Шахматы кажутся глубоко человеческим занятием. Они требуют интуиции. Они требуют стратегического предвидения. Поэтому идея о том, что холодная машина может обыграть гроссмейстера, кажется почти волшебной. Но шахматный ИИ не играет в игру так, как это делаем мы. Он сводит доску к чистой математике.
Вспомните, как вы учились играть в шахматы. Вы начинали с основ. Как ходит конь. Как ходит слон. Как только правила становились понятными, вы могли реально передвигать фигуры. Ранние поражения не были неудачами. Они были точками данных. «Я не видел, что это мат», — говорили вы. Ваш мозг впитывал эти моменты. Вы запоминали шахматные позиции. Вы учили приёмы. Вы впитывали нюансы.
Компьютеры ничего этого не делают. Они не «думают» в биологическом смысле. Они вычисляют. Они применяют формулы для нахождения лучшего хода. По мере развития этих движков их точность стремительно росла. Современные ИИ-калькуляторы — самые сильные игроки на Земле. Они играют вслепую. Неумолимо. Основываясь исключительно на вычислениях.
Математика за ходами
Люди полагаются на распознавание паттернов. Мы узнаём знакомую ловушку, потому что видели её раньше. Мы чувствуем изменение динамики. Компьютеры ничего не чувствуют. Они рассчитывают миллионы позиций в секунду. Они оценивают каждый возможный исход. Затем выбирают тот, который имеет наивысший числовой показатель.
Это не магия. Это грубая логическая сила. И она ужасающе эффективна.
Шахматный искусственный интеллект выглядит как магия, но в своей основе это вслепую выполняемые вычисления методом грубой силы. Он не думает. Он вычисляет.
Начните со стандартной доски. Белые ходят первыми. У вас есть 20 вариантов. Два коня могут выпрыгнуть. Восемь пешек могут сдвинуться на одну или две клетки вперед. Вы выбираете один ход.
Черные видят ту же самую доску. Также 20 ходов.
Теперь белые ходят снова. Доска изменилась, поэтому варианты смещаются, но их все равно примерно 20. Затем черные отвечают. И так далее.
Количество путей взрывается.
Белые делают ход. У черных 20 ответов. Это 400 позиций. Белые отвечают на каждую из них. 8 000 позиций. Черные атакуют в ответ. 160 000 позиций.
Именно так компьютер видит доску. Не как искусство. Как дерево.
Математика шахмат
Если развернуть это дерево, чтобы охватить все возможные партии в шахматы, количество позиций на доске будет астрономическим.
Около 10^120.
Это единица, за которой следуют 120 нулей.
Чтобы понять масштаб, рассмотрим возраст Вселенной. Прошло около 10^26 наносекунд с момента Большого взрыва. Вся наблюдаемая Вселенная содержит примерно 10^75 атомов. Даже если подсчитать каждую звезду в каждой галактике Млечного Пути и за его пределами, вы все равно не сможете сравниться с количеством возможных партий в шахматы.
Шахматы сложны. Слишком сложны для того, чтобы любой компьютер мог решить их полностью.
Ни одна машина никогда не будет вычислять все дерево. Ей это не нужно.
Насколько глубоко заглядывает компьютер?
Вместо этого движок смотрит вперед. Он строит дерево глубиной в пять, десять или двадцать ходов.
Предположим, в среднем 20 ходов на позицию:
- Дерево глубиной в 5 ходов охватывает 3,2 миллиона позиций.
- Дерево глубиной в 10 ходов охватывает 10 триллионов позиций.
Глубина зависит от аппаратного обеспечения. Самые быстрые шахматные компьютеры оценивают миллионы позиций в секунду. Они прорезаются сквозь дерево, находя лучший путь в пределах этого ограниченного окна.
Но видеть позиции недостаточно. Компьютеру нужно знать, какая из них хороша.
Оценка доски
Здесь вступает в действие функция оценки.
Как только движок генерирует дерево, он присваивает оценку каждому узлу. Это не просто подсчет фигур. Конечно, простая версия может вычитать фигуры черных из фигур белых. 11 белых фигур минус 9 черных фигур дают оценку 2.
Это наивно. Это игнорирует материальную ценность. Ферзь стоит больше, чем пешка. Слон лучше коня в открытых позициях.
Таким образом, формула становится сложнее. Программисты добавляют веса для типов фигур. Они добавляют бонусы за контроль центра. Они штрафуют за уязвимого короля. Они учитывают структуру пешек.
Независимо от того, насколько сложными становятся эти параметры, результат всегда — одно число.
Одна оценка, представляющая «хорошесть» данного состояния доски.
Как гроссмейстеры используют ИИ
Это касается не только машин. Элитные люди используют эту же логику как оружие.
Гроссмейстеры не играют против компьютеров, чтобы победить их. Они играют с ними, чтобы стать лучше.
ИИ-движки предоставляют глубокий анализ, который человеческий глаз не может заметить. Они находят ходы, которые логически обоснованы, но психологически контринтуитивны. Они находят ресурсы в проигранных позициях, от которых люди сдаются слишком рано.
Вот как элитные игроки используют их:
- Анализ партий: Ввод прошлых матчей для выявления упущенных возможностей.
- Исследование стратегий: Проверка альтернативных дебютов, которые противоречат традиционной теории.
- Понимание позиционной игры: Увидение «истины» сложной средней партии, просчитанной на десять ходов вперед.
Это не обман. Это тренировка.
У движка нет интуиции. У него есть математика. Но, изучая предложения движка, человеческие игроки строят более глубокую и точную собственную интуицию. Они учатся тому, что математика подразумевает о давлении, пространстве и времени.
Доска статична. Возможности бесконечны. Но пока что компьютер всегда находит лучший ход на следующие десять шагов.
Нам просто нужно догнать его.
Как на самом деле работает логика минимакса AlphaGo
На диаграмме изображено дерево решений из трёх уровней. Оно проецирует три хода вперёд. Конечные позиции доски уже оценены.
Компьютер играет белыми. Чёрные только что сделали ход. Доска находится в верхней части дерева. У белых есть три возможных ответа. Из каждого из этих трёх ходов чёрные могут ответить тремя способами. Это создаёт девять позиций доски. Из каждой из этих девяти позиций белые могут сделать два возможных хода.
В реальности фактор ветвления значительно выше. Из любой позиции можно сделать около 20 ходов. Нарисовать такое дерево было бы хаотично. Поэтому диаграмма упрощена.
Чтобы решить, какой ход сделать следующим, компьютер анализирует это дерево. Он работает снизу вверх. Вычисления направлены на поиск наилучших позиций доски для каждой из возможных позиций, которые займут чёрные. Он выбирает максимум.
Это суть алгоритма минимакса. Компьютер предполагает оптимальную игру с обеих сторон. Он минимизирует максимальную возможную потерю. В данном конкретном ветвлении он максимизирует собственную выгоду.
Компьютер работает снизу вверх, выбирая максимальное значение для ходов белых и минимальное — для ходов чёрных.
Это не магия. Это математика. Дерево — это просто представление возможностей. Функция оценки присваивает оценку каждому листовому узлу. Затем алгоритм распространяет эти оценки вверх.
Белые хотят максимизировать оценку. Чёрные хотят минимизировать её. Компьютер выбирает путь, ведущий к наибольшей оценке для белых, предполагая, что чёрные будут играть оптимально, чтобы снизить её.
Эта логика масштабируется. Вверх. И ещё выше. Пока дерево не становится слишком большим для вычислений. Тогда используются эвристики. Но здесь? Это чистый расчёт.
Предполагается, что чёрные выберут наихудшую для белых позицию. Берётся минимальное значение.
Затем выбирается максимум из этих трёх верхних чисел: 7. Именно этот ход делает компьютер.
После того как чёрные делают ответный ход, весь цикл перезапускается. Генерируется новое дерево. Все позиции на доске оцениваются заново. Машина вычисляет свой следующий шаг.
Это алгоритм Minimax. Он чередует выбор максимумов и минимумов при движении вверх по дереву решений.
Отсечение Alpha-Beta ускоряет процесс. Оно работает примерно в два раза быстрее. Использует значительно меньше памяти.
Процесс полностью механический. Здесь нет мышления. Только грубый расчёт. Функция оценки применяется к каждой возможной позиции в дереве заданной глубины.
Это работает хорошо. На достаточно быстром компьютере алгоритм заглядывает далеко вперёд. Он играет очень хорошо.
Добавьте методы обучения. Измените функцию оценки на основе прошлых партий. Машина со временем улучшает свои навыки.
Но помните об этом. Это совершенно не похоже на человеческое мышление.
Когда мы наконец поймём, как работает человеческое мышление, и создадим компьютер, использующий эти принципы для игры в шахматы, мы действительно достигнем чего-то значимого.
Мощь современных шахматных движков
Каждая система шахмат на базе ИИ опирается на мощный движок.
Этот движок сочетает алгоритмы поиска. Использует функции оценки. В продвинутых случаях применяет машинное обучение.
Шахматные движки теперь являются абсолютными лидерами. Они стабильно превосходят даже лучших человеческих гроссмейстеров.
Будь то благодаря грубым вычислениям или адаптивному обучению, ИИ изменил ландшафт. Это незаменимый инструмент для игроков, стремящихся анализировать партии и улучшать стратегии.
Мы обновили эту статью совместно с технологиями ИИ, затем убедились, что она проверена фактам и отредактирована редактором HowStuffWorks.
