Как играть с самим собой

Привет, Хабр!

Как знают наши постоянные читатели, мы давно и успешно издаем книги по Unity. В рамках проработки темы нас заинтересовал, в частности, инструментарий ML-Agents Toolkit.

Сегодня мы предлагаем вашему вниманию перевод статьи из блога Unity о том, как эффективно обучать игровых агентов методом игры «с самим собой»; в частности, статья помогает понять, чем этот метод эффективнее традиционного обучения с подкреплением.

Приятного чтения! В этом после дается обзор технологии self-play (игра с самим собой) и демонстрируется, как с ее помощью обеспечивается стабильное и эффективное обучение в демонстрационной среде Soccer из инструментария ML-Agents Toolkit.

В демонстрационных средах Tennis и Soccer из инструментария Unity ML-Agents Toolkit агенты стравливаются друг с другом как соперники. Обучение агентов в рамках такого состязательного сценария – порой весьма нетривиальная задача.

На самом деле, в предыдущих релизах ML-Agents Toolkit для того, чтобы агент уверенно обучился, требовалась серьезная проработка награды. В версии 0.

14 была добавлена возможность, позволяющая пользователю тренировать агентов методом обучения с подкреплением (RL) на основе self-play, механизма, имеющего принципиальное значение в достижении одних из наиболее высококлассных результатов обучения с подкреплением, например, OpenAI Five и DeepMind’s AlphaStar.

Self-play при работе стравливает друг с другом актуальную и прошлую ипостаси агента. Таким образом, мы получаем противника для нашего агента, который может постепенно совершенствоваться с использованием традиционных алгоритмов обучения с подкреплением. Полноценно обученный агент может успешно соперничать с продвинутыми игроками-людьми.

Self-play предоставляет среду для обучения, которая построена по тем же принципам, что и соревнование с точки зрения человека. Например, человек, который учится играть в теннис, будет выбирать для спарринга соперников примерно того же уровня, что и сам, так как слишком сильный или слишком слабый соперник не так удобен для освоения игры. С точки зрения развития собственных навыков, для начинающего теннисиста может быть гораздо ценнее обыгрывать таких же начинающих, а не, скажем, ребенка-дошкольника или Новака Джоковича. Первый даже не сможет отбить мяч, а второй не подарит тебе такой подачи, которую ты сможешь отбить. Когда начинающий разовьет достаточную силу, он может переходить на следующий уровень или заявляться на более серьезный турнир, чтобы играть против более умелых соперников. В этой статье мы рассмотрим некоторые технические тонкости, связанные с динамикой игры самим с собой, а также рассмотрим примеры работы в виртуальных окружениях Tennis и Soccer, отрефакторенных таким образом, чтобы проиллюстрировать игру с самим собой.

История игры с самим собой в играх

У феномена игры с самим собой – долгая история, отразившаяся в практике разработки искусственных игровых агентов, призванных соперничать с человеком в играх. Одним из первых эту систему использовал Артур Сэмюэл, разработавший в 1950-е симулятор для игры в шахматы и опубликовавший эту работу в 1959 году.

Эта система стала предтечей эпохального результата в обучении с подкреплением, достигнутого Джеральдом Тезауро в игре TD-Gammon; итоги опубликованы в 1995 году.

В TD-Gammon использовался алгоритм работы по методу временных различий TD(λ) с функцией игры самим с собой, чтобы обучить агент игре в нарды настолько, что он мог бы посоперничать с человеком-профессионалом.

В некоторых случаях наблюдалось, что TD-Gammon обладает более уверенным видением позиций, чем игроки международного класса.

Игра с самим собой нашла отражение во многих знаковых достижениях, связанных с RL.

Важно отметить, что игра с самим собой помогла развитию агентов для игры в шахматы и го, обладающих сверхчеловеческими способностями, элитных агентов DOTA 2, а также сложных стратегий и контрстратегий в таких играх, как реслинг и прятки. В результатах, достигнутых при помощи игры с самим собой, часто отмечается, что игровые агенты избирают стратегии, удивляющие экспертов-людей.

Игра с самим собой наделяет агентов определенной креативностью, не зависящей от творчества программистов. Агент получает лишь правила игры, а затем – информацию о том, выиграл он или проиграл. Далее, опираясь на эти базовые принципы, агент должен сам выработать грамотное поведение. По словам создателя TD-Gammon, такой подход к обучению освобождает, «…в том смысле, что программа не стеснена человеческими склонностями и предрассудками, которые могут оказаться ошибочными и ненадежными». Благодаря такой свободе, агенты открывают блестящие игровые стратегии, совершенно изменившие представления специалистов-инженеров о некоторых играх.

Обучение с подкреплением в состязательных играх

В рамках традиционной задачи обучения с подкреплением агент пытается выработать такую линию поведения, которая доводит до максимума суммарную награду. Вознаграждающий сигнал кодирует задачу агента – такой задачей может быть, например, прокладка курса или сбор предметов.

Поведение агента подчиняется ограничениям окружающей среды. Таковы, например, тяготение, преграды, а также относительное влияние действий, предпринимаемых самим агентом – например, приложение силы для собственного движения.

Эти факторы ограничивают возможные варианты поведения агента и являются внешними силами, с которыми он должен научиться обращаться, чтобы получать высокую награду.

Таким образом, агент тягается с динамикой окружающей среды, и должен переходить из состояния к состоянию именно так, чтобы достигалась максимальная награда.

Слева показан типичный сценарий обучения с подкреплением: агент действует в окружающей среде, переходит в следующее состояние и получает награду. Справа показан сценарий обучения, где агент состязается с соперником, который, с точки зрения агента, фактически является элементом окружающей среды.

В случае с состязательными играми агент тягается не только с динамикой окружающей среды, но и с другим (возможно, интеллектуальным) агентом. Можно считать, что соперник встроен в окружающую среду, и его действия непосредственно влияют на следующее состояние, которое «увидит» агент, а также на награду, которую он получит.

Пример со средой «Теннис» из инструментария ML-Agents

Рассмотрим демо-пример ML-Agents Tennis. Голубая ракетка (слева) – это обучающийся агент, а фиолетовая (справа) – его соперник. Чтобы перекинуть мяч через сетку, агент должен учитывать траекторию мяча, летящего от соперника, и делать поправку угла и скорости летящего мяча с учетом условий среды (гравитации). Однако, в состязании с соперником перебросить мяч через сетку – это лишь полдела. Сильный соперник может ответить неотразимым ударом, и в результате агент проиграет. Слабый соперник может попасть мячом в сетку. Равный же соперник может вернуть подачу, и поэтому игра продолжится. В любом случае, как следующее состояние, так и соответствующая ему награда зависят как от условий окружающей среды, так и от соперника. Однако, во всех этих ситуациях агент делает одну и ту же подачу. Поэтому как обучение в состязательных играх, так и прокачка сопернических поведений у агента – это сложные проблемы. Соображения, касающиеся подходящего оппонента, не тривиальны. Как понятно из изложенного выше, относительная сила оппонента значительно влияет на исход конкретной игры. Если оппонент слишком силен, то агенту, возможно, будет непросто научиться игре с нуля. С другой стороны, если оппонент слишком слаб, то агент может научиться побеждать, но эти навыки могут оказаться бесполезны в соревновании с более сильным или просто иным оппонентом. Следовательно, нам нужен оппонент, который будет примерно равен по силе агенту (неподатлив, но не непреодолим). Кроме того, поскольку навыки нашего агента улучшаются с каждой пройденной партией, мы должны в той же мере наращивать и силы его оппонента. При игре с самим собой мгновенный снимок из прошлого или агент в его текущем состоянии – это и есть соперник, встроенный в окружающую среду.

Вот здесь нам и пригодится игра с самим собой! Сам агент удовлетворяет обоим требованиям к искомому оппоненту. Он определенно примерно равен по силе самому себе, и навыки его улучшаются со временем. В данном случае в окружающую среду встроена собственная политика агента (см. на рисунке).

Тем, кто знаком с постепенно усложняющимся обучением (curriculum learning), подскажем, что эту систему можно считать естественным образом развивающимся учебным планом, следуя которому, агент научается сражаться против все более сильных оппонентов.

Соответственно, игра с самим собой позволяет задействовать саму окружающую среду для обучения конкурентоспособных агентов для состязательных игр!

В двух следующих разделах будут рассмотрены более технические детали обучения конкурентоспособных агентов, касающиеся, в частности, реализации и использования игры с самим собой в инструментарии ML-Agents Toolkit.

Практические соображения

Возникают некоторые проблемы практического характера, касающиеся самого фреймворка для игры с самим собой.

В частности, возможно переобучение, при котором агент научается выигрывать только при определенном стиле игры, а также нестабильность, присущая процессу обучения, способная возникнуть из-за нестационарности функции перехода (то есть, из-за постоянно меняющихся оппонентов).

Первая проблема возникает, поскольку мы хотим добиться от наших агентов общей подкованности и способности сражаться с оппонентами разных типов. Вторую проблему можно проиллюстрировать в среде Tennis: разные оппоненты будут отбивать мяч с разной скоростью и под разными углами.

С точки зрения обучающегося агента это означает, что, по мере обучения, одни и те же решения будут приводить к разным исходам и, соответственно, агент будет оказываться в разных последующих ситуациях. В традиционном обучении с подкреплением подразумеваются стационарные функции перехода.

К сожалению, подготовив для агента подборку разнообразных оппонентов, чтобы решить первую проблему, мы, проявив неосторожность, можем усугубить вторую. Чтобы справиться с этим, будем поддерживать буфер с прошлыми политиками агента, из которых и будем выбирать потенциальных соперников для нашего «ученика» на долгую перспективу.

Выбирая из прошлых политик агента, мы получим для него подборку разнообразных оппонентов. Более того, позволяя агенту в течение долгого времени тренироваться с фиксированным оппонентом, мы стабилизируем функцию перехода и создаем более непротиворечивую учебную среду. Наконец, такими алгоритмическими аспектами можно управлять при помощи гиперпараметров, которые рассматриваются в следующем разделе.

Реализация и детали использования

Подбирая гиперпараметры для игры с самим собой, мы, прежде всего, держим в уме компромисс между уровнем оппонента, универсальностью окончательной политики и стабильностью обучения.

Обучение в соперничестве с группой оппонентов, которые меняются медленно или вообще не меняются, а, значит, дают меньший разброс результатов – это более стабильный процесс, чем обучение в соперничестве с множеством разнообразных соперников, которые быстро меняются.

Доступные гиперпараметры позволяют контролировать, как часто будет сохраняться текущая политика агента для последующего использования в качестве одного из соперников в выборке, как часто сохраняется новый соперник, впоследствии выбираемый для спарринга, как часто выбирается новый соперник, количество сохраненных оппонентов, а также вероятность того, что в данном случае обучаемому придется сыграть против собственного alter ego, а не против оппонента, выбранного из пула.

В состязательных играх «накопительная» награда, выдаваемая средой – пожалуй, не самая информативная метрика для отслеживания прогресса в обучении. Дело в том, что накопительная награда целиком и полностью зависит от уровня оппонента. Агент, обладающий определенным игровым мастерством, получит большую или меньшую награду, в зависимости от менее умелого или более умелого оппонента, соответственно. Мы предлагаем реализацию рейтинговой системы ELO, позволяющей рассчитывать относительное игровое мастерство у двух игроков из определенной популяции при игре с нулевой суммой. В течение отдельно взятого тренировочного прогона это значение должно стабильно увеличиваться. Отслеживать его, наряду с другими метриками обучения, например, общей наградой, можно при помощи TensorBoard.

Игра с самим собой в среде Soccer

В последние релизы ML-Agent Toolkit не включается политика агентов для учебной среды Soccer, поскольку надежный учебный процесс в ней не выстраивался. Однако, задействовав игру с самим собой и проведя некоторый рефакторинг, мы сможем обучать агента нетривиальным вариантам поведения. Наиболее существенное изменение – это удаление «игровых позиций» из числа характеристик агента. Ранее в среде Soccer явно выделялись «вратарь» и «нападающий», поэтому весь геймплей выглядел более логично. В данном видео представлена новая среда, в которой видно, как спонтанно формируется ролевое поведение, при котором одни агенты начинают выступать в качестве нападающих, а другие – в качестве вратарей. Теперь агенты сами учатся играть на этих позициях! Функция награды для всех четырех агентов определяется как +1.0 за забитый гол и -1.0 за пропущенный гол, с дополнительным штрафом -0.0003 за шаг – этот штраф предусмотрен, чтобы стимулировать агентов на атаку.

Здесь еще раз подчеркнем, что агенты в учебной среде Soccer сами научаются кооперативному поведению, и для этого не используется никакого явного алгоритма, связанного с мультиагентным поведением или присваиванием ролей. Этот результат демонстрирует, что агента можно обучать сложным вариантам поведения, пользуясь сравнительно простыми алгоритмами – при условии, что задача будет качественно сформулирована. Важнейшее условие для этого заключается в том, что агенты могут наблюдать за своими сокомандниками, то есть, они получают информацию об относительной позиции сокомандника. Навязывая агрессивную борьбу за мяч, агент косвенно подсказывает сокоманднику, что тот должен отойти в защиту. Напротив, отходя в защиту, агент провоцирует сокомандника на нападение.

Что дальше

Если вам доводилось пользоваться какими-либо новыми возможностями из этого релиза – расскажите о них. Обращаем ваше внимание на страницу ML-Agents GitHub issues, где можно рассказать о найденных багах, а также на страницу форумов Unity ML-Agents, где обсуждаются вопросы и проблемы общего характера.

Игры с самим собой для расширения человеческих возможностей

Игры с собой — волшебный инструмент, польза от применения которого распространяется на различные сферы жизнедеятельности. Он помогает бороться со стрессом и прокрастинацией, формировать здоровые привычки и избавляться от вредных наклонностей. В этой статье я поделюсь своим опытом использования магии игры с самим собой.

Идея проста… Внимательно следим за своим поведением в различных ситуациях. Если из раза в раз на внешний раздражитель наблюдается реакция, которую вы хотите поменять, следует воспользоваться идеей игры с собой.

Фактически вам предстоит изменить поведение, которое вызывает сильный негативный внутренний импульс. Для этого ему можно противопоставить позитивную внутреннюю мотивацию, которую вы и создадите, имитируя игровой процесс. Почему это работает? Потому что азарт человека может мотивировать его побеждать, соответственно, он и может послужить необходимой движущей силой.

Приведу пример. Я обратил внимание, что за рулем постоянно пытаюсь проскочить на мигающий зеленый. Пару раз из-за этого едва избежал столкновения с машинами, начавшими движение по перпендикулярному направлению раньше положенного.

Это в очередной раз натолкнуло меня на мысль, что человек склонен из-за сомнительных сиюминутных преимуществ рисковать гораздо более ценным. Такая езда сэкономит пару минут, но может обернуться последствиями, как минимум, в виде массы потерянного времени, а в худшем случае нанесет вред здоровью пассажиров.

Но человеку сложно держать в голове стратегические перспективы и руководствоваться ими, поэтому и необходимо изобретать сиюминутные выгоды. Например, в случае со стилем вождения, я придумал игру — каждый день останавливаться на мигающий зеленый минимум два раза.

Другой пример. Хотел скорректировать стиль ведения дискуссии. В частности, не допускать эмоциональный ответ собеседнику, допускающий использование фраз, о которых впоследствии (буквально уже через пару минут) будешь сожалеть.

Решение — отвечать по истечении 5 секунд, в течение которых эмоциональный накал снижается.

Свое поведение я вынужденно изменил и в другой ситуации. Так, один из начальников любил проводил в день по несколько совещаний, которые затягивались из-за его привычки подолгу отвлекаться на не относящиеся к работе ситуации.

В результате сотрудники теряли драгоценное время и вынуждены были задерживаться на работе, чтобы успеть выполнить свою работу. Поэтому с течением времени эти совещания мы стали воспринимать крайне негативно, что приводило к росту внутреннего напряжения и ненужному стрессу. Однако я приспособился и подавил эту реакцию.

В этом мне помогла опять же игра, в которой я развивал наблюдательность, пытаясь угадать эмоции своих коллег и их ответы на вопросы.

Таким образом, мысль о том, что я продолжаю развиваться вместо бессмысленного расходования времени, помогла мне избавиться от стресса и даже в некоторой степени «полюбить» совещания.

Следует отметить, что важным условием для извлечения пользы от игр с собой является умение своевременно осознавать наступление обстоятельств, требующих корректировки поведения. Это связано с развитием навыка самонаблюдения и избавления от постоянного «зомби-режима», характеризующегося автоматической, неосознанной реакцией на неоднократно встречавшиеся внешние раздражители.

Желаю всем удачи в обучении и саморазвитии! Делитесь своими хитростями в х.

Игры с самим собой

Один вариант игр: человек заявляет окружающим (что менее важно) или себе (что особенно важно), будто он в любой момент прекратит… На место многоточия можно поставить то, от чего человек, пусть неосознанно, не собирается отказываться: курить, много выпивать, потреблять слишком много пищи или сладкого и т.д. Человек может даже привести пример, когда он уже прекращал… (курить, пить, потреблять слишком много пищи или сладкого) и справился с этим. Правда, затем снова начал. Часто без особой на то причины, просто так.

Впрочем, его заявление, будто он способен прекратить в любой момент по своему желанию, выглядит малоубедительным. Более того, ясно, что он не осознает глубины мотивов, побуждающих его продолжать, и ускользает от активных действий по прекращению.

Антитезис здесь состоит в стремлении стимулировать человека к попытке прекращения вредной для него деятельности без промедления и откладывания. И если такая попытка даже окажется неудачной, то человек все же осознает свою проблему. А это значит, что игра с самим собой будет осознана и разрушена.

Другой вариант игр человека с самим собой состоит в том, что он заявляет окружающим (что менее важно) и себе (что более важно), будто он в любой момент готов начать… На месте многоточия может быть: заниматься спортом, учить иностранный язык, регулярно принимать витамины и минеральные комплексы, укреплять свое здоровье и т.д.

Антитезис в этих ситуациях схож с таковым в играх предыдущего класса: важно начать без промедления и откладывания.

Третий вариант игр состоит в стремлении откладывать прекращение какой-то приятной деятельности или начало чего-то, требующего усилий.

Все мы часто встречаемся с ситуацией, когда человек заявляет: «Начну худеть с понедельника, а сейчас можно плотно поужинать».

Осенью он может говорить: «Вот придет лето, и я сяду на велосипед — и по двадцать километров каждый день!» А весной: «Скорее бы зима. На лыжи — и сгонять вес!»

Четвертый вариант игр с самим собой, когда человек между прекращением какой-то приятной для него деятельности или началом неприятной выставляет условие или незначительную дополнительную деятельность.

В последующем выполнение этого простого условия оказывается довольно сложным, а дополнительная деятельность либо чрезмерно затягивается, либо оказывается несовместимой с основной. Человек говорит себе: «Вот полежу пять минут, встану и все сделаю». Когда он просыпается через несколько часов, то уже нужно выходить из дома.

Только тогда он понимает, что ничего из запланированного не сделал. Дает себе обещание сделать в следующий раз — и так может повторяться бесконечно.

Во всех названных классах игр с самим собой антитезисы схожи и приведены выше. Антитезисом для многих игр, наряду с отказом от лжи, является заключение контрактов. Всеобщим антитезисом также является обращение к профессионалам для решения проблем, требующих профессиональных знаний и умений.

Для любой игры нужны партнеры. Обычно «водящий» подбирает себе партнеров, демонстрируя название своей игры, рекламируя ее. Круг игроков, предпочитающих играть в одни и те же игры, формируется постепенно.

Например, игроки предпочитают одинаково структурировать свое время, создают компании. Часто клиент говорит: «Ну почему это опять произошло со мной?» или «Все мужчины в моей жизни как под копирку».

Когда игрок выходит на поле для игры, он надевает футболку, где написано название команды или клуба. Когда мы «надеваем футболки» для психологической игры, на них тоже написаны наши девизы. Это — приглашение к игре.

Образ, стиль, манеры, одежда, макияж, тон голоса, мимика, фразы — опосредованные способы демонстрации надписей на футболках, приглашение к совместному структурированию времени или игре.

Спереди как бы написано то, что мы осознаем и желаем предъявить окружающим, а сзади изображены скрытые послания психологического уровня. Именно по посланиям на спине мы выбираем тех людей, с которыми желаем играть в игры. Когда же мы исследуем послания на груди и на спине, у нас может появиться потребность в откровенных, близких отношениях.

Итак, психотерапевты распознают игры. Основная задача психотерапевта — помочь человеку перейти от игр к более конструктивным формам взаимодействия, например совместной деятельности или близости. Для этого при необходимости используются антитезисы и разрушаются игры.

В других случаях, после осознания игры, можно начинать свою игру и переигрывать вовлекающих вас в игру. Однако прежде всего важно выявлять приглашения участвовать в играх — Крючки и Ловушки — и избегать их. Это делает нашу жизнь более результативной и заполненной.

10 настольных игр

Когда я не могу сыграть партию с друзьями, я развлекаю сама себя.

Полина Калмыкова

не унывает

Профиль автора

В настолки можно играть и в одиночку: издатели часто предусматривают возможность игры в соло-режиме. Расскажу о своих фаворитах: надеюсь, они помогут вам скрасить одинокие вечера.

В конце статьи — бонус для тех, кому скучно раскладывать игру только для себя: несколько сайтов, на которых можно поиграть в настолки онлайн.

Сколько стоит: 990 Р
Доставка: по тарифам Почты России
Где купить: Hobby Games
Время партии: 15—30 минут

Правда, и подземелья, и драконы, и сами герои — воображаемые: вместо игрового поля и фигурок на столе только разноцветные кубики, карточки с описанием способностей героев и жетоны, которые понадобятся для подсчета очков.

Сколько стоит: 990 Р
Доставка: 300 Р Почтой России
Где купить: «Лавка игр»
Время партии: полчаса-час

Благодаря тому, что на кубиках всякий раз выпадают разные комбинации, играть можно сколько угодно, соревнуясь с собой за новые рекорды.

Сколько стоит: 1240 Р
Доставка: от 250 Р Почтой России
Где купить: «Веселая сова»
Время партии: 3—15 минут

Заиграться не получится: песок в колбе рассчитан всего на 3 минуты, а фрагменты поля, которые заставляют игроков переворачивать часы, встречаются не так уж и часто — так что дольше 15 минут партия не продлится.

Сколько стоит: от 590 Р
Доставка: от 300 Р
Где купить: «Звезда»
Время партии: час-полтора

Эта игра одноразовая: ответы на загадки будут известны после первой партии, а чтобы решить некоторые задачи, игроку потребуется резать, мять и разрисовывать элементы из набора. Если игра понравится, можно выбрать коробку с другим сюжетом: в этой серии их уже больше десяти.

Сколько стоит: 2290 Р
Доставка: от 350 Р Почтой России, экспресс-доставка по Москве — от 499 Р
Где купить: «Игротайм»
Время партии: от 45 минут

С теми, кто играет в одиночестве, соревнуется искусственный интеллект — Дракон Изобретательности. Один ход игрок делает за себя, а следующий — за Дракона по описанному в правилах алгоритму. Дракон не строит крепость, но мешает делать это игроку, забирая кости из игры.

Сколько стоит: 5900 Р
Доставка: по тарифам Почты России
Где купить: Game-house
Время партии: полтора часа

В одиночном режиме нужно бороться с искусственным интеллектом, ходы которого прописаны на специальных карточках. Двигать фигурки за воображаемого противника придется самостоятельно, но победить его будет непросто — особенно на максимальном уровне сложности.

Сколько стоит: 5490 Р
Доставка: от 109 Р Почтой России
Где купить: Hobby Games
Время партии: около часа на одну кампанию

Хотя персонажей в отряде несколько, они побеждают или проигрывают только все вместе — поэтому не так уж важно, управляет ли каждым героем отдельный игрок или всем отрядом руководит единственный капитан.

Для партии нужно установить мобильное приложение Journeys in Middle-earth, которое поможет разложить игровые элементы на поле и расскажет, что именно происходит с отрядом во время путешествия.

Каждый раз приложение заново комбинирует элементы сюжета и части игрового поля — перепроходить игру можно практически бесконечно.

Сколько стоит: 5690 Р
Доставка: от 109 Р Почтой России
Где купить: Hobby Games
Время партии: два-три часа на одну кампанию

На первый взгляд игра кажется клоном «Властелина колец», только в других декорациях: игрок так же управляет командой из нескольких персонажей, а специальное приложение руководит противниками — в этом случае монстрами из книг Говарда Лавкрафта. Но отличий больше: если «Властелин колец» предполагает сражения, то в «Особняках безумия» сильнее детективная составляющая.

Скачать приложение можно бесплатно в «Стиме», «Эпсторе» или «Плей-маркете». Я советую сначала познакомиться с игрой в электронном варианте, прежде чем тратиться на дорогую коробку.

Сколько стоит: 2950 Р
Доставка: от 250 Р Почтой России
Где купить: «Веселая сова»
Время партии: два-три часа на одно дело

Как и положено детективам, у игроков есть доступ к особой базе данных и интернету. Во время партии придется сличать отпечатки пальцев с уликами, сравнивать ДНК задержанного с ДНК убийцы, читать статьи на Википедии или искать место преступления на «Гугл-картах».

Чтобы выиграть, недостаточно восстановить картину преступления. Нужно еще уложиться в сроки, а также предоставить суду веские доказательства: из одних догадок дела не сошьешь. В одной коробке 5 историй, и они связаны между собой — лучше не делать между партиями большие перерывы, иначе потом будет сложно вспомнить, кто есть кто и какие к кому вопросы.

Сколько стоит: 299 Р
Доставка: по тарифам Почты России
Где купить: «Единорог»
Время партии: около часа

Эта игра похожа на предыдущую, но проще: игрок тоже расследует преступление, ищет улики и соблюдает дедлайны, но для этого ему требуется только колода карт. В ней находятся зацепки, в том числе ложные: чтобы определить, на что обращать внимание, а что чепуха, понадобится внимание, логика и иногда даже интуиция.

В этой игре нет сложных правил и механик: нужно просто вытягивать карты и думать, как информация поможет раскрыть дело.

Если нет возможности встретиться с друзьями, можно найти других игроков на специальных ресурсах. Вот они.

Board Game Arena — сервис для партий в настольные игры прямо в браузере. В базе много известных игр, в том числе и на русском языке: например, «Каркассон», «Продано!» и «Семь чудес». Подключиться к партии можно бесплатно.

Tabletop Simulator — это программа, которую нужно покупать в «Стиме». За 419 Р игрок получает доступ более чем к 1000 настольных игр.

Tabletopia — бесплатный аналог предыдущей программы. Игр поменьше, а платные не нужно покупать по отдельности: по подписке игрок получает доступ к ним всем — это стоит от 4,99 $⁣ (398 Р) в месяц.

История игры с самим собой в играх