Штучний інтелект і шахи: від Deep Blue до рушіїв BigChess

Історія шахового ШІ — це історія про те, як машинний інтелект навчився перевершувати людську майстерність, а потім зіткнувся зі скромною складністю нової гри, якої ніколи раніше не бачив.

Вступ: найстаріший орієнтир

Шахи були еталонною задачею для штучного інтелекту від самого зародження цієї галузі. Коли Алан Тюрінг і Клод Шеннон наприкінці 1940-х років писали перші теоретичні статті про комп'ютерні шахи, їх цікавили зовсім не шахи самі по собі. Їх цікавило питання: чи здатні машини виявляти розумну поведінку? Шахи — вимогливі, регламентовані правилами, ранжовані за рівнем майстерності та з вимірюваними результатами — були найчистішим доступним тест-кейсом.

Протягом півстоліття шаховий ШІ слугував індикатором прогресу машинного інтелекту. Програма, здатна обіграти шаховиста клубного рівня, доводила, що машини вміють мислити тактично. Програма, яка перемагала гросмейстера, доводила щось важче для визнання. Програма, що 1997 року перемогла чемпіона світу, закрила питання щодо цього конкретного орієнтира: машини перевершили людей у шахах.

Але на цьому історія не закінчилася. Методи, що породили Deep Blue, були замінені методами, що породили AlphaZero, — і це змінило не лише силу шахових рушіїв, а й природу їхнього інтелекту. А тепер шаховий ШІ стикається зі справді новою проблемою: BigChess із дошкою 10×10, фігурою Клон, розширеною механікою пішаків і відсутністю великих баз партій, від яких залежить сучасний ШІ. Машина, що вивчила шахи, мусить вивчати їх знову — з нуля, з новими фігурами.

Частина I: рання історія шахових обчислень (1940–1980-ті)

Тюрінг і Шеннон: теоретичні основи

Алан Тюрінг запропонував алгоритм гри в шахи 1948 року — ще до того, як мав комп'ютер для його запуску. Його програма «Turochamp» існувала лише на папері: він і Девід Чемпернаун перевіряли її вручну, крок за кроком виконуючи обчислення та роблячи ходи відповідно до правил програми. Процес був надзвичайно повільним — один хід вимагав до пів години ручних обчислень, — але програма грала у впізнавані шахи. Вона оцінювала взяття, шахи та базові тактичні загрози і демонструвала, що механічне слідування правилам може породжувати не цілком випадкові шахові ходи.

Клод Шеннон опублікував основоположну статтю «Програмування комп'ютера для гри в шахи» 1950 року. Він визначив головну проблему шахового програмування: дерево гри — розгалужена структура всіх можливих послідовностей ходів з будь-якої позиції — зростає експоненційно з глибиною. За коефіцієнта розгалуження приблизно 35 (середня кількість можливих ходів у шаховій позиції) послідовність із трьох ходів передбачає розгляд 35³ = 42 875 позицій. Послідовність із шести ходів — понад 1,8 мільярда. Повна оцінка партії була обчислювально неможливою; вибірковий пошук був неминучим.

Шеннон запропонував два підходи: програми «типу A», що оцінюють усі ходи до фіксованої глибини (груба сила в межах ресурсів), і програми «типу B», що вибірково розширюють перспективні варіанти і відсікають безперспективні. Протистояння між цими підходами — груба сила проти вибіркового інтелекту — визначало дискусії з шахового програмування протягом наступних чотирьох десятиліть.

Перші програми та ранні турніри (1950–1970-ті)

Перші справжні комп'ютерні шахові програми з'явилися на початку 1950-х на ранніх комп'ютерах на кшталт Manchester Mark 1. За людськими мірками вони грали дуже слабко — початківці їх легко перемагали, — але це справді були шахи: оцінка можливих ходів і вибір між ними за допомогою евристичної функції.

Ключовими функціями оцінювання в ранніх програмах були матеріальний баланс (підрахунок цінності фігур), безпека короля, пішакова структура та мобільність фігур. Це ті самі чинники, які враховує людина, — але комп'ютер оцінював їх через явну арифметику, а не через розпізнавання образів. Результатом були шахи, тактично пильні (без зівання фігур і простих матів), але стратегічно безладні (нездатні формувати та реалізовувати плани).

Прогрес протягом 1960–1970-х років був неухильним, хоча й поступовим. Програми поліпшувалися в міру зростання потужності апаратного забезпечення та розробки складніших функцій оцінки. Серія Chess 4.x, розроблена в Університеті Північно-Західного штату, стала першою комп'ютерною програмою, що досягла рейтингу національного шахового майстра, перетнувши позначку 2000 за рейтингом ELO до 1977 року. Це справді вражало — машина, що конкурує з найкращими одним відсотком людських турнірних гравців, — але до рівня гросмейстера було ще далеко.

Апаратна гонка озброєнь (1980-ті)

До 1980-х стало очевидно, що сила шахових програм тісно пов'язана зі швидкістю апаратного забезпечення. Програми, здатні шукати глибше — аналізувати більше позицій за секунду, — грали краще навіть із відносно простими функціями оцінки. Це призвело до появи спеціалізованого шахового заліза: комп'ютерів особливого призначення, розроблених для максимально швидкої оцінки шахових позицій.

Belle, розроблений Кеном Томпсоном і Джо Кондоном у Bell Labs, був одним із перших спеціалізованих шахових комп'ютерів. Він міг оцінювати 160 000 позицій за секунду — на порядки швидше за тогочасні комп'ютери загального призначення — і мав рейтинг USCF приблизно 2250, увійшовши до вищих ешелонів американських турнірних гравців нижче елітного рівня гросмейстерів.

Deep Thought, безпосередній попередник Deep Blue, з'явився наприкінці 1980-х. Розроблений у Університеті Карнегі — Меллона Фен-Сюном Сю та іншими, він міг оцінювати 700 000 позицій за секунду і мав рейтинг FIDE понад 2550 — впевнений рівень гросмейстера. Питання вже стояло не в тому, чи може комп'ютер перемогти гросмейстера, а в тому, чи може він перемогти найкращого гросмейстера у світі.

Частина II: Deep Blue проти Каспарова — матч, що змінив усе (1996–1997)

Матч 1996 року: репетиція

У лютому 1996 року чинний чемпіон світу з шахів Гаррі Каспаров провів у Філадельфії шестипартійний матч проти Deep Blue від IBM — вдосконаленого наступника Deep Thought. Матч привернув величезну увагу ЗМІ. Вперше питання про те, чи може комп'ютер перемогти найкращого у світі шахіста, серйозно перевірялося в умовах стандартного матчу.

Каспаров виграв матч із рахунком 4:2. Deep Blue переміг у першій партії — вперше комп'ютер взяв гору над чинним чемпіоном світу в стандартних умовах, — але Каспаров відновився, вивчив закономірності суперника і скоригував гру, щоб використати слабкі місця комп'ютера. Він виявив, що Deep Blue бентежать позиції з довгостроковими стратегічними елементами, які він не міг правильно оцінити, і спрямовував гру в такі позиції в наступних партіях.

Результат підбадьорив людську гордість: чемпіон вивчив механічного суперника й адаптувався. Проте матч також показав, що розрив стрімко скорочується. Deep Blue переміг Каспарова в повноцінних турнірних умовах. Матч-реванш, уже запланований, мав стати вирішальним.

Матч 1997 року: людина проти машини

Реванш у травні 1997 року в Нью-Йорку висвітлювався як велика культурна подія. Телемережі транслювали live-оновлення. На обкладинках журналів — Каспаров обличчям до логотипу IBM. Питання формулювалося, можливо, гіперболічно, але не неточно, як суперництво між людським і штучним інтелектом за першість у грі, що визначала інтелектуальні досягнення протягом п'ятнадцяти сторіч.

Deep Blue виграв матч із рахунком 3,5:2,5. Каспаров взяв першу партію, Deep Blue — другу, потім три нічиї, і Deep Blue виграв вирішальну шосту партію. Матч викликав суперечки: Каспаров оскаржив ключовий хід у другій партії, стверджуючи, що він свідчить про рівень позиційного розуміння, несумісний із грубими обчисленнями (він підозрював втручання людини), а IBM відмовилась оприлюднювати повні ігрові журнали. Суперечка тліла ще роками.

Але результат залишився. Deep Blue переміг чемпіона світу з шахів у регламентному матчі. Орієнтир було досягнуто. Машини перевершили людську майстерність у шахах.

Наслідки: складність почуттів

Суспільна реакція на перемогу Deep Blue була неоднозначною. Багато людей відчули справжнє занепокоєння — не тому, що шахи були «вирішені» (Deep Blue був далеко від математичного вирішення шахів), а тому, що одна з форм людського когнітивного досягнення була перевершена машиною. Якщо комп'ютери можуть обіграти людей у шахи, що це говорить про людський інтелект?

Шахісти, як не дивно, здебільшого рушили далі. Каспаров продовжував грати. Гросмейстери продовжували тренуватися. Чемпіонат світу тривав. Що змінилося — так це роль комп'ютерів: замість суперників, яких слід боятися, вони стали інструментами. Підготовка за допомогою рушіїв стала стандартом. Гравці використовували рушії для перевірки дебютного аналізу, верифікації тактичних розрахунків і виявлення своїх слабких місць. Машина стала партнером із тренування для кожного серйозного шахіста у світі.

Частина III: від Deep Blue до AlphaZero — революція в методах (2017)

Як працював Deep Blue

Deep Blue в основі своїй був дуже швидкою машиною пошуку з витонченою функцією оцінки, створеною вручну. Здатність аналізувати сотні мільйонів позицій за секунду дозволяла йому переглядати дерева гри на глибину від десяти до двадцяти напівходів у типових позиціях середньої гри з використанням альфа-бета відсічення для виключення гілок, що не могли призвести до кращих результатів. Його функція оцінки — евристика, що присвоює рахунок кожній позиції, — була розроблена гросмейстерами спільно з інженерами IBM протягом багатьох років і кодувала позиційні знання у вигляді явних правил.

Цей підхід — глибокий пошук грубою силою з функцією оцінки, створеною вручну, — давав формідабельні результати. Але він мав фундаментальні обмеження. Функція оцінки була настільки хороша, наскільки хорошими були закодовані в ній знання, і існували позиції, тонкощі яких перевищували те, що могли передати явні правила. Ще важливіше — він був крихким: грав значно сильніше в типах позицій, для яких розроблялася його функція оцінки, і слабше в позиціях з незвичайними структурами або довгостроковими міркуваннями поза межами закодованих знань.

Революція нейронних мереж

Вирішальний методологічний зсув стався у грудні 2017 року, коли Google DeepMind опублікував статтю, що описувала AlphaZero — шахову систему, яка навчилася грати в шахи виключно через самоіграшку, використовуючи глибокі нейронні мережі та навчання з підкріпленням, без жодних знань, наданих людиною, крім правил гри.

AlphaZero отримав правила шахів. Він грав сам із собою мільйони разів. Через навчання з підкріпленням — заохочуючи конфігурації, що призводили до перемог, і штрафуючи ті, що призводили до поразок, — він виробив власну функцію оцінки, закодовану не у вигляді явних правил, а у вигляді ваг глибокої нейронної мережі. Приблизно через чотири години тренування через самоіграшку він переміг Stockfish 8 — тоді найсильніший традиційний рушій у світі — у матчі з 100 партій, вигравши 28, зігравши 72 внічию і не програвши жодної.

Шаховий світ був приголомшений — не лише результатами, а й тим, як грав AlphaZero. Його партії виглядали інакше, ніж у Stockfish. Там де гра Stockfish, незважаючи на силу, іноді мала механічний характер — правильна оцінка позицій, але без наративної зв'язності людських шахів, — AlphaZero грав із тим, що гросмейстери описували як справжню стратегічну інтуїцію. Він жертвував матеріалом заради довгострокових позиційних переваг способами, що виглядали контрінтуїтивно за стандартними критеріями оцінки, але виявлялися правильними при глибокому розрахунку. Він грав, за словами самого Каспарова, «трохи як людина — вища людина».

Значення AlphaZero

Значення AlphaZero полягало не лише в його силі. Воно полягало в його методі. Deep Blue довів, що машини можуть перевершити людей у шахах завдяки грубій силі плюс людській експертизі, закодованій у функціях оцінки. AlphaZero довів, що машини можуть перевершити навіть найкращі розроблені людиною функції оцінки, навчаючись своїй власній оцінці з нуля, маючи лише правила гри та мільйони ітерацій самоіграшки.

Цей метод — навчання функцій оцінки замість їх кодування — узагальнюється на різні ігри. AlphaZero — та сама система, що раніше освоїла Го (як AlphaGo) і Сьогі (японські шахи). Вона навчилася кожній грі однаково: самоіграшка плюс навчання з підкріпленням. Наслідок був глибоким: за достатньої обчислювальної потужності та ітерацій самоіграшки та сама система може освоїти будь-яку добре визначену гру.

Або може? Метод AlphaZero має критичну залежність, що обмежує його застосовність до нових ігор, — і ця залежність є центральною для розуміння поточних відносин ШІ з BigChess.

Частина IV: сучасні рушії — Stockfish, нейронні мережі та варіанти

Поточний стан шахових рушіїв

Сучасний Stockfish (рушій із відкритим кодом, що домінує в комп'ютерних шахах з початку 2010-х) засвоїв підхід із нейронними мережами, піонером якого став AlphaZero. Поточна інкарнація Stockfish — NNUE (Effectively Updatable Neural Network, ефективно оновлювана нейронна мережа) — використовує нейронну мережу для оцінки в поєднанні з традиційним альфа-бета пошуком. Результатом є рушій, що поєднує перевагу в швидкості класичних алгоритмів пошуку з позиційною глибиною оцінки нейронної мережі.

Розрахунковий рейтинг Elo Stockfish — приблизно 3500, що більш ніж на 800 очок перевищує показники найсильніших людських гравців. Розрив між рушієм і людиною в шахах став настільки великим, що пряме суперництво людини і рушія позбавлене сенсу як змагання. Рушії використовуються виключно як тренувальні інструменти, засоби аналізу та орієнтири для оцінки якості партій.

Практичним наслідком для шахістів є підготовка та аналіз партій з допомогою рушіїв. Дебютна підготовка з верифікацією рушієм є стандартом на кожному рівні вище клубної гри. Аналіз партій рушієм виявляє всі суттєві помилки та пропущені можливості. Рушій — остаточний арбітр правильності в шахових позиціях, роль, яку він посів настільки повно, що питання «чи правильний цей хід?» тепер означає «чи погоджується рушій?»

Суперечки навколо шахрайства з рушієм

Домінування рушіїв породило найтривожніший побічний ефект: шахрайство з допомогою рушія. Гравець, що використовує телефон чи інший пристрій для консультації з сильним рушієм під час партії, отримує доступ до аналізу надлюдського рівня. Різниця в грі між сильною людиною і рушієм настільки велика, що навіть нечасті консультації могли б вирішувати партії.

Найгучніший скандал із шахрайством в історії шахів виник 2022 року, коли Магнус Карлсен покинув Sinquefield Cup після поразки від Ганса Німана, пізніше стверджуючи, що Німан жульничав у тій партії та «в багатьох інших». Chess.com опублікував звіт на 72 сторінки з посиланням на статистичний аналіз онлайн-ігор Німана як доказ шахрайства. Суперечка породила судові провадження, які врешті було врегульовано поза судом, але вона привернула увагу широкої громадськості до проблеми шахрайства з рушієм так, як ніколи раніше.

Структурна проблема полягає в тому, що виявити допомогу рушія справді важко. Статистичний аналіз якості ходів порівняно з рекомендаціями рушія може виявити підозрілі закономірності, але статистичні аномалії природно трапляються і в реальних партіях. Жоден суто статистичний метод не дає певності, а надто агресивне застосування дає помилкові позитивні результати. Шаховий світ продовжує боротися з методами виявлення, антишахрайськими протоколами та відповідними покараннями за підтверджене шахрайство.

Fairy-Stockfish: рушії для варіантів шахів

Стандартна версія Stockfish оцінює лише позиції класичних шахів. Вона нічого не знає про дошки нестандартних розмірів, фігури з нестандартними ходами або правила на кшталт потрійного ходу пішака. Вона була б марною для аналізу позиції BigChess.

Fairy-Stockfish — це відповідь. Рушій для варіантів із відкритим кодом на основі кодової бази Stockfish, Fairy-Stockfish підтримує широкий спектр варіантів шахів завдяки гнучким визначенням фігур, розмірам дошки та параметрам правил. Він може бути налаштований для гри та аналізу Сьогі, Сянці (китайські шахи), Crazyhouse, Atomic chess і — що принципово важливо — BigChess.

Підхід Fairy-Stockfish до фігур варіантів використовує таблиці мобільності фігур: для кожного типу фігури варіанту рушій отримує набір клітинок, на які фігура може перейти з будь-якої клітинки, і враховує ці дані про мобільність у своїй оцінці. Діагональні ходи та стрибки коня Клона можуть бути представлені в цій системі, і Fairy-Stockfish може оцінювати позиції BigChess із розумною компетентністю.

Однак існує критичне обмеження: оцінка Fairy-Stockfish ґрунтується переважно на мобільності фігур і матеріальних міркуваннях без глибоких структурних знань, які нейронні мережі NNUE в Stockfish забезпечують для класичних шахів. Мережі NNUE були натреновані на сотнях мільйонів сильних людських та рушійних партій у класичних шахах. Еквівалентного набору даних для BigChess не існує. Рушій може робити легальні ходи в BigChess і здійснювати тактичні оцінки, але йому бракує натренованої інтуїції, що робить сучасні класичні шахові рушії такими потужними в позиційній оцінці.

Частина V: чому навчати ШІ для BigChess справді важко

Проблема даних

Сучасні шахові рушії на нейронних мережах — включаючи AlphaZero та варіант NNUE Stockfish — навчаються позиційній оцінці на великих наборах партій. Конкретний метод навчання варіюється: AlphaZero навчається виключно через самоіграшку, а NNUE тренувався на позиціях, видобутих із якісних людських та рушійних партій. Але в обох випадках якість навченої функції оцінки залежить від якості та кількості навчальних даних.

Для класичних шахів проблема навчальних даних вирішена. Існують сотні мільйонів записаних шахових партій, у тому числі мільйони високоякісних від сильних людських і рушійних ігор. Цей величезний набір даних дозволяє нейронним мережам вчитися тонким позиційним закономірностям, що відрізняють сильну гру від слабкої, — оцінці пішакових структур, координації фігур, безпеці короля, довгостроковій ініціативі — з багатого статистичного сигналу.

Для BigChess такого набору даних не існує. BigChess — нова гра. Загальна кількість записаних партій BigChess на поточному етапі розвитку гри — незначна частка того, що потрібно для навчання якісної нейромережної функції оцінки. Навіть кілька мільйонів партій BigChess — на накопичення яких знадобляться роки активної гри — будуть скромними порівняно з наборами даних, що використовуються для тренування класичних шахових рушіїв.

Тренування через самоіграшку, як показав AlphaZero, дозволяє обійти вимогу до людських даних. Рушій, натренований виключно через самоіграшку, не потребує записаних людських партій. Але тренування через самоіграшку вимагає величезних обчислювальних ресурсів — тренування AlphaZero потребувало спеціалізованого апаратного забезпечення масштабу Google — і породжує рушій, що добре грає в гру за ігровими критеріями теорії, але може грати способами, чужими людському розумінню.

Клон вимагає нових знань для оцінки

Навіть за наявності достатніх навчальних даних, фігура Клон ставить конкретні проблеми оцінки, що не мають аналогів у класичних шахах. Функції оцінки класичних шахових рушіїв доточувалися протягом десятиліть для точної оцінки цінності слонів, коней, тур і ферзів у різних типах позицій. Зв'язок між цінністю фігур і типом позиції добре вивчений: слони коштують більше у відкритих позиціях, коні — у закритих, пари тур потужні в ендшпілях тощо.

Оцінка Клона — справді відкрита проблема. Скільки коштує Клон порівняно з ферзем у конкретному типі позиції? Як змінюється цінність Клона при відкритті або закритті позиції? Коли Клон проти тури кращий для Клона, а коли — для тури? Наскільки форпост Клона сприяє оцінці позиції порівняно з форпостом коня?

На ці питання не можна відповісти, імпортуючи знання оцінки класичних шахів, бо Клон не має класичного аналога. Їх потрібно вивчати з даних, специфічних для BigChess, або виводити теоретично з властивостей ходів Клона. Добре натренований рушій BigChess матиме ці оцінки вбудованими; погано натренований систематично помилятиметься в позиціях, насичених Клонами, що досвідчений гравець, знайомий із тактикою Клона, використає.

Що аналіз Fairy-Stockfish показує про глибину BigChess

Незважаючи на обмеження, аналіз позицій BigChess за допомогою Fairy-Stockfish виявляє дещо важливе про глибину гри: дошка 10×10 і фігура Клон породжують позиції, що є надзвичайно складними для правильної оцінки навіть при сильному комп'ютерному аналізі. Розширене дерево гри — що виникає через більшу кількість можливих ходів на більшій дошці — важче досліджувати вичерпно, а подвійний режим руху Клона створює розриви оцінки, що функція оцінки рушія з її вирівнюванням позиції обробляє недосконало.

На практиці аналіз позицій BigChess за допомогою Fairy-Stockfish часто виявляє послідовності ходів, які дивують досвідчених шахістів, — не тому, що вони очевидно правильні за класичними шаховими стандартами, а тому, що тактика Клона породжує комбінації, що вимагають чіткого бачення подвійного режиму руху за кілька ходів наперед. Це свідчить про те, що комбінаторна глибина BigChess є справжньою, а не ілюзорною: сильний аналіз рушіїв послідовно знаходить ресурси, які людський розрахунок упускає, так само як класичні шахові рушії знаходять тактику в позиціях, які гросмейстери оцінюють як спокійні.

Частина VI: майбутнє ШІ в розвитку BigChess

Самоіграшка як шлях уперед

Найперспективніший шлях до сильної функції оцінки ШІ, специфічної для BigChess, — це самоіграшка в стилі AlphaZero: рушій, що навчається оцінці BigChess виключно через гру сам із собою, починаючи лише з правил і вдосконалюючись через мільйони ітерацій навчання з підкріпленням. Цей метод має перевагу у відсутності потреби в базі даних попередніх партій і підтвердив свою ефективність на надлюдських рівнях як у класичних шахах, так і в Го.

Практичні перешкоди — обчислювальні вимоги та складність реалізації. Тренування AlphaZero потребувало апаратного забезпечення масштабу Google, недоступного незалежному ігровому проекту. Більш ефективні методи тренування — з меншими нейронними мережами, меншими обчислювальними ресурсами та більш розумними навчальними програмами — розроблялися в роки після публікації AlphaZero, і вони можуть зробити сильне тренування через самоіграшку більш доступним для BigChess.

У міру зростання спільноти гравців BigChess зростає й база людських партій. Коли ця база досягне достатнього розміру та якості, навчання нейронних мереж на даних людських партій (підхід NNUE) стане можливим. Два підходи — тренування через самоіграшку та тренування на людських партіях — є взаємодоповнюючими і можуть бути поєднані для створення рушія BigChess, що поєднає ігрову теоретичну послідовність самоіграшки з людськими закономірностями в реальних партіях.

Що показав би сильний рушій BigChess

Повністю натренований рушій BigChess людської якості дав би відповіді на питання, які спільнота BigChess наразі досліджує через практичну гру:

Які оптимальні початкові ходи в BigChess? Які принципи визначають найкращий ранній розвиток Клона і пішакові структури?
Яка точна цінність Клона порівняно з іншими фігурами в різних типах позицій?
Які ендшпілі виграні, ничийні або програні при оптимальній грі? Клон проти тури, Клон проти ферзя, пара Клонів проти різних матеріальних конфігурацій?
Яку перевагу має Білий (хто ходить першим) у BigChess? Більше чи менше, ніж у класичних шахах?

Ці питання визначають теоретичний фронт BigChess. Аналіз рушієм врешті-решт дасть на них відповіді — але тим часом людські гравці BigChess досліджують їх через практичну гру, виробляючи інтуїцію та евристику, що залишатимуться цінними навіть після появи сильного аналізу рушієм.

ШІ як партнер із тренування

Крім змагального використання, найважливіша роль ШІ в розвитку BigChess — це роль партнера з тренування. Поточна інтеграція Fairy-Stockfish у BigChess вже виконує цю функцію, виявляючи тактичні помилки та пропущені можливості в аналізі після партії. У міру поліпшення рушійної оцінки BigChess це партнерство ставатиме більш цінним.

Історія впливу шахового ШІ на людські шахи демонструє послідовну закономірність: рушії не замінюють людські шахи, а трансформують способи їх вивчення. Гравці, що серйозно працюють з аналізом рушіїв своїх партій, вдосконалюються швидше, ніж ті, хто цього не робить. Здатність рушія виявляти конкретні помилки та демонструвати правильні продовження забезпечує точність зворотного зв'язку, якої не можуть досягти ні людські тренери, ні самоаналіз окремо.

Ця закономірність повториться в BigChess. Гравці, що використовують аналіз Fairy-Stockfish для виявлення тактичних помилок Клона, розуміння оцінки Клона в конкретних типах позицій і вивчення пропозицій рушія щодо покращення гри, розвиватимуться швидше, ніж ті, хто покладається лише на інтуїцію. ШІ не зменшує цінність людської майстерності в BigChess — він прискорює темп її розвитку.

Виклик запобігання шахрайству для BigChess

У міру зростання сили Fairy-Stockfish у BigChess проблема шахрайства з допомогою рушія, що вражає класичні шахи, врешті-решт стане актуальною і для BigChess. Гравець, що консультується з сильним рушієм BigChess під час партії, матиме вирішальну перевагу, яку практично важко виявити і яка є глибоко несправедливою стосовно суперників.

Онлайн-орієнтована концепція BigChess — всі партії грають на єдиній платформі з повними ігровими записами на стороні сервера — створює можливості виявлення, яких не має шахова дошка. Статистичний аналіз якості ходів порівняно з рекомендаціями рушія може застосовуватися вичерпно до всіх партій BigChess. У міру зростання бази гравців і прояснення статистичних базових показників аномальні закономірності результативності стають більш виявленими.

Проактивні інвестиції в антишахрайську інфраструктуру, що розпочинаються до того, як проблема шахрайства стає гострою, — один із важливих управлінських викликів, з якими BigChess зіткнеться в міру зростання спільноти. Досвід класичних шахів — де проблема шахрайства вирішувалась переважно реактивно, а не проактивно — дає чіткий попереджувальний приклад.

Частина VII: ШІ, шахи і що це все означає

Чи зламали машини шахи?

Питання, що переслідує шахи з 1997 року — чи зламали комп'ютери шахи? — має нюансовану відповідь. Комп'ютери зламали ілюзію, що шахи невирішувані машинами. Вони не зламали шахи як людську діяльність. Сьогодні в шахи грає більше людей, ніж будь-коли в їхній історії. Онлайн-платформи обслуговують сотні мільйонів партій щомісяця. Популярність гри, вимірювана кількістю гравців, різко зросла в роки після перемоги Deep Blue.

Що змінилося — так це ставлення гри до досконалості. У класичних шахах ідеал досконалої гри існує і відомо, що він досяжний для машин. Люди грають не в досконалі шахи, а в людські шахи — красиві та недосконалі, що є вираженням справжніх когнітивних зусиль проти так само недосконалого суперника. Це залишається справжнім і цінним навіть за наявності рушіїв, що грають краще за будь-яку людину.

BigChess відновлює баланс

У BigChess ситуація відрізняється від класичних шахів специфічним і цінним чином: жоден рушій наразі не грає в BigChess на рівні, що явно і безумовно перевершує людське розуміння. Fairy-Stockfish грає в BigChess, але без натренованої нейромережної оцінки, що робить класичні шахові рушії незбагненно сильними. Сильний людський гравець у BigChess із глибоким розумінням тактики Клона, позиційних принципів дошки 10×10 і техніки ендшпілів, специфічних для BigChess, може законно виявляти і використовувати слабкі місця в оцінці поточного покоління рушіїв BigChess.

Це не постійна ситуація — вона зміниться в міру покращення навчання рушіїв, специфічних для BigChess, — але такою є поточна ситуація. BigChess — гра, де людське розуміння є справді передовим знанням, де жодна машина остаточно не перевершила найкращих людських гравців, і де процес дослідження глибин гри є справжнім спільним відкриттям між людськими гравцями та інструментами ШІ, що розвиваються, які вони використовують для її вивчення.

Матч Deep Blue 1997 року поставив питання про те, що означає для машин перевершити людей у найвеличнішій інтелектуальній грі світу. BigChess ставить інше питання: що означає грати у велику інтелектуальну гру, де людське розуміння і машинний аналіз є, хоча б у цей стислий і цінний момент, справжніми рівноправними партнерами?

Висновок: гра, яку машини ще не освоїли

Історія шахового ШІ — це історія зростаючої машинної компетентності проти фіксованої мети: гри, правила якої залишаються незмінними п'ять сторіч, а простір закономірностей досліджувався так само довго. Маючи достатньо обчислювальних ресурсів, даних і часу, машини вирішили класичний шаховий орієнтир.

BigChess — нова мета. Ті самі інструменти, що освоїли класичні шахи — глибокий пошук, оцінка нейронної мережі, тренування через самоіграшку — можуть бути застосовані до BigChess. Але їх потрібно застосовувати специфічно: нові функції оцінки для Клона, нова теорія дебютів із самоіграшки або людських партій, нові таблиці ендшпілів. Роботу розпочато — через Fairy-Stockfish та інструменти аналізу партій, що BigChess надає гравцям. Але вона далека від завершення.

Тим часом найсильніші гравці BigChess — це ті, хто найглибше розуміє Клона, хто найретельніше засвоїв позиційні принципи дошки 10×10 і хто зіграв достатньо партій BigChess, щоб сформувати справжні бібліотеки закономірностей для гри, що ще нова. Це не утішний приз у очікуванні машинного наздоганяння. Це досвід гри на межі людського знання — саме те, чим відчувалися шахи до появи машин.

Грайте там, де машини ще не вийшли вперед. Приєднуйтесь до BigChess на bigchessgame.com — доступно на iOS, Android і у веббраузері. Дошка 10×10, Клон і рушій Fairy-Stockfish чекають на вас. Ера відкриттів починається з вашої першої партії.