プレイ対象と勝敗条件
まず、AIに何をプレイさせるかを決めます。Azul Game AI AgentはMinimaxとMonte Carlo Tree Searchでタイル配置と得点を扱い、TexasHoldemAgentはヘッズアップのリミットTexas Hold'emでベッティングを学習します。StarCraft II Reinforcement Learning AgentはPPOとDeepMindのPySC2環境を使い、MultiAgentPacmanは複数エージェントの戦略をPacman環境で評価します。いずれも対象ゲームやルールに結び付いた例で、別のゲームへそのまま移せるとは限りません。
PPOとMCTSの違い
選択時は、既存の探索で手を選ぶのか、試行から方策を学ぶのかを見ます。Azul Game AI AgentはMinimaxとMonte Carlo Tree Search、StarCraft II Reinforcement Learning AgentはPPO、TexasHoldemAgentは強化学習を使います。MultiAgentPacmanは複数エージェントの実装と評価に向きます。一方、LifelongAgentBenchは記憶や適応モジュールを含む継続学習を評価する枠組みです。学習済みのプレイヤーが欲しいのか、訓練や比較の土台が欲しいのかで候補は変わります。
認知訓練とゲームボット
ゲームを人の練習に使うか、AIに操作させるかも分けて考えます。CoGymは記憶、注意、実行機能を対象にした、個別化されたゲーム形式の認知トレーニングです。対してAzul Game AI Agent、TexasHoldemAgent、StarCraft II Reinforcement Learning Agent、MultiAgentPacmanはゲームをプレイまたは学習するエージェントです。前者は利用者の練習フローに、後者は対戦、実験、エージェント評価のフローに置くものです。
PySC2と連携先の確認
導入前に、どの環境へ接続できるか、入力する状態と返す行動が何かを確認します。StarCraft II Reinforcement Learning Agentについては、PySC2を介してStarCraft IIを訓練・プレイすることが示されています。MultiAgentPacmanはPacman環境で実装と評価を行う枠組みです。対して、一覧にはSalesforce業務を自動化するNeuraFlashや、コーディング支援のCodeFuseもあります。ゲーム内エージェントを探すなら、目的と接続先が一致するかを説明文で見直してください。
料金・出力・評価範囲
この一覧の説明だけでは、料金体系、利用枠、処理時間、モデルの書き出し形式、APIの有無までは判断できません。導入を決める前に、必要なゲーム環境、学習結果の保存方法、評価指標、実行条件を各提供元で確認しましょう。LifelongAgentBenchのようなベンチマークは継続学習の評価が中心で、プレイヤーそのものとは役割が異なります。Freysaは会話を記憶して成長するAIツイン、Adloveは広告コンテンツ生成、3Commasは暗号資産取引の自動化なので、ゲームプレイ目的なら対象外かどうかも切り分けが必要です。