Нейросети, 01 дек 2022, 11:14

Как нейросети изменили шахматную теорию и подготовку людей к игре

Читать в полной версии
Фото: Shutterstock
Директор по методологии GeekBrains и КМС по шахматам Ильнар Шафигуллин рассказывает, как связаны нейросети и одна из древнейших настольных игр, и догнал ли компьютер человека

Почему для ИИ важны именно шахматы и как компьютер играет в них

В отличие от других игр, шахматную партию до сих пор невозможно просчитать до конца. Например, в игре «крестики-нолики» есть всего девять полей и два вида фигур. Вариативности не так много — партии может предсказать даже человек, и тем более компьютер.

Шахматы гораздо разнообразнее. Математик Клод Шеннон вычислил, что минимальное число неповторяющихся партий — около 10 в 120 степени. С текущими мощностями компьютер не может вычислить все возможные ходы соперника. Но из-за высоких требований игры именно на шахматах часто тестируют искусственный интеллект — например, методики оптимизации подбора или распознавания образов.

Как искусственный интеллект меняет труд и производство
Индустрия 4.0 

Есть две основные задачи, которые компьютеру нужно решать в шахматной партии.

  • Оценивать позицию фигур на доске после каждого хода. Самый простой способ — посчитать количество материала на доске. Обычно за единицу берут пешку как самую слабую фигуру и считают в «пешках» другие фигуры. Конь или слон эквивалентны трем пешкам, ферзь — девяти. У кого больше пешек, тот в лучшей позиции. Компьютер перебирает разные ходы и оценивает их по силе позиции. Преимущество такого алгоритма — в простоте, но она же приводит к поверхностной оценке. Например, можно забрать пешку противника, но открыть доступ к королю и проиграть. Первые компьютерные программы работали по такому алгоритму — их легко можно было обмануть. Алгоритм станет более точным, если добавить критериев оценки. Например, не только количество материала, но и количество полей, которое контролирует каждая фигура. Чем качественнее компьютер оценивает позицию на доске, тем сильнее он играет в шахматы.
  • Уменьшать дерево вариантов. Перебирать все возможные варианты ходов — слишком долго. Например, белые фигуры могут начать партию 20 разными способами. Черные фигуры могут ответить на этот ход тоже 20 вариантами. В итоге только после первого хода может быть 400 вариантов позиций на доске. Компьютерные алгоритмы обычно не считают максимальную глубину после каждого хода. Если направление развития событий по ходу ведет к победе, то останавливают перебор. Такие алгоритмы называются детерминированными — в них критерии выбора варианта известны. В одной и той же шахматной позиции такой алгоритм будет делать одинаковый ход в разных партиях.

    Но такая предсказуемость детерминированных алгоритмов может стать проблемой: например, компьютеры будут играть по критериям оценки, заложенным программистом. Эти критерии не всегда могут быть самыми лучшими. Это значит, что детерминированность ограничивает потенциал игры компьютера.

Зачем в шахматах нужен data science

Data science в большинстве случаев использует недетерминированные алгоритмы — это, например, глубокие нейронные сети. Они подстраиваются под обучающие примеры и меняют внутри себя наборы чисел. Поэтому недетерминированные алгоритмы сложно предсказать. Если систему остановить и попытаться понять, почему она принимает такие решения, ее логическую цепочку будет сложно восстановить. В нашем примере с шахматами недетерминированные алгоритмы можно использовать для решения задачи как часть реального движка. При оценке позиции можно взять огромное количество размеченных сыгранных партий. У каждой позиции есть оценка — на наборе можно обучить нейросеть оценивать ситуацию.

Нейросеть, которая может все: какие есть сложности в обучении алгоритмов
Индустрия 4.0 

Тогда отпадет нужда самостоятельно определять набор критериев вроде количества материала или расположения фигур. Нейросеть сама определит критерии исходя из набора. При этом можно совместить детерминированный и недетерминированный подходы. Детерминированные алгоритмы могут перебирать возможные варианты ходов, а недетерминированные — оценивать каждую позицию. В 2017 году структура Google DeepMind выпустила систему AlphaZero, которая потрясла шахматное сообщество. Ее особенность в том, что ей нужны только правила игры. Затем она начинает играть против себя и обучается в процессе. AlphaZero делает выводы по стратегии и запоминает верные ходы. Так она переизобретает шахматную теорию — искусственный интеллект не использует опыт игры людей. Система уже вносит новизну в многовековую игру — например, AlphaZero стала двигать крайнюю пешку. С подачи системы на этот прием обратили внимание большинство шахматистов. В отличие от других похожих систем, например, StockFish, нейросети AlphaZero сосредотачиваются на наиболее перспективных вариантах хода. Они анализируют около 80 тыс. позиций в секунду.

Нейросеть против шахматиста-человека: есть ли разница

Чтобы понять, приблизились ли мы к способности человека играть в шахматы, нужно определить, что мы оцениваем. С точки зрения силы игры в шахматы люди уже остались далеко позади: та же AlphaZero или Stockfish способны одолеть вообще всех профессиональных игроков. Но есть и другой показатель — приблизились ли нейросети к человеческому мышлению? Детерминированные системы точно не обладают таким навыком — например, мы можем точно узнать, чем руководствуется алгоритм. Программист закладывает критерии оценки и алгоритм выбора вариантов, по которым учится система. Стратегию человека-шахматиста определяет слишком сложный набор параметров. С недетерминированными алгоритмами ситуация еще сложнее. Дело в том, что мы даже не можем сравнить их стратегию игры со стратегией человека-шахматиста. Мы попросту не знаем до конца, как именно они работают. Обработка одних и тех же данных этими алгоритмами может приводить в разных ситуациях к разным результатам.

Эрнесто Инаркиев, российский гроссмейстер, чемпион Европы 2016, действующий чемпион России в командном зачете, тренер, основатель шахматной академии «ШАГИ CHESS»:

«Разработка Alpha Zero и внедрение нейронных сетей в свое время действительно изменили подход к подготовке шахматистов. Однако стоит отметить, что статистические алгоритмы мышления нейронных сетей так и не стали рациональными для людей. Выбирая ход, Alpha Zero разыгрывает большое количество партий сама с собой и выбирает продолжение, показавшее лучший результат в этих партиях. Метод очень энергоемкий и для анализа шахматной теории, поиска максимально правильного решения — эффективный. Но у человека есть другое преимущество — оценочные суждения, которые позволяют сокращать объем вычислений и быстрее принимать решение, тем не менее с более низкой точностью».

Нейросети Искусственный интеллект Внедрение инноваций
Главное