『SLAM DUNK』の中でも、圧倒的な1on1能力を持つ選手として描かれている流川楓。
スピード。
ドライブ。
ジャンプシュート。
フェイク。
空中での対応力。
得点するための選択肢が非常に多い。
では、そんな流川の1on1をAIで1000試合シミュレーションしたら、どのくらい勝つのだろうか。
もちろん漫画の登場人物なので、実際のシュート成功率や走力などの完全な公式データが存在するわけではない。
そこで今回は、作中で描かれた特徴をモデル化した架空のAIシミュレーションとして考えてみる。
目的は、
「流川は83％の確率で勝つ」
と断定することではない。
むしろ面白いのは、
相手のタイプを変えると勝率がどう動くのか
という部分だ。
※本記事の数値は公式データではなく、ゲームシステム・AI分析をテーマにした独自の仮想シミュレーションです。
まず1on1のルールを決める
シミュレーションをするなら、最初にルールが必要だ。
今回はシンプルにする。
1試合11点先取。
通常シュート1点。
3Pライン外からは2点。
攻守交代方式。
ファウルあり。
リバウンドあり。
この条件で1000試合を行うと仮定する。
ただし、相手を固定すると面白くない。
そこで流川と戦う相手を5タイプに分類する。
相手A｜平均的な高校生選手
最初は平均的な高校バスケ選手。
身長。
スピード。
シュート。
守備。
すべて平均程度と仮定する。
この相手なら、流川がかなり有利になるだろう。
AIが流川の攻撃能力を高く設定すれば、ドライブを止めるのが難しい。
距離を取ればジャンプシュート。
近づけばドライブ。
片方だけを警戒すると、もう片方を使われる。
仮想シミュレーション結果は、
流川 913勝
相手 87勝
勝率91.3％。
かなり高い。
ただし100％にはしない。
どんな強い選手でもシュートを外す。
相手のシュートが連続で入ることもある。
短い11点ゲームなら偶然の影響も大きい。
なぜ格下にも負けるのか？
ここはスポーツゲームを設計するときにも重要だ。
能力値が高いから必ず勝つ。
これではシミュレーションにならない。
例えば流川のシュート成功率を60％とする。
ある試合では、
○
○
○
○
と連続で入る。
別の試合では、
×
×
○
×
となるかもしれない。
確率にはブレがある。
そのブレによって、格下にも勝つ可能性を残す。
だから1000回戦えば87回程度は負ける、という設定にしてみる。
相手B｜守備特化型
次は守備だけ非常に強い選手。
得点力は普通。
しかし横の動きが速い。
フィジカルも強い。
フェイクにも簡単には反応しない。
このタイプになると流川の勝率は下がる。
仮想結果は、
流川 741勝
守備型 259勝
勝率74.1％。
それでも流川が有利。
理由は攻撃パターンの多さだ。
一つの武器だけでは止めにくい
もし流川がドライブしかできない選手なら簡単だ。
ドライブを警戒する。
少し距離を取る。
進行方向を限定する。
しかしジャンプシュートがある。
フェイクもある。
さらに左右へ攻められる。
守備側からすると、
「何を捨てるか」
を選ばなければならない。
AIシミュレーションでは、この選択肢の多さを大きな強みとして扱う。
相手C｜流川より大きい選手
次は身長とフィジカルで上回る大型選手。
ゴール付近では相手が有利。
シュートブロックもできる。
リバウンドも強い。
しかし大型選手には弱点があると仮定する。
横方向への対応だ。
流川がスピードを使えば抜ける。
外からシュートを打つこともできる。
結果は、
流川 682勝
大型選手 318勝
勝率68.2％。
かなり接近した。
リバウンドが勝率を変える
1on1ではシュートだけでなくリバウンドも重要だ。
流川が外す。
大型選手がリバウンド。
攻撃権が相手へ移る。
逆に大型選手が外しても、自分でリバウンドを取る。
これを繰り返されると流川には厳しい。
つまり大型選手相手では、
シュート成功率だけでは勝敗を説明できない。
ここが5対5とは違う1on1の面白さでもある。
相手D｜流川と同タイプのエース
今度は、
スピード。
シュート。
ドライブ。
身体能力。
すべて流川に近い選手。
いわばコピー型だ。
能力値がほぼ同じなら、結果は当然接近する。
仮想結果は、
流川 524勝
同タイプ 476勝
流川の勝率52.4％。
ほぼ互角だ。
1000回やる意味がここにある
1試合だけなら、
11対4
のような大差になることもある。
それだけを見れば、
「流川の圧勝」
と思う。
しかし次の試合では、
8対11
で負けるかもしれない。
さらに100試合。
1000試合。
回数を増やすと、偶然の影響が小さくなり、
本来の能力差らしきもの
が見えてくる。
AIシミュレーションの面白さはここだ。
相手E｜全国トップ級エース
最後は全国トップクラス。
流川と同等以上の身体能力。
高い得点力。
豊富な1on1経験。
守備能力も高い。
この条件では、初めて流川を不利に設定する。
結果は、
流川 387勝
全国トップ級 613勝
流川の勝率38.7％。
それでも約4割勝つ。
完全に勝てないわけではない。
もし流川が100試合経験したら？
ここからAIらしい条件を追加する。
流川は同じ相手と戦い続ける。
すると相手の癖を学習する。
右方向への反応が遅い。
フェイクに反応する。
この距離ならシュートチェックが遅れる。
そうした情報を少しずつ蓄積する。
AIモデル上では、
流川自身も試合ごとに学習する
ことにする。
すると勝率はどうなるだろう。
前半500試合と後半500試合を比較する
全国トップ級との1000試合。
前半500試合。
流川勝率35％。
後半500試合。
流川勝率43％。
こんな変化が起きるかもしれない。
理由は単純だ。
相手の攻略法を覚えたからだ。
ここで重要なのは、能力値そのものが上がったわけではないこと。
相手を理解することで勝率が上がった。
しかし相手もAIなら？
ここでさらに条件を変える。
相手も学習する。
流川は左へのドライブが増えている。
ジャンプシュートの前に特定の動きがある。
疲れると外から打つ割合が増える。
相手AIもそれを分析する。
すると流川だけが一方的に学習できなくなる。
AI対AIの読み合いになる
最初の100試合。
流川はドライブ中心。
相手が対策する。
次の100試合。
流川はジャンプシュートを増やす。
相手が距離を詰める。
次はフェイクから抜く。
相手はフェイクへの反応を減らす。
すると、
最適戦術が固定されない。
これは現代のスポーツゲームに応用すると面白い。
「最強技」がなくなる
ゲームでは強い行動が発見されると、そればかり使われることがある。
例えば、
左ドライブ成功率70％。
右ドライブ60％。
ジャンプシュート55％。
なら左ばかり使えばいい。
しかしAIが学習するなら、
左ドライブを連続使用
↓
相手が左を警戒
↓
成功率低下
となる。
今度は右が空く。
つまり、
使いすぎた戦術ほど弱くなる。
流川の最大の武器は「能力値」なのか？
1000試合を考えると、一つ疑問が出てくる。
流川の強さは、
スピード90。
シュート92。
ドライブ95。
のような数字だけなのだろうか。
おそらく違う。
重要なのは、
選択肢の多さ
だ。
ドライブ。
ジャンプシュート。
フェイク。
ターン。
左右への切り返し。
複数の選択肢があるから、守備側は読み切れない。
AIなら「予測不能性」を能力値にできる
そこで新しい能力を作ってみる。
予測不能性：93
例えばこんな数値だ。
同じ状況でも毎回同じ行動をしない。
ドライブ40％。
シュート30％。
フェイク20％。
その他10％。
さらに相手の守備によって割合が変わる。
この能力が高いほどAIは予測しにくい。
予測不能すぎても弱くなる
ただしランダムならいいわけではない。
シュートすべき場面で意味なくドライブする。
抜けるのに難しいシュートを打つ。
これでは勝率が落ちる。
必要なのは、
合理的な選択肢の中から相手が読みにくい行動を選ぶこと。
ここに流川型エースの強さがあると考えられる。
疲労を入れたらどうなる？
ここまでは体力をあまり考えていない。
そこで疲労パラメータを追加する。
試合数ではなく、一試合の中で体力が減る。
ドライブは疲れる。
ジャンプシュートも脚を使う。
守備も必要。
疲労70％を超えると、
シュート成功率低下。
ドライブ速度低下。
守備反応低下。
こう設定する。
流川の勝率が下がる可能性
スタミナを弱点として強めに設定した場合、長期戦では流川が不利になる。
例えば全国トップ級相手。
疲労なしモデルでは38.7％。
疲労ありでは、
34.2％
まで低下する。
逆に11点先取ではなく5点先取なら、
42.8％
まで上がる。
短期決戦ほど爆発力の高い選手が有利になる。
ルールだけで勝率は変わる
これは重要だ。
「流川の勝率は何％？」
という質問には、本当は一つの答えがない。
5点先取なのか。
11点なのか。
21点なのか。
3Pを何点扱いにするのか。
攻撃権はどうするのか。
リバウンドをどう扱うのか。
条件によって数字は変わる。
つまりAI分析で重要なのは、
数字そのものより条件設定だ。
AIに1000回やらせる意味
では1on1を1000試合シミュレーションする意味は何だろう。
「流川は強い」
それだけなら漫画を読めば分かる。
AIを使うなら、
どんな相手に強い？
どんな相手に苦戦する？
ルール変更でどうなる？
疲労を入れたら？
相手が学習したら？
こうした条件を一つずつ変える。
そこに価値がある。
仮想1000試合の結果
今回のモデルをまとめると、
平均的高校生相手
91.3％
守備特化型
74.1％
大型選手
68.2％
同タイプのエース
52.4％
全国トップ級
38.7％
という仮想結果になった。
もちろんこれは公式データではない。
条件を変えれば結果も変わる。
しかし傾向として面白いものが見える。
流川は「誰にでも同じ強さ」ではない
圧倒的に強い選手でも相性がある。
守備型。
大型。
同タイプ。
全国トップ。
相手によって勝率は変化する。
つまり、
強さとは一つの数字ではない。
誰と戦うか。
どんなルールか。
どのくらい疲れているか。
何試合目か。
それら全部を含めて強さが決まる。
まとめ｜AIが見つけるのは勝率より「勝ち方」
流川楓の1on1を1000試合シミュレーションする。
最初は、
「何勝する？」
という単純な企画に見える。
しかし条件を増やすほど、別のものが見えてくる。
平均的な選手には圧倒的に強い。
守備型には勝率が下がる。
大型選手にはリバウンドで苦戦する。
同タイプならほぼ互角。
全国トップ級には負け越す。
さらに試合を重ねれば、相手を学習して勝率が変わる。
相手も学習すれば、再び戦術が変わる。
そこまでいくと、AIが分析しているのは単なる能力値ではない。
「どうすれば、この相手に勝てるのか」
という適応のプロセスだ。
そして流川のように攻撃の選択肢が多い選手ほど、その適応力を生かしやすい。
もし本当に1000回戦える世界があったなら、最初の流川と1000試合目の流川は、同じ選手ではないかもしれない。
相手を読み、
失敗を覚え、
攻撃を変え、
また対策される。
AIシミュレーションが最終的に示す面白さは、
「流川の勝率は何％か」ではなく、「1000試合の間に流川はどう変わるのか」
なのだと思う。
コメント