Bijna dertig jaar nadat Deep Blue de schaakwereld verbaasde, proberen onderzoekers nog steeds een bedrieglijk eenvoudige vraag te beantwoorden: wat maakt AI precies zo goed in schaken? Een recent artikel in APS Open Science, dat op 15 november door Scientific American werd benadrukt, biedt een meetbare aanwijzing – en het komt neer op een eigenschap die de auteurs ‘strategische spanning’ noemen.
Schaakmachines zijn er lange tijd in geslaagd om mensen te slim af te zijn, door enorme aantallen kandidaatzetten bruut te forceren door middel van het zoeken naar bomen. Moderne neurale netwerk-engines zoals Stockfish en Leela Layers gebruiken getrainde netwerken om die zoektocht te begeleiden, en hun spel is alleen maar formidabeler geworden. Wat de nieuwe studie toevoegt is een statistisch portret van hoe hun spel verschilt van het onze – niet alleen in wie er wint, maar ook in hoe het bord zelf eruit ziet als het spel zich ontvouwt. Voor lezers die AI-onderzoeksnieuws volgen, herinnert het werk eraan dat zelfs ‘solved-feeling’-domeinen zoals schaken nog steeds open vragen hebben over hoe machines eigenlijk denken.
Spanning op het bord meten
De studie werd geleid door natuurkundigen van de Complexity Science Hub in Wenen, met senior auteur Vito D.P. Servedio. Het team verzamelde zowel mens-tegen-mens-spellen als Stockfish-versus-Leela-spellen uit online databases en mat vervolgens op elke positie een hoeveelheid die zij strategische spanning noemen: in wezen het aantal onderlinge interacties dat mogelijk is tussen tegengestelde stukken. Posities met een hoge spanning zijn posities waar veel stukken tegenover elkaar staan – rijk aan latente vangsten, bedreigingen en tegendreigingen die met één enkele beweging kunnen worden ontketend.
Spanning is een natuurlijke grootheid waar natuurkundigen naar kunnen streven. Het geeft in één getal weer hoeveel complexiteit latent aanwezig is in een positie – hoeveel de spelstatus zou veranderen als een van beide spelers het bord over de rand zou duwen in een cascade van uitwisselingen.
Mensen vereenvoudigen; Motoren Houd het bord scherp
De centrale bevinding is een verschil in de manier waarop spanning zich ontwikkelt. In menselijke spellen was de gemiddelde spanning tijdens de eerste twintig zetten zelfs hoger dan in AI-spellen – de fase waarin mensen leunen op uit het hoofd geleerde openingen en goed uitgeprobeerde tactieken, in de hoop dat de complexiteit een tegenstander uiteindelijk zal dwingen te slippen.
Maar daarna kruisen de lijnen elkaar. De menselijke spanning daalt tot onder die van AI-games, die tot diep in het middenspel hoog blijft. De interpretatie van de onderzoekers: naarmate posities onbekender worden, vereenvoudigen menselijke spelers, ruilen ze stukken in en sturen ze naar rustiger structuren, omdat ze niet de volledige complexiteit van veel op elkaar inwerkende stukken en meerdere opties tegelijk in gedachten kunnen houden. De motoren voelen geen dergelijke beperking. Ze behouden posities die gevuld zijn met wederzijdse dreigingen die de meeste menselijke spelers ondraaglijk zouden vinden om te navigeren – en juist die posities, zo suggereert de studie, zijn waar de menselijke nauwkeurigheid afneemt.
Vaardigheid, tijdcontrole en zoekdiepte
Uit de gegevens bleek ook dat spanning het vermogen en het overleg van zowel mensen als machines volgt. Menselijke spelers met een hogere rating behielden tijdens hun games een grotere spanning dan spelers met een lagere rating. Spellen met meer denktijd vertoonden meer spanning – het hoogst bij klassiek schaken, lager bij rapid en het laagst bij blitz – in overeenstemming met het idee dat het in stand houden van complexiteit duur is bij cognitieve inspanning. En aan de machinekant merkte het team op dat wanneer Stockfish diepere bomen met mogelijke voortzettingen doorzocht, de spanning toenam.
De auteurs zijn voorzichtig met causaliteit. Hogere spanning correleerde met een groter vermogen bij zowel mensen als AI, maar het onderzoek toonde niet aan dat spanning dat vermogen voortbrengt – of dat het daaruit voortvloeit. Het is een vingerafdruk van sterk spel, nog geen gedemonstreerd mechanisme.
"Het lijkt erop dat ze magie spelen"
De ambitie van de onderzoekers gaat verder dan het karakteriseren van de schaakesthetiek. "Waarschijnlijk komt ons artikel het dichtst in de buurt van wat deze machines doen", vertelde Servedio aan Scientific American. "Anders lijkt het alsof ze magie spelen."
Dat kader – waarbij engineplay wordt behandeld als een fysiek systeem dat moet worden gemeten in plaats van als een zwarte doos die moet worden bewonderd – is wat het werk onderscheidt van eerdere analyses van machinaal schaken. In plaats van te vragen of de zet van een engine de beste is, vraagt het team zich af wat de verzamelde statistieken van het enginespel onthullen over het soort onderzoek en evaluatie dat de machine uitvoert.
Een waarschuwing voorbij het schaakbord
Servedio trok ook een verontrustende implicatie voor domeinen die verre van 64 vierkanten waren. Als AI-systemen betere resultaten bereiken in complexe, vijandige omgevingen door hoge spanningen in stand te houden – waardoor veel vluchtige interacties tegelijkertijd in leven blijven – dan zou het inzetten ervan in zoiets als diplomatie machine-geoptimaliseerde strategieën kunnen betekenen die mensen onbeheersbaar kwetsbaar vinden. "Dit is erg gevaarlijk, want als er sprake is van hoge spanning, zijn de systemen erg onstabiel", zei hij. "Dus slechts een kleine fout van een van de partijen zal een ramp veroorzaken."
De analogie is speculatief en de auteurs beweren niet de diplomatieke dynamiek te hebben gemeten. Maar het wijst op een echte spanning (van organisatorische aard) bij de inzet van AI: dezelfde eigenschap die een motor een grootmeester laat overtreffen – comfort met aanhoudende complexiteit – kan de eigenschap zijn die het riskant maakt om zijn strategieën toe te passen in menselijke instellingen die ze niet op betrouwbare wijze kunnen handhaven.
Wat het onderzoek niet laat zien
De beperkingen zijn het waard om duidelijk te worden vermeld. De studie legt een verband vast tussen spanning en speelsterkte, en niet een causaal mechanisme dat de twee met elkaar verbindt. Het vergelijkt een bepaald paar motoren met een bepaalde populatie menselijke spellen uit online databases, en schaken – met zijn discrete zetten en perfecte informatie – blijft een beste setting voor dit soort analyses. Het uitbreiden van de ‘strategische spanning’ naar rommeligere domeinen is een hypothese, geen resultaat.
Toch voegt het artikel iets toe dat in de schaak-AI-literatuur ontbrak: een eenvoudige, berekenbare statistiek die duidelijk scheidt hoe mensen en machines omgaan met complexiteit in de loop van een spel. Schaken heeft lang gediend als modelsysteem voor het bestuderen van cognitie bij zowel mensen als machines, en de overwinning van Deep Blue in 1997 op Garry Kasparov markeerde het moment waarop machines voor het eerst bewezen dat ze ons te slim af konden zijn in ons eigen rekenspel. Bijna dertig jaar later is de vraag verschoven van de vraag of machines kunnen winnen naar waarom ze winnen – en, in toenemende mate, naar wat hun manier van winnen ons zou kunnen leren over de systemen waaraan we nu beslissingen in de echte wereld overdragen.
---
Blijf AI een stap voorOntvang het laatste AI-nieuws, analyses en doorbraken – allemaal op één plek.
Lees meer AI-nieuws →
