تقریباً سه دهه پس از آن که Deep Blue دنیای شطرنج را شگفت زده کرد، محققان هنوز در تلاشند به یک سوال فریبنده ساده پاسخ دهند: دقیقاً چه چیزی باعث می شود هوش مصنوعی در شطرنج اینقدر خوب باشد؟ مقاله اخیر در APS Open Science، که توسط Scientific American در 15 نوامبر برجسته شده است، یک سرنخ قابل اندازه گیری ارائه می دهد - و این به ویژگی ای می رسد که نویسندگان آن را "تنش استراتژیک" می نامند.
موتورهای شطرنج مدتهاست که میتوانستند انسانها را محاسبه کنند و تعداد زیادی از حرکتهای نامزد را از طریق جستجوی درخت بهاجبار بیرحمانه انجام دهند. موتورهای شبکه عصبی مدرن مانند Stockfish و Leela Layers از شبکههای آموزش دیده برای هدایت آن جستجو استفاده میکنند و بازی آنها فقط قدرتمندتر شده است. آنچه که مطالعه جدید اضافه میکند، تصویری آماری از تفاوت بازی آنها با بازی ما است - نه فقط در مورد اینکه چه کسی برنده میشود، بلکه از نظر ظاهری که هیئت مدیره در طول بازی چگونه به نظر میرسد. برای خوانندگانی که [اخبار تحقیقاتی هوش مصنوعی] (https://aibuzzwire.news) را دنبال میکنند، این کار یادآوری میکند که حتی حوزههای «حلشده با احساس» مانند شطرنج هنوز سؤالات باز در مورد اینکه ماشینها واقعا چگونه فکر میکنند دارند.
اندازه گیری تنش در هیئت مدیره
این مطالعه توسط فیزیکدانان مرکز علوم پیچیدگی در وین و با نویسنده ارشد ویتو دی پی سرودیو هدایت شد. این تیم هم بازیهای انسان در مقابل انسان و هم بازیهای Stockfish در مقابل لیلا را از پایگاههای داده آنلاین جمعآوری کردند، سپس مقداری را که آنها تنش استراتژیک مینامند در هر موقعیت اندازهگیری کردند: اساساً تعداد تعاملات متقابل ممکن بین قطعات مقابل. موقعیتهای پرتنش، موقعیتهایی هستند که در آن تعداد زیادی مهره در برابر یکدیگر قرار میگیرند - سرشار از ضبطهای پنهان، تهدیدات و ضد تهدیدهایی که میتوان با یک حرکت آزاد کرد.
تنش یک کمیت طبیعی است که فیزیکدانان باید به آن دست یابند. در یک عدد، میزان پیچیدگی نهفته در یک موقعیت را نشان میدهد - اگر هر یک از بازیکنان تخته را از لبه به یک آبشار مبادلات فشار دهد، وضعیت بازی چقدر تغییر میکند.
انسان ها ساده می شوند. موتورها برد را روی لبه نگه می دارند
یافته اصلی یک واگرایی در چگونگی تکامل تنش است. در بازیهای انسانی، میانگین تنش در 20 حرکت اول در واقع بالاتر از بازیهای هوش مصنوعی بود - مرحلهای که در آن افراد به بازههای به خاطر سپردهشده و تاکتیکهای بهخوبی حفاری شده تکیه میکنند، به این امید که پیچیدگی در نهایت حریف را مجبور به لغزش کند.
اما پس از آن نقطه، خطوط عبور می کنند. تنش انسانی کمتر از بازیهای هوش مصنوعی است، که در اعماق بازیهای میانی همچنان بالاست. تفسیر محققان: با ناآشنا شدن موقعیتها، بازیکنان انسانی سادهتر میشوند، قطعات را معامله میکنند و به سمت ساختارهای آرامتر هدایت میشوند، زیرا نمیتوانند پیچیدگی کامل بسیاری از قطعات متقابل و گزینههای متعدد را به طور همزمان در ذهن نگه دارند. موتورها چنین محدودیتی را احساس نمی کنند. آنها مواضع متراکم با تهدیدهای متقابلی را حفظ می کنند که برای اکثر بازیگران انسانی هدایت آنها غیرقابل تحمل است - و این مطالعه نشان می دهد که دقیقاً این موقعیت ها جایی هستند که دقت انسان در آنها کاهش می یابد.
مهارت، کنترل زمان و عمق جستجو
داده ها همچنین نشان داد که تنش توانایی و تفکر را در انسان و ماشین دنبال می کند. بازیکنان انسانی با امتیاز بالاتر تنش بیشتری را در طول بازی های خود نسبت به بازیکنان دارای امتیاز پایین تر حفظ کردند. بازیهایی که زمان تفکر بیشتری داشتند، تنش بیشتری را نشان دادند - بالاترین در شطرنج کلاسیک، کمتر در سرعت سریع و کمترین در بلیتز - مطابق با این ایده که حفظ پیچیدگی در تلاشهای شناختی گران است. و در سمت ماشین، تیم مشاهده کردند که وقتی استوکفیش درختهای عمیقتر از ادامههای احتمالی را جستجو کرد، تنش افزایش یافت.
نویسندگان مراقب علیت هستند. تنش بالاتر با توانایی بیشتر هم در انسان و هم در هوش مصنوعی مرتبط است، اما این مطالعه نشان نداد که تنش این توانایی را ایجاد میکند - یا از آن سرچشمه میگیرد. این اثر انگشت یک بازی قوی است، هنوز مکانیسمی نشان داده نشده است.
"به نظر می رسد که آنها جادو بازی می کنند"
جاه طلبی محققان فراتر از توصیف زیبایی شناسی شطرنج است. سرودیو به ساینتیفیک آمریکن گفت: «احتمالاً مقاله ما نزدیکترین مقاله به درک این است که این ماشینها چه کاری انجام میدهند. در غیر این صورت به نظر می رسد که آنها جادو بازی می کنند.
این کادربندی - که بازی موتور را بهعنوان یک سیستم فیزیکی که باید اندازهگیری شود به جای جعبه سیاهی که قابل تحسین است، تلقی میکند - چیزی است که کار را از تحلیلهای قبلی شطرنج ماشینی متمایز میکند. به جای اینکه بپرسند آیا حرکت موتور بهترین است یا خیر، تیم می پرسد که آمار کلی بازی موتور در مورد نوع جستجو و ارزیابی که ماشین انجام می دهد چه چیزی را نشان می دهد.
هشداری فراتر از صفحه شطرنج
Servedio همچنین پیامد ناراحت کننده ای را برای دامنه های دور از 64 مربع ترسیم کرد. اگر سیستمهای هوش مصنوعی در تنظیمات پیچیده و متخاصم با حفظ تنش بالا به نتایج بهتری دست یابند - به طور همزمان بسیاری از تعاملات فرار را زنده نگه میدارند - پس استقرار آنها در چیزی مانند دیپلماسی میتواند به معنای استراتژیهای بهینهسازی ماشینی باشد که انسانها آن را بهطور غیرقابل مدیریتی شکننده میدانند. او گفت: «این بسیار خطرناک است، زیرا وقتی تنش بالا دارید، سیستمها بسیار ناپایدار هستند. بنابراین فقط یک خطای کوچک از یکی از طرفین باعث فاجعه می شود.»
این قیاس حدسی است و نویسندگان ادعا نمی کنند که پویایی دیپلماتیک را اندازه گیری کرده اند. اما به یک تنش واقعی (از نوع سازمانی) در استقرار هوش مصنوعی اشاره میکند: همان ویژگی که به موتور اجازه میدهد از استاد بزرگ برتری بگیرد - راحتی با پیچیدگی پایدار - ممکن است ویژگیای باشد که اتخاذ استراتژیهای آن را در مؤسسات انسانی که نمیتوانند به طور قابل اعتماد حفظ کنند، خطرناک میکند.
آنچه که مطالعه نشان نمی دهد
محدودیت ها ارزش دارد که به صراحت بیان شود. این مطالعه ارتباط بین تنش و قدرت بازی را برقرار می کند، نه یک مکانیسم علی که این دو را به هم متصل می کند. این یک جفت موتور خاص را با جمعیت خاصی از بازیهای انسانی از پایگاههای داده آنلاین مقایسه میکند و شطرنج - با حرکات گسسته و اطلاعات کاملش - بهترین حالت برای این نوع تحلیل باقی میماند. گسترش "تنش استراتژیک" به حوزه های پیچیده تر یک فرضیه است، نه یک نتیجه.
با این حال، مقاله چیزی را اضافه می کند که ادبیات شطرنج-AI فاقد آن است: یک آمار ساده و قابل محاسبه که به طور واضح نحوه مدیریت پیچیدگی انسان ها و ماشین ها را در طول یک بازی از هم جدا می کند. شطرنج مدتها به عنوان یک سیستم نمونه برای مطالعه شناخت در انسان و ماشین عمل کرده است، و پیروزی دیپ بلو در سال 1997 بر گری کاسپاروف، لحظهای را رقم زد که ماشینها برای اولین بار ثابت کردند که میتوانند در بازی محاسباتی ما از ما بیشتر فکر کنند. تقریباً 30 سال بعد، این سؤال از اینکه آیا ماشینها میتوانند برنده شوند به اینکه چرا برنده میشوند تغییر کرده است - و به طور فزایندهای، به آنچه که روش برنده شدن آنها ممکن است در مورد سیستمهایی که اکنون تصمیمات دنیای واقعی را به آنها میدهیم به ما بیاموزد تغییر کرده است.
---
از هوش مصنوعی جلوتر بمانیدآخرین اخبار، تحلیل ها و پیشرفت های هوش مصنوعی را دریافت کنید - همه در یک مکان.
بیشتر بخوانید اخبار هوش مصنوعی →
