Membuat simulator card game terdengar berat kalau bayangannya memasukkan nama, cost, stat, teks, dan perilaku khusus ratusan kartu satu per satu.
Kalau data kartu sudah terstruktur dan battle engine yang layak sudah open source, masalahnya berubah total. DB dibaca sekaligus, efek umum memakai handler yang sudah ada, dan hanya mekanik baru yang perlu implementasi khusus.
Di kasus ini, Beyond Decks sudah punya data, deck, seed, replay, Battle Sim, AI, dan benchmark.
Jadi bukan membuat game lagi. Ini menambah alat riset dan otak yang lebih bagus ke sandbox yang sudah jadi.
1. Tanpa animasi, satu game ternyata sangat cepat
Client asli menghabiskan waktu untuk draw animation, drag, voice, evolution, attack, damage, dan manusia berpikir.
Simulator cukup:
state A
→ aksi legal
→ pilih
→ update
→ state B
sampai ada yang kalah.
Yang mahal bukan animasi, tetapi seberapa jauh AI harus membaca masa depan.
2. Simulator dasar ternyata serius, bukan gimmick
Sudah ada deterministic seed, replay inspection, target selection, tactical look-ahead, full-turn planning, lethal solver, mekanik kelas, benchmark, coverage audit, dan runtime check.
Pembuatnya juga jujur bahwa AI ini bukan oracle turnamen sempurna; levelnya intermediate.
Artinya fondasi game sudah kuat. Yang paling menarik untuk ditambah adalah kualitas keputusan seperti manusia.
3. 12.480 game menghasilkan Royal sekitar 79,8%—sample besar juga memperbesar bias policy
Rules coverage bagus, tetapi Royal sekitar 79,8% dan Witch 25,6%.
Jangan langsung simpulkan Royal paling kuat.
Kalau Royal cukup dengan “turunkan follower, ambil board, pukul face” sementara deck kompleks membuang combo, evolution, dan hand tanpa rencana masa depan, AI memang memihak deck sederhana.
Sample besar bisa mengukur policy salah dengan sangat presisi.
4. Pengetahuan manusia dimasukkan sebagai kebiasaan berpikir, bukan kunci jawaban
Mulligan, hold card, evolution, ruang hand/board, pergantian menyerang-bertahan, power turn lawan, win condition alternatif, lethal 2–3 turn, dan kesalahan umum dibuat terstruktur.
Bukan aturan keras, tapi skor:
hold_value +20
future_combo_value +30
opponent_counter_cost +25
premature_use -40
Guide manusia mengarahkan pencarian.
5. Yang berjalan sekarang 4.032 game nyata—2.016 adalah kondisi A/B
56 grup × 2 arah × 18 seed = 2.016 kondisi
Reference dan human-prior masing-masing bermain sekali. Total engine: 4.032 game.
2.016 adalah jumlah soal yang sama untuk dua AI.
6. Sebelum batch besar, berhenti dan validasi
Masalah finisher terlalu cepat diperbaiki dulu, lalu smoke test dengan DB dan deck nyata.
Coverage, unsupported, rule gap, hash DB, duplicate ID, missing reference, dan versi corpus ikut dicek.
Pelajarannya: pastikan eksperimen sehat sebelum membayar sample besar.
7. human-prior v1 belum benar-benar adaptif
Ramp Dragon yang sama harus bisa:
normal → ramp
akan mati → defense
lawan kehabisan resource → attack
finisher belum siap → hold
setup siap → pakai
AI harus menghitung ulang tujuan paling penting sekarang setiap turn.
8. Adaptive AI berpindah ATTACK / SURVIVE / SETUP / RESOURCE / LETHAL
HP, board, hand, PP, evolution, pressure, damage berikutnya, dan combo readiness memberi skor pada tiap mode.
Kalau HP 6 menghadapi 14 damage, SURVIVE harus mengalahkan RESOURCE.
Adaptasi berarti membandingkan nilai pakai sekarang dan simpan untuk nanti.
9. Lihat 2–3 turn ke depan, tapi prune dengan pengetahuan manusia
50 aksi legal
→ prior manusia: 20
→ evaluasi murah: 10
→ search 2–3 turn hanya top 10
Aksi +8 sekarang tapi mati berikutnya kalah dari +3 sekarang yang menjaga survival.
10. Melihat hidden hand adalah cheat—gunakan “mungkin punya”
Buat beberapa dunia dari leader, archetype, kartu yang sudah dipakai, deck tersisa, ukuran hand, dan aksi sebelumnya.
punya AoE 30%
tidak 70%
Evaluasi aksi di berbagai kemungkinan.
AI jadi bisa “respect sedikit, tapi tidak takut pada semuanya.”
11. Urutan penting—jangan upgrade AI di tengah 4.032 game
freeze v1
→ selesai 4.032
→ analisis error
→ Adaptive v2
→ quick A/B
→ ulang ~2.016 kondisi
→ full ~12k
→ optimasi 40 kartu
→ diagnosis matchup
v2 harus dibangun dari kegagalan nyata.
12. Targetnya bukan CPU yang hafal guide, tapi CPU yang boleh melanggar guide
Gabungkan human knowledge, game tree, future evaluation, probabilitas hand lawan, dan dynamic mode.
Maka AI bisa:
“Biasanya ramp, tapi kalau mati defense.” “Biasanya hold, tapi kalau lethal pakai semua.” “Biasanya develop, tapi kalau AoE mungkin, sisakan resource.”
Guide membantu. Board menentukan.
13. Pola ini berlaku untuk game lain—buat laboratorium kemenangan
Pokémon dapat memakai simulator yang sudah ada untuk team, selection, switching, dan move choice. Card game untuk deck, mulligan, resource, dan matchup.
Membangun ulang game dan meneliti cara menang adalah pekerjaan berbeda.
Kalau simulator bagus sudah ada, pakai.
Tidak perlu membangun stadion lagi. Bangun lab yang mencari cara menang di dalamnya.
Kalau Royal kembali mendekati 80%:
“Bot ini jangan-jangan jago cuma di pelajaran ‘turunkan unit lalu pukul face’ lagi?”
