El ajedrez se siente como un esfuerzo profundamente humano. Requiere intuición. Exige previsión estratégica. Así que la idea de que una máquina fría pueda vencer a un gran maestro parece casi mágica. Pero Chess AI no juega como lo hacemos nosotros. Descompone el tablero en matemáticas puras.
Piensa en cómo aprendiste ajedrez. Empezaste con lo básico. Cómo salta el caballero. Cómo se inclina el obispo. Una vez que las reglas hicieron clic, realmente podías mover piezas. Las pérdidas iniciales no fueron fracasos. Eran puntos de datos. “No vi venir ese jaque mate”, dirías. Tu cerebro absorbió esos momentos. Almacenaste patrones de tablero. Aprendiste trucos. Te empapaste de matices.
Las computadoras no hacen nada de eso. No “piensan” en el sentido biológico. Ellos calculan. Ejecutan fórmulas para encontrar el movimiento óptimo. A medida que estos motores han ido evolucionando, su precisión se ha disparado. Las calculadoras de IA actuales son los jugadores más fuertes del planeta. Juegan a ciegas. Implacablemente. Basado únicamente en cálculos.
Las matemáticas detrás de los movimientos
Los humanos dependen del reconocimiento de patrones. Reconocemos una trampa familiar porque la hemos visto antes. Sentimos un cambio en el impulso. Las computadoras no sienten nada. Calculan millones de posiciones por segundo. Evalúan todos los resultados posibles. Luego eligen el que tenga la puntuación numérica más alta.
Esto no es magia. Es lógica de fuerza bruta. Y es terriblemente eficaz.
La IA del ajedrez parece mágica, pero en esencia es simplemente un cálculo ciego de fuerza bruta. No es pensar. Es calculador.
Comience con una tabla estándar. Las blancas mueven primero. Tienes 20 opciones. Pueden saltar dos caballeros. Ocho peones pueden deslizarse hacia adelante una o dos casillas. Elige uno.
Las negras ven la misma cuadrícula. También 20 movimientos.
Ahora las blancas vuelven a moverse. El tablero ha cambiado, por lo que las opciones cambian, pero todavía hay aproximadamente 20 opciones. Entonces el negro responde. Etcétera.
El número de caminos se dispara.
Las blancas hacen un movimiento. Las negras tienen 20 respuestas. Son 400 posiciones. White responde a cada uno de ellos. 8.000 puestos. Las negras contraatacan. 160.000 puestos.
Así es como una computadora ve el tablero. No como arte. Como un árbol.
Las matemáticas del ajedrez
Si expandes ese árbol para cubrir todas las partidas posibles de ajedrez, el número de posiciones en el tablero es astronómico.
Aproximadamente 10^120.
Es un 1 seguido de 120 ceros.
Para poner eso en perspectiva, consideremos la edad del universo. Han pasado unos 10^26 nanosegundos desde el Big Bang. Todo el universo observable contiene aproximadamente 10^75 átomos. Incluso contando cada estrella de cada galaxia de la Vía Láctea y más allá, todavía no se puede igualar el número de partidas de ajedrez posibles.
El ajedrez es complejo. Demasiado complejo para que cualquier computadora lo resuelva por completo.
Ninguna máquina calculará jamás el árbol completo. No es necesario.
¿A qué profundidad se ve la computadora?
En cambio, el motor mira hacia adelante. Construye un árbol de cinco, diez o veinte pasos de profundidad.
Suponga un promedio de 20 movimientos por posición:
- Un árbol de 5 movimientos de profundidad cubre 3,2 millones de posiciones.
- Un árbol de 10 movimientos de profundidad cubre 10 billones de posiciones.
La profundidad depende del hardware. Las computadoras de ajedrez más rápidas evalúan millones de posiciones por segundo. Cortan el árbol y encuentran el mejor camino dentro de esa ventana limitada.
Pero ver las posiciones no es suficiente. La computadora necesita saber cuál es bueno.
Evaluación del tablero
Aquí es donde entra en juego la función de evaluación.
Una vez que el motor genera el árbol, asigna una puntuación a cada nodo. No se trata sólo de contar piezas. Claro, una versión simple podría restar piezas negras de piezas blancas. 11 piezas blancas menos 9 piezas negras equivalen a una puntuación de 2.
Eso es ingenuo. Ignora el valor material. Una reina vale más que un peón. Un alfil es mejor que un caballo en posiciones abiertas.
Entonces la fórmula se vuelve más espesa. Los programadores agregan pesos por tipo de pieza. Añaden bonificaciones por controlar el centro. Penalizan a un rey vulnerable. Tienen en cuenta la estructura de peones.
No importa cuán complejos sean estos parámetros, el resultado siempre es un número.
Una puntuación única que representa la “bondad” de ese estado del tablero.
Cómo utilizan la IA los grandes maestros del ajedrez
Esto no es sólo para las máquinas. Los humanos de élite están utilizando esta misma lógica como arma.
Los grandes maestros no juegan contra las computadoras para vencerlas. Juegan con ellos para mejorar.
Los motores de IA proporcionan un análisis profundo que el ojo humano no puede captar. Detectan movimientos que son lógicamente sólidos pero psicológicamente contrarios a la intuición. Encuentran recursos en perder posiciones a las que los humanos renuncian demasiado pronto.
Así es como los usan los jugadores de élite:
- Revisión del juego: Ingrese partidos pasados para detectar oportunidades perdidas.
- Exploración de estrategias: Pruebe aperturas alternativas que desafían la teoría tradicional.
- Comprensión posicional: Vea la “verdad” de un medio juego complejo calculado con diez movimientos de profundidad.
No es hacer trampa. Es entrenamiento.
El motor no tiene intuición. Tiene matemáticas. Pero al estudiar las sugerencias del motor, los jugadores humanos construyen su propia intuición más profunda y precisa. Aprenden lo que implican las matemáticas sobre la presión, el espacio y el tiempo.
El tablero es estático. Las posibilidades son infinitas. Pero por ahora, la computadora siempre encuentra el mejor movimiento en los siguientes diez pasos.
Sólo tenemos que ponernos al día.
Cómo funciona realmente la lógica Minimax de AlphaGo
El diagrama ilustra un árbol de decisión de tres niveles. Proyecta tres pasos adelante. Ya ha evaluado las posiciones finales del consejo.
La computadora juega en blanco. Las negras acaban de moverse. El tablero se encuentra en la cima del árbol. Las blancas tienen tres posibles respuestas. A cada uno de esos tres movimientos, las negras pueden responder de tres maneras. Eso crea nueve puestos en la junta directiva. Desde cada uno de esos nueve puntos, las blancas pueden realizar dos movimientos posibles.
En la vida real, el factor de ramificación es mucho mayor. Estás viendo unos 20 movimientos desde cualquier posición. Dibujar eso sería un desastre. Entonces el diagrama lo simplifica.
Para decidir su próximo movimiento, la computadora mira este árbol. Funciona hacia arriba desde abajo. Los cálculos están diseñados para encontrar las mejores posiciones en el tablero de cada una de las posibles posiciones que tomarán las negras. Se necesita el máximo.
Este es el núcleo del algoritmo minimax. La computadora asume un juego óptimo de ambos lados. Minimiza la máxima pérdida posible. En esta rama específica, está maximizando su propio beneficio.
La computadora trabaja hacia arriba desde abajo, seleccionando el valor máximo para los movimientos de las blancas y minimizándolos para los de las negras.
No es magia. Son matemáticas. El árbol es sólo una representación de posibilidades. La función de evaluación asigna una puntuación a cada nodo de hoja. Luego, el algoritmo propaga esas puntuaciones.
Las blancas quieren maximizar el marcador. Las negras quieren minimizarlo. La computadora elige el camino que conduce a la puntuación más alta para las blancas, asumiendo que las negras juegan de manera óptima para reducirla.
Esta lógica escala. Arriba. Y arriba. Hasta que el árbol sea demasiado grande para calcularlo. Luego utiliza heurísticas. ¿Pero aquí? Es puro cálculo.
Se supone que las negras elegirán la peor posición posible para las blancas. Se necesita lo mínimo.
Luego toma el máximo de esos tres números superiores: 7. Ese es el movimiento que hace la computadora.
Una vez que el negro responde, todo el ciclo se reinicia. Se genera un nuevo árbol. Todos los puestos de la junta directiva se evalúan nuevamente. La máquina calcula su siguiente paso.
Este es el algoritmo minimax. Alterna entre máximos y mínimos a medida que sube en el árbol de decisión.
La poda alfa-beta acelera las cosas. Corre aproximadamente el doble de rápido. Utiliza mucha menos memoria.
El proceso es completamente mecánico. Aquí no hay pensamiento. Sólo cálculo de fuerza bruta. Se aplica una función de evaluación a cada posición posible en un árbol de una profundidad determinada.
Funciona bien. En una computadora lo suficientemente rápida, el algoritmo mira hacia el futuro. Hace un muy buen juego.
Agregue técnicas de aprendizaje. Modifica la función de evaluación en función de juegos pasados. La máquina mejora con el tiempo.
Pero recuerda esto. No se parece en nada al pensamiento humano.
Cuando finalmente comprendamos cómo funciona el pensamiento humano y construyamos una computadora que utilice esas técnicas para el ajedrez, realmente estaremos en algo.
El poder de los motores de ajedrez modernos
Cada sistema de ajedrez impulsado por IA se basa en un potente motor.
Este motor combina algoritmos de búsqueda. Utiliza funciones de evaluación. En casos avanzados, emplea aprendizaje automático.
Los motores de ajedrez son los mejores jugadores ahora. Superan constantemente incluso a los mejores grandes maestros humanos.
Ya sea mediante cálculos de fuerza bruta o aprendizaje adaptativo, la IA ha cambiado el panorama. Es una herramienta indispensable para los jugadores que buscan analizar juegos y mejorar estrategias.
Actualizamos este artículo junto con la tecnología de inteligencia artificial, luego nos aseguramos de que fuera verificado y editado por un editor de HowStuffWorks.
