Hanabi (del japonés花火, fuegos artificiales) es un juego de cartas cooperativo creado por el diseñador de juegos francés Antoine Bauza y publicado en 2010. [1] Los jugadores conocen las cartas de los otros jugadores pero no las suyas, e intentan jugar una serie de cartas en un orden específico para iniciar un espectáculo simulado de fuegos artificiales . Los tipos de información que los jugadores pueden darse entre sí son limitados, al igual que la cantidad total de información que se puede dar durante el juego. En 2013, Hanabi ganó el Spiel des Jahres , un premio de la industria al mejor juego de mesa del año.
La baraja Hanabi contiene cartas de cinco palos (blanco, amarillo, verde, azul y rojo): tres 1, dos de cada uno de los 2, 3 y 4, y un 5. El juego comienza con 8 fichas de información disponibles y 3 fichas de fusibles. Para comenzar el juego, los jugadores reciben una mano que contiene cinco cartas (cuatro para 4 o 5 jugadores). Como en el juego de la farsa ciega , los jugadores pueden ver las cartas de los demás, pero no pueden ver las suyas. El juego se desarrolla en la mesa; en cada turno, un jugador debe realizar una de las siguientes acciones:
El juego termina inmediatamente cuando se agotan todas las fichas de fusibles, lo que da como resultado una pérdida del juego, o se han jugado todos los 5 con éxito, lo que da como resultado una victoria del juego. De lo contrario, el juego continúa hasta que se agote el mazo y durante una ronda completa después de eso. Al final del juego, se suman los valores de las cartas más altas de cada palo, lo que da como resultado una puntuación total de un máximo de 25 puntos.
Hanabi recibió críticas positivas. Board Game Quest le otorgó al juego cuatro estrellas y media, elogiando su singularidad, accesibilidad y participación. [2] De manera similar, The Opinionated Gamers también elogió la participación y la adicción del juego. [3] Ganó varios premios, incluido el ganador del Spiel des Jahres 2013 y el ganador del Fairplay À la carte Award 2013. [4] [5] Hanabi también quedó en sexto lugar en el Deutscher Spiele Preis 2013. [6]
Hanabi es un juego cooperativo de información imperfecta .
Los programas informáticos que juegan a Hanabi pueden jugar solos o en "juegos en equipo ad hoc". En el juego solo, varias instancias del programa juegan entre sí en un equipo. Por lo tanto, comparten una estrategia cuidadosamente perfeccionada para la comunicación y el juego, aunque, por supuesto, no se les permite compartir ilegalmente ninguna información sobre cada juego con otras instancias del programa.
En el juego en equipo ad hoc, el programa juega con otros programas arbitrarios o jugadores humanos.
Se han desarrollado diversos programas informáticos codificando manualmente estrategias basadas en reglas . Los mejores programas, como WTFWThat, lograron resultados casi perfectos en el juego autónomo con cinco jugadores, con una puntuación media de 24,9 sobre 25. [7] [8]
En 2019, DeepMind propuso Hanabi como un juego ideal con el que establecer un nuevo punto de referencia para la investigación de Inteligencia Artificial en el juego cooperativo. [8] [9] [10]
En el modo de juego autónomo, el desafío es desarrollar un programa que pueda aprender desde cero para jugar bien con otras instancias de sí mismo. Dichos programas solo logran alrededor de 15 puntos por juego a partir de 2019, mucho peor que los programas codificados a mano. [8] Sin embargo, esta brecha se ha reducido significativamente a partir de 2020, y el Decodificador de acciones simplificado logró puntajes de alrededor de 24. [11]
El juego en equipo ad hoc es un desafío mucho mayor para la IA, porque "Hanabi eleva el razonamiento sobre las creencias e intenciones de otros agentes al primer plano". [8] Jugar a niveles humanos con equipos ad hoc requiere que los algoritmos aprendan y desarrollen convenciones y estrategias de comunicación con otros jugadores a lo largo del tiempo a través de una teoría de la mente . Los programas informáticos desarrollados para el juego autónomo fracasan estrepitosamente cuando juegan en equipos ad hoc, ya que no saben cómo aprender a adaptarse a la forma en que juegan otros jugadores. Hu et al. demostraron que aprender estrategias invariantes en cuanto a la simetría ayuda a los agentes de IA a evitar aprender convenciones ininterpretables, mejorando su rendimiento cuando se los combina con agentes de IA entrenados por separado (puntuación de alrededor de 22) y con humanos (puntuación de alrededor de 16 frente a un modelo de juego autónomo de referencia que puntuó alrededor de 9). [11]
Deepmind lanzó un marco de código fuente abierto para facilitar la investigación, llamado Hanabi Learning Environment. [12]