while True: learn() ist ein Indie-Puzzle- und Simulationsspiel, das sich mit Machine-Learning-Konzepten, neuronalen Netzen, Big Data und Künstlicher Intelligenz beschäftigt. Im Mittelpunkt steht eine Geschichte, in der ein Programmierer entdeckt, dass seine Katze ein Talent fürs Codieren hat, und versucht, mit visuellen Werkzeugen ein funktionierendes Spracherkennungssystem zu bauen. Dabei werden logische Denkaufgaben gelöst, ohne dass Programmierkenntnisse vorausgesetzt werden - das Spiel ist zugänglich und vermittelt dennoch Wissen durch seine Mechaniken.
Gameplay
Im Kern geht es darum, visuelle Flussdiagramme zu erstellen, die Datenströme verarbeiten und sortieren. Spieler erhalten Eingaben in Form von farbigen Formen oder Objekten und müssen diese den passenden Ausgängen zuordnen, indem sie spezialisierte Knoten platzieren und verbinden. Jeder Knoten steht für eine echte Machine-Learning-Technik, etwa Entscheidungsbäume zur Klassifikation oder Perzeptronen, die trainiert werden müssen, um bessere Ergebnisse zu liefern. Die Verbindungen zwischen den Knoten bilden Pfade, über die die Daten fließen. Erfolg hängt davon ab, wie schnell, präzise und ressourcenschonend die Lösung ist.
Optimierung ist ein zentraler Bestandteil des Spiels. Nach dem Aufbau einer Lösung lässt sich das System testen, um den Datenfluss zu beobachten und bei Bedarf anzupassen. Manche Knoten erfordern vor dem Einsatz ein manuelles Training, was zusätzliche Überlegungen verlangt. Erfolgreich abgeschlossene Aufträge bringen Ressourcen, mit denen Hardware-Upgrades für bessere Leistung oder Kosmetikgegenstände wie Katzen-Outfits und Bürodekorationen freigeschaltet werden können. Die Fortschrittskurve wird durch freiberufliche Aufträge bestimmt, die zunehmend komplexere Sortierprobleme aus der Praxis aufgreifen.
Die visuelle Programmierung rückt das Experimentieren in den Vordergrund. Knoten ziehen, Verbindungen zeichnen und Lösungen nach Fehlversuchen anpassen - so entsteht ein Prozess, der zum wiederholten Ausprobieren einlädt. Das Katzen-Thema sorgt für leichte Motivation, da viele Belohnungen direkt dem Wohlbefinden oder der Optik des virtuellen Begleiters zugutekommen.
Game Modes
Das Spiel ist rein singleplayerbasiert und folgt einer linearen Abfolge von Puzzle-Levels. Diese bauen aufeinander auf, beginnen mit einfachen Sortieraufgaben und führen schrittweise zu Szenarien mit Trainingsanforderungen und Effizienzvorgaben. Jede Aufgabe basiert auf realen Machine-Learning-Problemen wie Datenklassifikation oder Mustererkennung, wird aber stets über dasselbe Knoten-Verbindungs-System gelöst.
Die Struktur besteht aus Auftragsaufgaben, bei denen Lösungen entwickelt und zur Bewertung freigegeben werden. Es gibt keine separaten Mehrspieler- oder Koop-Modi. Die Steuerung ist plattformübergreifend konsistent und unterstützt sowohl Controller als auch Maus und Tastatur für präzises Platzieren und Anpassen der Knoten.
Lohnt es sich?
Spieler, die Puzzle-Spiele mit didaktischem Anspruch und visueller Mechanik suchen, finden hier eine passende Herausforderung. Das Spiel führt Machine-Learning-Ideen durch praktisches Knoten-Bauen und iterative Optimierung ein und belohnt Ausdauer mit einem spürbaren Erfolgserlebnis. Der Singleplayer-Fokus eignet sich für alle, die in ihrem eigenen Tempo logisches Denken und Problemlösung trainieren möchten.
Die Rezeption hebt das ungewöhnliche Konzept und den niedrigschwelligen Einstieg in technische Themen hervor. Gleichzeitig wird angemerkt, dass der Schwierigkeitsgrad stetig steigt und die wiederkehrenden Sortieraufgaben nicht für alle gleichermaßen interessant bleiben. Das Spiel ist als abgeschlossenes Paket verfügbar, ohne laufende Inhalte oder größere Updates. Es spricht vor allem Programmierer an, die neue Ideen erkunden, Lehrende, die logisches Denken vermitteln möchten, oder alle, die sich für Data Science interessieren, ohne ein formales Studium zu beginnen.
Insgesamt entsteht durch die katzenthematische Motivation, die fortschreitenden Rätsel und das direkte Feedback optimierter Systeme ein stimmiger Spielzyklus für die passende Zielgruppe. Wer methodisches Feintuning und leichte Simulationselemente schätzt, wird die Tiefe des Spiels ohne zusätzliche Hilfsmittel genießen können.
