Azul, Poker und Brettspielzüge
Für einzelne Spiele gibt es hier klar umrissene Agenten. Der Azul Game AI Agent bewertet im Brettspiel Azul die Platzierung von Kacheln und die daraus entstehende Punktzahl. Er ist damit interessant, wenn Sie Züge in einem diskreten Brettspiel vergleichen möchten; aus der Beschreibung folgt jedoch nicht, dass er andere Spiele oder frei formulierte Regeln beherrscht. TexasHoldemAgent ist dagegen ein RL-basierter Agent für Heads-up-Limit-Texas-Hold’em. Er lernt Wettstrategien und spielt diese konkrete Poker-Variante. Das macht ihn nicht zu einem allgemeinen Kartenagenten und sagt auch nichts über Echtgeldspiele oder Auszahlungen aus. Prüfen Sie deshalb zuerst Spiel, Regelset und Aufgabenform: Geht es um Zugauswahl, Wetten, Punktmaximierung oder Training? Ebenso wichtig ist, ob Sie einen fertigen Agenten verwenden oder seine Lernmethode untersuchen wollen. Die Beschreibungen nennen bei beiden Produkten keine Angaben zu Eingabeformat, Modellgröße, Laufzeit, Export oder Preis.
StarCraft II, Pacman und PPO
Wer Reinforcement Learning selbst nachvollziehen oder auswerten möchte, findet zwei anders aufgebaute Einträge. Der StarCraft II Reinforcement Learning Agent ist ein Open-Source-Agent, der mit PPO über die DeepMind-PySC2-Umgebung trainiert und StarCraft II spielt. Seine Auswahl passt daher zu einem Workflow rund um Training, Spielumgebung und Agentenausführung, nicht bloß zu einer fertigen Spielhilfe. MultiAgentPacman ist ein Open-Source-Framework, in dem sich Strategien für mehrere Agenten in einer klassischen Pacman-Umgebung implementieren und bewerten lassen. Hier steht also die Mehragenten-Logik im Mittelpunkt. Die beiden Angebote sind nicht austauschbar: StarCraft II bringt das genannte PPO- und PySC2-Setup mit, MultiAgentPacman den Fokus auf Implementierung und Evaluation in Pacman. Aus den Beschreibungen ergeben sich keine Zusagen zu anderen Spielen, grafischen Editoren, Cloud-Ausführung oder einer Übertragung gelernter Strategien. Solche Punkte sollten Sie vor dem Einbau in ein Forschungs- oder Lernprojekt gesondert klären.
CoGym als gamifizierte Übung
CoGym gehört in dieser Kategorie an eine andere Stelle als die Spielagenten. Die Plattform bietet adaptive kognitive Übungen in spielerischer Form und personalisiert Aufgaben für Gedächtnis, Aufmerksamkeit und exekutive Funktionen. Das Ziel ist also Training für Menschen, nicht das Lernen eines Bots in Atari, Poker oder einer Spielsimulation. Wählen Sie CoGym, wenn eine Person Übungen durchführen soll und Anpassung an ihre Lern- oder Trainingssituation wichtiger ist als ein eigener Reinforcement-Learning-Versuch. Wählen Sie stattdessen einen Spielagenten, wenn ein System Spielzüge erzeugen, Strategien lernen oder mehrere Figuren in einer Umgebung steuern soll. Die Beschreibung von CoGym nennt keine konkreten Spiele, keinen Export von Ergebnissen, keine Integrationen und keine Preisstruktur. Auch über die verwendeten Eingaben, die Länge einzelner Übungen oder verfügbare Kontingente ist daraus nichts abzuleiten. Diese offenen Punkte sind besonders relevant, wenn Sie Ergebnisse in ein bestehendes Lernsystem übernehmen oder den Einsatz für eine Gruppe planen.
PySC2-Eingaben und Ausgabeformate
Bei der Auswahl sollten Sie die technische Anschlussstelle vor der Methode prüfen. Beim StarCraft II Reinforcement Learning Agent ist PySC2 als Umgebung genannt; bei MultiAgentPacman ist eine Pacman-Spielumgebung mit Implementierung und Bewertung von Mehragenten-Strategien beschrieben. Azul Game AI Agent und TexasHoldemAgent werden über ihre jeweilige Spielaufgabe und Methode charakterisiert, aber nicht über eine konkrete API. Daraus lässt sich nicht sicher schließen, welche Zustände Sie einspeisen, in welchem Format Aktionen zurückkommen oder ob ein trainiertes Modell exportiert werden kann. Fragen Sie daher nach Zustands- und Aktionsformaten, unterstützten Versionen, Speicherbedarf, Trainingsdauer und einer Möglichkeit zur Wiederaufnahme eines Laufs. Prüfen Sie außerdem, ob das Ergebnis ein Zug, eine Wettentscheidung, ein Bewertungswert, ein trainiertes Modell oder nur eine Auswertung ist. Preise, Abonnements, Nutzungsquoten, Hosting, Integrationen und Exportoptionen werden in den vorliegenden Beschreibungen nicht genannt. Open-Source-Hinweise gibt es für StarCraft II Reinforcement Learning Agent und MultiAgentPacman; daraus folgt allein noch kein bestimmtes Betriebs- oder Preismodell.
Nicht-Spielagenten in der Liste
Mehrere gelistete Produkte passen nach ihrer eigenen Kurzbeschreibung nicht zur Definition von Game-Playing-AI. Adlove erzeugt personalisierte Werbeinhalte, NeuraFlash automatisiert Salesforce-Prozesse, 3Commas automatisiert Strategien für den Kryptowährungshandel, CodeFuse unterstützt beim Programmieren und Artisk automatisiert tägliche Aufgaben. Freysa wird als persönlicher KI-Zwilling beschrieben, der Gespräche speichert und sich weiterentwickelt. Keine dieser Beschreibungen nennt einen Spielagenten, eine Spielumgebung oder Training an einem Spiel. Für die Auswahl sollten Sie diese Einträge daher nicht mit Azul Game AI Agent, TexasHoldemAgent, dem StarCraft-II-Agenten oder MultiAgentPacman gleichsetzen. 3Commas ist insbesondere kein Ersatz für einen Poker- oder Kartenspielagenten: Kryptowährungshandel fällt nicht unter interaktives Spiel in dieser Kategorie. LifelongAgentBench wiederum bewertet kontinuierliches Lernen von Agenten über verschiedene Aufgaben hinweg und nennt Gedächtnis- sowie Anpassungsmodule, aber kein bestimmtes Spiel. Es kann als Benchmark-Thema interessant sein, ist nach der Beschreibung jedoch keine fertige Spielumgebung.
