“Monte-Carlo Tree Search for Artificial General Intelligence in Games” 

Onderzoek in kunstmatige intelligentie heeft aangetoond dat machines kunnen worden geprogrammeerd om net zo goed, of zelfs beter te presteren dan mensen in specifieke taken, zoals schaken, afbeeldingen herkennen of auto's besturen. Mensen hebben echter nog steeds het voordeel dat ze autonoom tussen al deze taken kunnen schakelen, terwijl voor elke nieuwe taak een machine opnieuw moet worden geprogrammeerd. Het gebied van kunstmatige algemene intelligentie is gericht op het creëren van een programma dat in staat is om heterogene taken autonoom uit te voeren in verschillende omgevingen, vergelijkbaar met mensen. Het vermogen om te plannen en beslissingen te nemen is een van de kerncapaciteiten die van een dergelijk programma worden verwacht. Mijn onderzoek presenteert verschillende verbeteringen voor een strategie die zoekt naar de beste acties om uit te voeren in een onbekende omgeving, met bordspellen en videospellen als testdomeinen. Het onderzoek toont aan dat de prestaties van een agent die veel onbekende (video) games speelt, kunnen worden verbeterd door op een rekenefficiënte manier te redeneren over de spelregels, spelonafhankelijke informatie te gebruiken om de zoekactie te begeleiden en de zoekactie aan te passen en te diversifiëren nieuw spel wordt gespeeld.