for Information and Decision Systems (LIDS); e Gabriele Farina, professor assistente no EECS e pesquisador principal no LIDS. Coautores adicionais incluem Max Rudolph da University of Texas at Austin (UT), Nathan Lichtlé da University of California at Berkeley (UCB), Alexandre Bayen da UCB, J. Zico Kolter da Carnegie Mellon University (CMU), Amy X. Zhang ’11, MNG ’12 da UT; Eugene Vinitsky da New York University; e Samuel Sokota da CMU.
O foco do novo trabalho é em algoritmos que poderiam ser usados para treinar redes neurais para participar de jogos de informação imperfeita. A suposição, há muito tempo mantida no campo, era que algoritmos baseados em princípios da teoria dos jogos, nesse cenário, superariam claramente uma variedade de algoritmos de propósito geral, chamados métodos de gradiente de política, que foram usados para tomada de decisão.
Fonte: MIT News - AI
Publicado em 2026-06-17