論文の概要: Nemobot Games: Crafting Strategic AI Gaming Agents for Interactive Learning with Large Language Models

• arxiv url: http://arxiv.org/abs/2604.21896v1
• Date: Thu, 23 Apr 2026 17:46:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.798496
• Title: Nemobot Games: Crafting Strategic AI Gaming Agents for Interactive Learning with Large Language Models
• Title（参考訳）: Nemobot Games: 大規模言語モデルを用いたインタラクティブ学習のための戦略AIゲームエージェントの開発
• Authors: Chee Wei Tan, Yuchen Wang, Shangxin Guo,
• Abstract要約: 本稿では,大規模言語モデル(LLM)を活用してClaude Shannonによるゲームプレイマシンの分類を拡張・運用する,AIゲームプログラミングの新しいパラダイムを提案する。 このパラダイムの中心にあるのは、対話型エージェントエンジニアリング環境であるNemobotである。
• 参考スコア（独自算出の注目度）: 16.77073947783477
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces a new paradigm for AI game programming, leveraging large language models (LLMs) to extend and operationalize Claude Shannon's taxonomy of game-playing machines. Central to this paradigm is Nemobot, an interactive agentic engineering environment that enables users to create, customize, and deploy LLM-powered game agents while actively engaging with AI-driven strategies. The LLM-based chatbot, integrated within Nemobot, demonstrates its capabilities across four distinct classes of games. For dictionary-based games, it compresses state-action mappings into efficient, generalized models for rapid adaptability. In rigorously solvable games, it employs mathematical reasoning to compute optimal strategies and generates human-readable explanations for its decisions. For heuristic-based games, it synthesizes strategies by combining insights from classical minimax algorithms (see, e.g., shannon1950chess) with crowd-sourced data. Finally, in learning-based games, it utilizes reinforcement learning with human feedback and self-critique to iteratively refine strategies through trial-and-error and imitation learning. Nemobot amplifies this framework by offering a programmable environment where users can experiment with tool-augmented generation and fine-tuning of strategic game agents. From strategic games to role-playing games, Nemobot demonstrates how AI agents can achieve a form of self-programming by integrating crowdsourced learning and human creativity to iteratively refine their own logic. This represents a step toward the long-term goal of self-programming AI.
• Abstract（参考訳）: 本稿では,大規模言語モデル(LLM)を活用してClaude Shannonによるゲームプレイマシンの分類を拡張・運用する,AIゲームプログラミングの新しいパラダイムを提案する。 このパラダイムの中心にあるのは、対話型エージェントエンジニアリング環境であるNemobotである。AI駆動戦略に積極的に関与しながら、LLMを搭載したゲームエージェントを作成、カスタマイズ、デプロイすることができる。 このLLMベースのチャットボットは、Nemobotに統合され、4つの異なるクラスのゲームでその能力を実証している。 辞書ベースのゲームでは、状態アクションマッピングを高速適応性のための効率的で一般化されたモデルに圧縮する。 厳密に解決可能なゲームでは、最適な戦略を計算し、その決定のために人間可読な説明を生成するために数学的推論を用いる。 ヒューリスティックベースのゲームでは、古典的なミニマックスアルゴリズム(例: shannon 1950chess)とクラウドソースデータを組み合わせた戦略を合成する。 最後に、学習ベースのゲームにおいて、人間のフィードバックによる強化学習と自己批判を利用して、試行錯誤と模倣学習を通じて戦略を反復的に洗練する。 Nemobotはこのフレームワークを、ユーザがツール拡張された生成と戦略ゲームエージェントの微調整を実験できるプログラマブルな環境を提供することによって増幅する。 戦略ゲームからロールプレイングゲームまで、Nemobotは、クラウドソースの学習と人間の創造性を統合してAIエージェントが、自身のロジックを反復的に洗練することによって、どのように自己プログラミングを実現するかをデモしている。 これは、AIをプログラミングする長期的な目標への一歩である。

関連論文リスト

• FAIRGAME: a Framework for AI Agents Bias Recognition using Game Theory [51.96049148869987]
  ゲーム理論を用いたAIエージェントバイアス認識フレームワークFAIRGAMEを提案する。 我々は,AIエージェント間の人気ゲームにおけるバイアスのある結果を明らかにするために,その実装と利用について述べる。 全体として、FAIRGAMEはユーザーが望むゲームやシナリオを確実に簡単にシミュレートできる。
  論文  参考訳（メタデータ） (2025-04-19T15:29:04Z)
• Human-like Bots for Tactical Shooters Using Compute-Efficient Sensors [13.743654443419384]
  本稿では、複雑な商用標準の2v2戦術シューティングゲームで遊ぶために、模倣学習を用いてニューラルネットワークを訓練するための新しい手法を提案する。 提案手法は, 空間情報を効率よく取得する小型のレイキャストセンサを用いて, 画期的, 画期的, 画期的, 画期的な知覚アーキテクチャを利用する。 人間の評価テストは、AIエージェントが人間のようなゲームプレイ体験を提供しながら、計算制約下で効率的に操作できることを確認します。
  論文  参考訳（メタデータ） (2024-12-30T12:06:37Z)
• AMONGAGENTS: Evaluating Large Language Models in the Interactive Text-Based Social Deduction Game [12.384945632524424]
  本稿では,シミュレーション環境における人間行動のプロキシの作成に焦点をあてる。 我々の研究は、最先端の大規模言語モデル(LLM)がゲームルールを効果的に把握し、現在の状況に基づいて意思決定できることを示した。
  論文  参考訳（メタデータ） (2024-07-23T14:34:38Z)
• Steering Language Models with Game-Theoretic Solvers [43.023261136434876]
  大規模言語モデル(LLM)によって生成される自然言語対話の空間上で平衡解法が機能するフレームワークを導入する。 具体的には、対話の「ゲーム」におけるプレイヤー、戦略、ペイオフをモデル化することにより、自然言語の相互作用から従来のゲーム理論の記号論理への結合を生成する。 我々は,会議のスケジューリング,果物の取引,討論など,異なる交渉戦略を必要とする3つの領域に注目し,解決者によって指導されたLLMの言語を評価する。
  論文  参考訳（メタデータ） (2024-01-24T22:22:00Z)
• Promptable Game Models: Text-Guided Game Simulation via Masked Diffusion Models [68.85478477006178]
  ニューラルビデオゲームシミュレータのためのPGM(Promptable Game Model)を提案する。 ユーザーは高レベルのアクションシーケンスと低レベルのアクションシーケンスでゲームを実行することができる。 私たちのPGMは、エージェントの目標をプロンプトの形で指定することで、ディレクターのモードをアンロックします。 提案手法は,既存のニューラルビデオゲームシミュレータのレンダリング品質を著しく上回り,現在の最先端の能力を超えたアプリケーションをアンロックする。
  論文  参考訳（メタデータ） (2023-03-23T17:43:17Z)
• Human-Level Reinforcement Learning through Theory-Based Modeling, Exploration, and Planning [27.593497502386143]
  理論に基づく強化学習は、人間のような直感的な理論を使って環境を探索しモデル化する。 EMPAと呼ばれるゲームプレイエージェントのアプローチをインスタンス化する。 EMPAは90のAtariスタイルのビデオゲームで人間の学習効率と一致します。
  論文  参考訳（メタデータ） (2021-07-27T01:38:13Z)
• Teach me to play, gamer! Imitative learning in computer games via linguistic description of complex phenomena and decision tree [55.41644538483948]
  本稿では,複雑な現象の言語記述に基づく模倣による新しい機械学習モデルを提案する。 この手法は,ゲーム開発における知的エージェントの動作を設計し,実装するための優れた代替手段となる。
  論文  参考訳（メタデータ） (2021-01-06T21:14:10Z)
• Model-Based Reinforcement Learning for Atari [89.3039240303797]
  エージェントがモデルフリーの手法よりも少ないインタラクションでAtariゲームを解くことができることを示す。 本実験は,エージェントと環境間の100kの相互作用の少ないデータ構造における,AtariゲームにおけるSimPLeの評価である。
  論文  参考訳（メタデータ） (2019-03-01T15:40:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。