डीप ब्लूने बुद्धिबळ जगाला चकित केल्यानंतर सुमारे तीन दशकांनंतर, संशोधक अजूनही एका भ्रामक सोप्या प्रश्नाचे उत्तर देण्याचा प्रयत्न करीत आहेत: बुद्धिबळात एआयला इतके चांगले काय बनवते? APS ओपन सायन्समधील अलीकडील पेपर, 15 नोव्हेंबर रोजी सायंटिफिक अमेरिकनने हायलाइट केला आहे, एक मोजता येण्याजोगा संकेत देते - आणि ते लेखक "स्ट्रॅटेजिक टेन्शन" म्हणून ओळखल्या जाणाऱ्या मालमत्तेवर येते.

बुद्धिबळ इंजिने बर्याच काळापासून मानवांची गणना करण्यास सक्षम आहेत, झाडांच्या शोधातून मोठ्या संख्येने उमेदवारांच्या हालचालींना बळजबरी करतात. स्टॉकफिश आणि लीला लेयर्स सारखी आधुनिक न्यूरल-नेटवर्क इंजिने त्या शोधाचे मार्गदर्शन करण्यासाठी प्रशिक्षित नेटवर्कचा वापर करतात आणि त्यांचा खेळ आता अधिक मजबूत झाला आहे. नवीन अभ्यासाने काय जोडले आहे ते त्यांचे खेळ आमच्यापेक्षा कसे वेगळे आहे याचे सांख्यिकीय पोर्ट्रेट आहे — केवळ कोण जिंकतो यावरच नाही, तर गेम उघडताना बोर्ड स्वतः कसा दिसतो. AI रिसर्च न्यूज फॉलो करणाऱ्या वाचकांसाठी, हे काम एक स्मरणपत्र आहे की बुद्धिबळ सारख्या "सोल्व्ह-फीलिंग" डोमेनमध्येही मशीन्स प्रत्यक्षात कसे विचार करतात याबद्दल खुले प्रश्न आहेत.

बोर्डावरील ताण मोजणे

या अभ्यासाचे नेतृत्व व्हिएन्ना येथील कॉम्प्लेक्सिटी सायन्स हबमधील भौतिकशास्त्रज्ञांनी केले होते, वरिष्ठ लेखक विटो डी.पी. सर्व्हेडिओ. टीमने ऑनलाइन डेटाबेसमधून मानवी-विरुद्ध-मानवी खेळ आणि स्टॉकफिश-विरुद्ध-लीला गेम दोन्ही गोळा केले, त्यानंतर प्रत्येक स्थानावर त्यांना धोरणात्मक तणाव असे संबोधले जाणारे प्रमाण मोजले: मूलत:, विरोधी तुकड्यांमधील परस्पर संवादांची संख्या. उच्च-टेंशन पोझिशन्स ही अशी असतात जिथे अनेक तुकडे एकमेकांच्या विरोधात असतात - सुप्त कॅप्चर, धमक्या आणि प्रति-धमक्यांनी समृद्ध जे एकाच हालचालीने सोडले जाऊ शकतात.

भौतिकशास्त्रज्ञांपर्यंत पोहोचण्यासाठी तणाव हे एक नैसर्गिक प्रमाण आहे. हे एका क्रमांकामध्ये कॅप्चर करते, एखाद्या स्थितीत किती जटिलता अव्यक्त आहे — जर एखाद्या खेळाडूने बोर्डच्या काठावर एक्सचेंजच्या कॅस्केडमध्ये ढकलले तर गेमची स्थिती किती बदलेल.

माणसं सोपी करतात; इंजिन्स बोर्डला काठावर ठेवतात

मध्यवर्ती निष्कर्ष हा तणाव कसा विकसित होतो यामधील फरक आहे. मानवी खेळांमध्ये, पहिल्या 20 चालींमध्ये AI गेमच्या तुलनेत सरासरी तणाव प्रत्यक्षात जास्त होता - हा टप्पा जिथे लोक लक्षात ठेवलेले ओपनिंग आणि चांगले ड्रिल केलेल्या डावपेचांवर झुकतात, आशा करते की जटिलता शेवटी प्रतिस्पर्ध्याला घसरण्यास भाग पाडेल.

पण त्या बिंदूनंतर, रेषा ओलांडतात. मानवी तणाव AI गेमपेक्षा खाली घसरतो, जो मधल्या गेममध्ये खूप खोलवर राहतो. संशोधकांचे स्पष्टीकरण: पोझिशन्स अपरिचित झाल्यामुळे, मानवी खेळाडू सुलभ करतात, तुकड्यांचा व्यापार करतात आणि शांत संरचनांकडे वळतात कारण ते एकाच वेळी अनेक परस्परसंवादी तुकड्या आणि अनेक पर्यायांची संपूर्ण जटिलता मनात ठेवू शकत नाहीत. इंजिनांना असे कोणतेही बंधन वाटत नाही. बहुसंख्य मानवी खेळाडूंना नॅव्हिगेट करणे असह्य वाटेल अशा परस्पर धोक्यांसह ते दाट पोझिशन्स टिकवून ठेवतात — आणि तंतोतंत त्या पोझिशन्स, अभ्यास सूचित करतो, जिथे मानवी अचूकता कमी होते.

कौशल्य, वेळ नियंत्रण आणि शोध खोली

डेटाने असेही दर्शविले आहे की तणाव मानव आणि मशीन या दोघांमधील क्षमता आणि विचारविचाराचा मागोवा घेतो. उच्च-रेटेड मानवी खेळाडूंनी कमी-रेट केलेल्या खेळाडूंपेक्षा त्यांच्या संपूर्ण गेममध्ये जास्त तणाव राखला. अधिक विचार करण्याच्या वेळेसह खेळांनी अधिक तणाव दर्शविला — शास्त्रीय बुद्धिबळात सर्वोच्च, वेगवान कमी आणि ब्लिट्झमध्ये सर्वात कमी — संज्ञानात्मक प्रयत्नांमध्ये जटिलता टिकवून ठेवणे महाग आहे या कल्पनेशी सुसंगत. आणि मशीनच्या बाजूने, टीमने निरीक्षण केले की जेव्हा स्टॉकफिशने संभाव्य निरंतरतेच्या खोल झाडांचा शोध घेतला तेव्हा तणाव वाढला.

लेखक कार्यकारणभावाबद्दल सावध आहेत. उच्च तणाव मानव आणि एआय या दोन्हींच्या मोठ्या क्षमतेशी संबंधित आहे, परंतु अभ्यासाने असे दाखवले नाही की तणावामुळे ती क्षमता निर्माण होते - किंवा ती त्यातून वाहत असते. हे मजबूत खेळाचे फिंगरप्रिंट आहे, अद्याप प्रदर्शित केलेली यंत्रणा नाही.

"ते जादू खेळत आहेत असे दिसते"

संशोधकांची महत्त्वाकांक्षा बुद्धिबळाच्या सौंदर्यशास्त्राच्या पलीकडे आहे. "कदाचित आमचा पेपर ही मशीन्स काय करत आहेत हे समजून घेण्याच्या सर्वात जवळ आहे," सर्व्हेडिओने सायंटिफिक अमेरिकनला सांगितले. "नाहीतर असे दिसते की ते जादू खेळत आहेत."

ते फ्रेमिंग — इंजिन प्लेला ब्लॅक बॉक्सचे कौतुक करण्याऐवजी मोजली जाणारी भौतिक प्रणाली म्हणून हाताळणे — हेच काम मशीन बुद्धिबळाच्या पूर्वीच्या विश्लेषणापेक्षा वेगळे करते. इंजिनची हालचाल सर्वोत्कृष्ट आहे की नाही हे विचारण्याऐवजी, संघ विचारतो की इंजिन प्लेची एकूण आकडेवारी मशीन कोणत्या प्रकारचे शोध आणि मूल्यांकन करत आहे याबद्दल काय प्रकट करते.

बुद्धिबळाच्या पलीकडे एक चेतावणी

सर्व्हेडिओने 64 स्क्वेअर्सपासून दूर असलेल्या डोमेनसाठी एक अस्वस्थ परिणाम देखील काढला. जर AI सिस्टीम उच्च तणाव टिकवून ठेवत जटिल, विरोधी सेटिंग्जमध्ये चांगले परिणाम मिळवितात — एकाच वेळी अनेक अस्थिर परस्परसंवाद जिवंत ठेवून — मग त्यांना मुत्सद्देगिरीसारख्या गोष्टींमध्ये तैनात करणे म्हणजे मशीन-ऑप्टिमाइज्ड धोरणे असू शकतात जी मानवांना अनियंत्रितपणे नाजूक वाटतात. "हे खूप धोकादायक आहे कारण जेव्हा तुमच्याकडे जास्त ताण असतो तेव्हा सिस्टम खूप अस्थिर असतात," तो म्हणाला. "म्हणून एका बाजूने फक्त एक छोटीशी चूक आपत्तीला कारणीभूत ठरेल."

साधर्म्य अनुमानात्मक आहे आणि लेखकांनी राजनयिक गतिशीलता मोजल्याचा दावा केला नाही. पण ते AI तैनातीमधील खऱ्या तणावावर (संस्थात्मक प्रकारचा) निर्देश करते: तीच मालमत्ता जी इंजिनला ग्रँडमास्टरला मागे टाकू देते — टिकाऊ जटिलतेसह आराम — ही अशी मालमत्ता असू शकते ज्यामुळे त्यांची रणनीती मानवी संस्थांमध्ये स्वीकारणे धोकादायक बनते जे त्यांना विश्वसनीयपणे राखू शकत नाहीत.

अभ्यास काय दाखवत नाही

मर्यादा स्पष्टपणे सांगण्यासारख्या आहेत. अभ्यास तणाव आणि खेळण्याची ताकद यांच्यातील परस्परसंबंध स्थापित करतो, दोघांना जोडणारी कार्यकारण यंत्रणा नाही. हे ऑनलाइन डेटाबेसमधील मानवी खेळांच्या विशिष्ट लोकसंख्येशी इंजिनच्या एका विशिष्ट जोडीची तुलना करते आणि बुद्धिबळ - त्याच्या वेगळ्या चाली आणि परिपूर्ण माहितीसह - या प्रकारच्या विश्लेषणासाठी सर्वोत्तम-केस सेटिंग राहते. गोंधळलेल्या डोमेनमध्ये "स्ट्रॅटेजिक टेन्शन" वाढवणे ही एक गृहितक आहे, परिणाम नाही.

तरीही, पेपरमध्ये बुद्धिबळ-एआय साहित्यात उणीव असलेल्या गोष्टीची भर पडली आहे: एक साधी, गणना करण्यायोग्य आकडेवारी जी खेळादरम्यान मानव आणि मशीन्स कशी जटिलता व्यवस्थापित करतात हे स्वच्छपणे वेगळे करते. बुद्धिबळाने मानव आणि यंत्र या दोघांमधील आकलनशक्तीचा अभ्यास करण्यासाठी एक मॉडेल प्रणाली म्हणून काम केले आहे आणि 1997 मध्ये गॅरी कास्पारोव्हवर झालेल्या डीप ब्लूच्या विजयाने मशीन्सने आपल्या स्वतःच्या गणनेच्या खेळात ते आम्हाला मागे टाकू शकतात हे सिद्ध केले. जवळपास 30 वर्षांनंतर, मशीन्स जिंकू शकतात का यावरून ते का जिंकतात याकडे - आणि वाढत्या प्रमाणात, त्यांच्या जिंकण्याचा मार्ग आम्हाला आता वास्तविक-जगातील निर्णय ज्या सिस्टीमकडे सोपवत आहोत त्याबद्दल आम्हाला काय शिकवू शकेल याकडे सरकले आहे.

---

एआयच्या पुढे राहा

नवीनतम AI बातम्या, विश्लेषण आणि यश मिळवा — सर्व एकाच ठिकाणी.

अधिक AI बातम्या वाचा →