几十年来，解决游戏的努力一直局限于解决双人游戏，即棋盘游戏如跳棋、类似国际象棋的游戏等，其通过应用一些人工智能(AI)搜索技术和收集大量的游戏统计数据来正确并有效地预测游戏结果。然而这样的方法和技术并不能直接应用于解谜领域，因为解谜一般都是单独玩的单人游戏且有独特的特点如随机或隐藏信息。

因此，这里出现了一个问题，即AI技术如何能保持其在解决双人游戏方面的性能但又能应用于单人游戏?

多年来，谜题和游戏一直被认为是可以互换的或者说是对方的一个部分。事实上，情况可能并非一直如此。从现实世界的角度来看，“游戏”是我们每天都要面对的东西，处理的是未知的东西。而“谜题”是指已知的东西，甚至有些东西是隐藏的还没有被揭开的。那么在解谜的背景下，“谜题”和“游戏”之间的边界是怎样的?

来自日本高级科学技术研究所的Hiroyuki Iida教授及其同事在发表于《Knowledge-based Systems》的最新研究文章中试图回答这两个问题。据悉，这项研究的重点是两个重要的贡献：(1)通过扫雷测试平台定义了单人游戏背景下的谜题的可解性;(2)提出了一种新AI代理，其使用四种策略的统一组合--PAFG解算器。通过利用扫雷谜题的已知信息和未知信息，所提出的结算器在解决该谜题方面取得了跟先进的研究相当的性能。

研究人员采用了一个由两个知识驱动策略和两个数据驱动策略组成的AI代理从而以最佳方式利用当前决策的已知和未知信息来最佳估计后续决策。因此，对于像扫雷这样的单人随机谜题可以建立起谜题和游戏范式之间的界限。

这样的条件在现实世界的问题中起着特别重要的作用，因为在这些问题中，已知和未知之间的界限通常是模糊且非常难以识别的。Iida教授指出：“随着AI代理提高解谜性能的能力，可解性的边界变得明显。这样的情况允许明确定义‘谜题’和‘游戏’的条件，通常在许多现实生活中发现，如确定高风险投资、评估重要决策的风险水平等等。”

随着现有技术和新的计算范式的面世，存在许多不确定因素，如物联网、基于云的服务、边缘计算、神经形态计算等。这种情况对人(即技术承受力)、社区(即技术接受度)、社会(即文化和规范)甚至国家层面(即政策和规则变化)都可能是如此。“人类每天的活动都涉及很多‘游戏’和‘谜题’条件。然而，在规模上映射可解性范式，可以建立已知和未知之间的边界条件从而使未知的风险最小化并使已知的利益最大化，”这项研究的论文第一作者Chang Liu说道，“这样的壮举是通过将知识驱动的技术、人工智能技术和可衡量的不确定性(如获胜率、成功率、进度率等)推向高潮，同时仍保持谜题的趣味性和挑战性来实现的。”