Les échecs ressemblent à une entreprise profondément humaine. Cela nécessite de l’intuition. Cela exige une prospective stratégique. L’idée qu’une machine froide puisse battre un grand maître semble donc presque magique. Mais Chess AI ne joue pas au jeu comme nous le faisons. Cela décompose le tableau en mathématiques pures.
Pensez à la façon dont vous avez appris les échecs. Vous avez commencé par les bases. Comment le chevalier saute. Comment l’évêque s’incline. Une fois les règles cliquées, vous pouviez réellement déplacer les pièces. Les premières pertes n’étaient pas des échecs. C’étaient des points de données. « Je n’ai pas vu cet échec et mat venir », diriez-vous. Votre cerveau a absorbé ces moments. Vous avez stocké des modèles de tableau. Vous avez appris des trucs. Vous avez absorbé les nuances.
Les ordinateurs ne font rien de tout cela. Ils ne « pensent » pas au sens biologique du terme. Ils calculent. Ils exécutent des formules pour trouver le mouvement optimal. Au fur et à mesure que ces moteurs ont évolué, leur précision est montée en flèche. Les calculateurs d’IA d’aujourd’hui sont les acteurs les plus puissants au monde. Ils jouent à l’aveugle. Sans relâche. Basé uniquement sur le calcul.
Les mathématiques derrière les mouvements
Les humains s’appuient sur la reconnaissance de formes. Nous reconnaissons un piège familier parce que nous l’avons déjà vu. Nous sentons un changement de dynamique. Les ordinateurs ne ressentent rien. Ils calculent des millions de positions par seconde. Ils évaluent tous les résultats possibles. Ensuite, ils choisissent celui avec le score numérique le plus élevé.
Ce n’est pas magique. C’est une logique de force brute. Et c’est terriblement efficace.
L’IA d’échecs ressemble à de la magie, mais à la base, il s’agit simplement d’un calcul aveugle et par force brute. Ce n’est pas penser. C’est du calcul.
Commencez avec une planche standard. Les blancs bougent en premier. Vous avez 20 options. Deux chevaliers peuvent sauter. Huit pions peuvent avancer d’une ou deux cases. Vous en choisissez un.
Noir voit la même grille. Aussi 20 coups.
Maintenant, les blancs bougent à nouveau. Le tableau a changé, donc les options changent, mais il reste toujours environ 20 choix. Puis le noir répond. Et ainsi de suite.
Le nombre de chemins explose.
Les blancs font un mouvement. Les noirs ont 20 réponses. Cela fait 400 postes. White répond à chacun d’eux. 8 000 postes. Noir réplique. 160 000 postes.
C’est ainsi qu’un ordinateur voit le tableau. Pas en tant qu’art. Comme un arbre.
Les mathématiques des échecs
Si vous développez cet arbre pour couvrir toutes les parties d’échecs possibles, le nombre de positions sur l’échiquier est astronomique.
Environ 10^120.
C’est un 1 suivi de 120 zéros.
Pour mettre cela en perspective, considérons l’âge de l’univers. Cela fait environ 10 ^ 26 nanosecondes depuis le Big Bang. L’univers observable dans son ensemble contient environ 10 ^ 75 atomes. Même en comptant toutes les étoiles de chaque galaxie de la Voie Lactée et au-delà, vous ne pouvez toujours pas égaler le nombre de parties d’échecs possibles.
Les échecs sont complexes. Trop complexe pour qu’un ordinateur puisse le résoudre complètement.
Aucune machine ne calculera jamais l’arbre entier. Ce n’est pas nécessaire.
À quelle profondeur l’ordinateur ressemble-t-il ?
Au lieu de cela, le moteur regarde vers l’avant. Il construit un arbre de cinq, dix ou vingt mouvements de profondeur.
Supposons une moyenne de 20 mouvements par position :
- Un arbre profond en 5 mouvements couvre 3,2 millions de positions.
- Un arbre profond de 10 mouvements couvre 10 000 milliards de positions.
La profondeur dépend du matériel. Les ordinateurs d’échecs les plus rapides évaluent des millions de positions par seconde. Ils traversent l’arbre, trouvant le meilleur chemin dans cette fenêtre limitée.
Mais voir les positions ne suffit pas. L’ordinateur doit savoir lequel est le bon.
Évaluation du conseil d’administration
C’est là que la fonction d’évaluation prend le relais.
Une fois que le moteur génère l’arborescence, il attribue un score à chaque nœud. Il ne s’agit pas seulement de compter les pièces. Bien sûr, une version simple pourrait soustraire les pièces noires des pièces blanches. 11 pièces blanches moins 9 pièces noires équivalent à un score de 2.
C’est naïf. Il ignore la valeur matérielle. Une reine vaut plus qu’un pion. Un fou vaut mieux qu’un chevalier dans des positions ouvertes.
La formule devient donc plus lourde. Les programmeurs ajoutent des poids pour le type de pièce. Ils ajoutent des bonus pour contrôler le centre. Ils pénalisent un roi vulnérable. Ils prennent en compte la structure des pions.
Quelle que soit la complexité de ces paramètres, le résultat est toujours un nombre.
Un score unique représentant la « bonté » de cet état du conseil d’administration.
Comment les grands maîtres d’échecs utilisent l’IA
Ce n’est pas seulement pour les machines. Les humains d’élite utilisent cette même logique comme une arme.
Les grands maîtres ne jouent pas contre les ordinateurs pour les battre. Ils jouent avec eux pour s’améliorer.
Les moteurs d’IA fournissent des analyses approfondies que l’œil humain ne peut capter. Ils repèrent des mouvements logiquement solides mais psychologiquement contre-intuitifs. Ils trouvent des ressources en perdant des postes dont les humains démissionnent trop tôt.
Voici comment les joueurs d’élite les utilisent :
- Game Review : Saisissez les matchs passés pour détecter les opportunités manquées.
- Exploration stratégique : Testez des ouvertures alternatives qui défient la théorie traditionnelle.
- Compréhension de la position : Découvrez la « vérité » d’un middlegame complexe calculé en dix mouvements de profondeur.
Ce n’est pas de la triche. C’est une formation.
Le moteur n’a pas d’intuition. Il y a des mathématiques. Mais en étudiant les suggestions du moteur, les joueurs humains construisent leur propre intuition plus profonde et plus précise. Ils apprennent ce que les mathématiques impliquent sur la pression, l’espace et le temps.
Le tableau est statique. Les possibilités sont infinies. Mais pour l’instant, l’ordinateur trouve toujours le meilleur coup dans les dix étapes suivantes.
Nous devons juste rattraper notre retard.
Comment fonctionne réellement la logique Minimax d’AlphaGo
Le diagramme illustre un arbre de décision à trois niveaux. Il projette trois avancées. Il a déjà évalué les positions finales du conseil d’administration.
L’ordinateur joue en blanc. Les noirs viennent de bouger. Le tableau se trouve au sommet de l’arbre. Les blancs ont trois réponses possibles. À chacun de ces trois mouvements, les Noirs peuvent répondre de trois manières. Cela crée neuf postes au conseil d’administration. À partir de chacun de ces neuf points, les Blancs peuvent effectuer deux mouvements possibles.
Dans la vraie vie, le facteur de branchement est beaucoup plus élevé. Vous envisagez une vingtaine de mouvements depuis n’importe quelle position. Dessiner ça serait un désastre. Le diagramme le simplifie donc.
Pour décider de son prochain coup, l’ordinateur regarde cet arbre. Cela fonctionne de haut en bas. Les calculs sont conçus pour trouver les meilleures positions sur l’échiquier parmi chacune des positions possibles que prendront les Noirs. Il faut le maximum.
C’est le cœur de l’algorithme minimax. L’ordinateur suppose un jeu optimal des deux côtés. Cela minimise la perte maximale possible. Dans cette branche spécifique, il maximise son propre gain.
L’ordinateur travaille de bas en haut, sélectionnant la valeur maximale pour les mouvements des Blancs et la minimisant pour ceux des Noirs.
Ce n’est pas magique. C’est des mathématiques. L’arbre n’est qu’une représentation des possibilités. La fonction d’évaluation attribue un score à chaque nœud feuille. L’algorithme propage ensuite ces scores.
Les blancs veulent maximiser le score. Black veut le minimiser. L’ordinateur choisit le chemin qui mène au score le plus élevé pour les Blancs, en supposant que les Noirs jouent de manière optimale pour le réduire.
Cette logique évolue. En haut. Et vers le haut. Jusqu’à ce que l’arbre soit trop gros pour être calculé. Ensuite, il utilise des heuristiques. Mais ici ? C’est du pur calcul.
Cela suppose que les noirs choisiront la pire position possible pour les blancs. Il faut le minimum.
Ensuite, il saisit le maximum de ces trois premiers nombres : 7. C’est le mouvement effectué par l’ordinateur.
Une fois que noir répond, toute la boucle redémarre. Un nouvel arbre est généré. Tous les postes au conseil d’administration sont à nouveau évalués. La machine calcule sa prochaine étape.
Il s’agit de l’algorithme minimax. Il alterne entre maximum et minimum au fur et à mesure qu’il gravit l’arbre de décision.
L’élagage alpha-bêta accélère les choses. Il court environ deux fois plus vite. Il utilise beaucoup moins de mémoire.
Le processus est entièrement mécanique. Il n’y a aucune pensée ici. Juste un calcul par force brute. Une fonction d’évaluation est appliquée à chaque position possible dans un arbre d’une profondeur définie.
Cela fonctionne bien. Sur un ordinateur suffisamment rapide, l’algorithme regarde loin devant. Il joue un très bon jeu.
Ajoutez des techniques d’apprentissage. Modifier la fonction d’évaluation en fonction des jeux passés. La machine s’améliore avec le temps.
Mais rappelez-vous ceci. Cela n’a rien à voir avec la pensée humaine.
Lorsque nous comprendrons enfin comment fonctionne la pensée humaine et que nous construirons un ordinateur qui utilise ces techniques pour les échecs, nous serons vraiment sur quelque chose.
La puissance des moteurs d’échecs modernes
Chaque système d’échecs basé sur l’IA repose sur un moteur puissant.
Ce moteur combine des algorithmes de recherche. Il utilise des fonctions d’évaluation. Dans les cas avancés, il utilise l’apprentissage automatique.
Les moteurs d’échecs sont désormais les joueurs ultimes. Ils surpassent constamment même les meilleurs grands maîtres humains.
Qu’il s’agisse de calculs par force brute ou d’apprentissage adaptatif, l’IA a changé le paysage. C’est un outil indispensable pour les joueurs cherchant à analyser les jeux et à améliorer leurs stratégies.
Nous avons mis à jour cet article en conjonction avec la technologie de l’IA, puis nous sommes assurés qu’il était vérifié et édité par un éditeur HowStuffWorks.
