Wszędzie, bo wszędzie tam, gdzie nie mamy pełnej informacji, przydaje się opis w języku probabilistyki. Historycznie, analiza zjawisk losowych narodziła się przy średniowiecznych i nowożytnych stołach pełnych kości, kart i zakładów, wśród hazardzistów. W najnowszych badaniach statystycy i probabiliści proponują by powrócić do korzeni i spojrzeć na analizę zjawisk losowych jak na pewną grę hazardową.

Autorami tej perspektywy są Glenn Shafer (Rutgers) i Vladimir Vovk (University of London), którzy wydali w 2019 roku na ten temat książkę. W tej interpretacji prawdopodobieństwo obejmuje trzech graczy. Pierwszy z nich, prognostyk - proponuje cenę za zakład (wypłatę zakładu). Ustalając cenę stara się by jak najlepiej oddać wartość zakładu. Drugi, sceptyk - decyduje jak wiele zakładów po tej cenie kupi. Sceptyk próbuje pomnożyć swój kapitał, używając ceny zaproponowanej przez prognostyka, tym samym sprawdzając jego szacunki. Trzeci, rzeczywistość - ujawnia wartość wypłaty dla sceptyka. Gracze grają wiele rund na zmianę ustalając ceny, ilość i wynik rozgrywki, przy czym obserwują strategie sceptyka i prognostyka. Strategia, cena jest pewną propozycją prawdopodobieństwa. Od momentu, w którym prognostyk idealnie przewiduje cenę nie pozwalając sceptykowi zarobić - strategie obu graczy definiują właściwe prawdopodobieństwo. Matematykom nowa perspektywa dostarcza nowych narzędzi analizy, bo ich dowód może analizować strategie w grach.

W statystyce w podobnym duchu został zaproponowany nowy paradygmat testowania hipotez. Aby ilościowo ocenić miarę dowodów przeciwko postawionej hipotezie organizuje się zakład pomiędzy kasynem, a statystykiem. Wyobraźmy sobie, że kasyno w wielu turach rzuca monetą, a statystyk obstawia czy wypadnie orzeł, lub reszka. Im więcej pieniędzy zarobił statystyk, tym większe są dowody na to, że hipoteza o sprawiedliwej monecie jest fałszywa. Taka procedura daje nową miarę prawdziwości hipotez naukowych, nowe koncepcje i nowe intuicje. W artykule z 2024 roku Aaditya Ramdas i Hongjian Wang zastanawiają się czy miałoby sens (matematycznie) zapożyczanie się przez statystyka w powyższym modelu i wydaje się, że nie ma ku temu przeszkód ...

Sztuczna inteligencja też bierze inspiracje z perspektywy gry. Na podobnym pomyśle oparte są generatywne sieci adwersarialne (GAN). Wyobraźmy sobie, że mamy zestaw obiektów, które mają wspólne cechy – orginalna próba. Zadaniem GAN jest stworzyć nowe obiekty, nową próbę (nie kopię), która pasowałaby do tej, na której algorytm ma się wzorować. Algorytm składa się z dwóch graczy. Generator tworzy nowe próbki, a następnie dyskryminator ocenia czy pochodzą z oryginalnej próby. Generator nagradzany jest za tworzenie próbek, które oszukają dyskryminatora. Dyskryminator nagradzany jest za poprawne klasyfikowanie. Gra postępuje turowo, a obaj gracze uczą się wraz z nowymi turami. GAN są używane do generowania nowych designów ubrań jak w 2023 roku u Ryozo Masukawy i zespołu (Meji University),  poprawiania jakości zdjęć astronomicznych jak w artykule z 2017 roku Schawinskiego i innych (ETH Zurich), rekonstrukcji twarzy rzymskich cesarzy na podstawie ich popiersi jak w projektach Daniela Vosharta , czy w przyszłości, ofiar na podstawie zwłok jak w artykule z 2022 zespołu naukowców Yuan Li i in. (Chengdu).

Przychodzi naukowiec do kasyna … i to nie początek żartu, tylko eksperymentu myślowego, prowadzącego do rewolucji naukowej. Rewolucja ta przebiega na gruncie filozoficznym, matematycznym, ale także sztucznej inteligencji i jej zastosowań.