Prawie trzydzieści lat po tym, jak Deep Blue zadziwił szachowy świat, badacze wciąż próbują odpowiedzieć na zwodniczo proste pytanie: co dokładnie sprawia, że sztuczna inteligencja jest tak dobra w szachach? Niedawny artykuł w APS Open Science, nagłośniony przez Scientific American 15 listopada, oferuje wymierną wskazówkę – sprowadzającą się do właściwości, którą autorzy nazywają „napięciem strategicznym”.
Silniki szachowe od dawna są w stanie prześcignąć ludzi w obliczeniach, brutalnie wymuszając ogromną liczbę potencjalnych ruchów poprzez przeszukiwanie drzewa. Nowoczesne silniki sieci neuronowych, takie jak Stockfish i Leela Layers, wykorzystują wyszkolone sieci do kierowania wyszukiwaniem, a ich działanie stało się jeszcze potężniejsze. Nowe badanie dodaje statystyczny portret tego, jak ich gra różni się od naszej – nie tylko pod względem tego, kto wygrywa, ale także jak wygląda sama plansza w trakcie gry. Dla czytelników śledzących wiadomości dotyczące badań nad sztuczną inteligencją ta praca przypomina, że nawet w dziedzinach „poczucia rozwiązania”, takich jak szachy, wciąż pojawiają się otwarte pytania dotyczące tego, jak faktycznie myślą maszyny.
Pomiar napięcia na desce
Badanie prowadzili fizycy z Complexity Science Hub w Wiedniu wraz ze starszym autorem Vito D. P. Servedio. Zespół zebrał z internetowych baz danych zarówno gry człowiek kontra człowiek, jak i sztokfisz kontra Leela, a następnie zmierzył wielkość, którą nazywają napięciem strategicznym na każdej pozycji, czyli zasadniczo liczbę wzajemnych interakcji możliwych między przeciwstawnymi elementami. Pozycje o wysokim napięciu to takie, w których wiele elementów ściera się ze sobą – bogate w ukryte przechwyty, zagrożenia i kontrazagrożenia, które można uwolnić jednym ruchem.
Napięcie jest naturalną wielkością, po którą fizycy mogą sięgać. W jednej liczbie pokazuje, jak bardzo złożoność kryje się w danej pozycji — jak bardzo zmieniłby się stan gry, gdyby którykolwiek z graczy popchnął planszę poza krawędź, powodując kaskadę wymian.
Ludzie upraszczają; Silniki utrzymują deskę na krawędzi
Głównym wnioskiem jest rozbieżność w sposobie ewolucji napięcia. W grach z udziałem ludzi średnie napięcie było w rzeczywistości wyższe niż w grach ze sztuczną inteligencją podczas pierwszych 20 ruchów – jest to faza, w której ludzie opierają się na zapamiętanych debiutach i dobrze wyćwiczonych taktykach, mając nadzieję, że złożoność ostatecznie zmusi przeciwnika do poślizgu.
Ale po tym punkcie linie się krzyżują. Napięcie ludzkie spada poniżej tego w grach AI, które utrzymuje się na wysokim poziomie w środkowej fazie gry. Interpretacja badaczy: w miarę jak pozycje stają się nieznane, gracze-ludzcy upraszczają grę, wymieniając elementy i kierując się w stronę spokojniejszych struktur, ponieważ nie są w stanie uchwycić pełnej złożoności wielu współdziałających elementów i wielu opcji jednocześnie. Silniki nie odczuwają takiego ograniczenia. Utrzymują pozycje gęste od wzajemnych zagrożeń, nawigacja dla większości graczy byłaby nie do zniesienia — i właśnie na tych pozycjach, jak sugeruje badanie, spada ludzka dokładność.
Umiejętności, kontrola czasu i głębokość wyszukiwania
Dane pokazały również, że napięcie śledzi zdolności i rozwagę zarówno u ludzi, jak i maszyn. Gracze-ludzie o wyższych ocenach utrzymywali większe napięcie podczas gier niż gracze o niższych ocenach. Gry wymagające dłuższego czasu na myślenie wykazały większe napięcie – najwyższe w szachach klasycznych, niższe w szachach szybkich i najniższe w błyskawicznych – co jest zgodne z koncepcją, że utrzymywanie złożoności jest kosztowne w wysiłku poznawczym. Po stronie maszyny zespół zaobserwował, że gdy Stockfish przeszukiwał głębsze drzewa możliwych kontynuacji, napięcie wzrosło.
Autorzy zwracają uwagę na przyczynowość. Wyższe napięcie korelowało z większymi zdolnościami zarówno ludzi, jak i sztucznej inteligencji, ale badanie nie wykazało, że napięcie wytwarza tę zdolność lub że z niej wypływa. Jest to odcisk palca mocnej gry, ale mechanizm jeszcze nie zademonstrowany.
„Wygląda na to, że bawią się magią”
Ambicje badaczy wykraczają poza scharakteryzowanie estetyki szachów. „Prawdopodobnie nasz artykuł jest najbliższy zrozumienia, co robią te maszyny” – Servedio powiedział Scientific American. „W przeciwnym razie wygląda to tak, jakby bawili się magią”.
To właśnie sformułowanie – traktowanie gry silnika jako systemu fizycznego, który należy zmierzyć, a nie czarnej skrzynki, którą należy podziwiać – odróżnia tę pracę od wcześniejszych analiz szachów maszynowych. Zamiast pytać, czy ruch silnika jest najlepszy, zespół pyta, co zbiorcze statystyki pracy silnika ujawniają na temat rodzaju wyszukiwania i oceny przeprowadzanego przez maszynę.
Ostrzeżenie poza szachownicą
Servedio wyciągnął także niepokojące wnioski w przypadku domen odległych od 64 kwadratów. Jeśli systemy sztucznej inteligencji osiągną lepsze wyniki w złożonych, przeciwstawnych warunkach, utrzymując wysokie napięcie – utrzymując przy życiu wiele niestabilnych interakcji jednocześnie – wówczas wdrożenie ich w czymś na przykład w dyplomacji może oznaczać strategie zoptymalizowane pod kątem maszyn, które dla ludzi są nie do opanowania. „Jest to bardzo niebezpieczne, ponieważ przy wysokim napięciu systemy są bardzo niestabilne” – powiedział. „Więc mały błąd jednej ze stron spowoduje katastrofę”.
Analogia ma charakter spekulacyjny, a autorzy nie twierdzą, że zmierzyli dynamikę dyplomatyczną. Wskazuje jednak na prawdziwe napięcie (o charakterze organizacyjnym) we wdrażaniu sztucznej inteligencji: ta sama właściwość, która pozwala silnikowi pokonać arcymistrza – komfort przy utrzymującej się złożoności – może być cechą, która sprawia, że jego strategie są ryzykowne w przyjmowaniu w instytucjach ludzkich, które nie są w stanie ich niezawodnie utrzymać.
Czego badanie nie pokazuje
Ograniczenia warto jasno określić. Badanie ustaliło korelację między napięciem a siłą gry, a nie mechanizm przyczynowy łączący te dwa elementy. Porównuje konkretną parę silników z określoną populacją gier ludzkich z internetowych baz danych, a szachy – dzięki swoim dyskretnym ruchom i doskonałym informacjom – pozostają najlepszym przypadkiem dla tego rodzaju analizy. Rozszerzanie „strategicznego napięcia” na bardziej chaotyczne domeny jest hipotezą, a nie wynikiem.
Mimo to artykuł dodaje coś, czego brakowało literaturze poświęconej szachowej sztucznej inteligencji: prostą, dającą się obliczyć statystykę, która wyraźnie oddziela sposób, w jaki ludzie i maszyny radzą sobie ze złożonością w trakcie gry. Szachy od dawna służą jako modelowy system do badania procesów poznawczych zarówno u ludzi, jak i maszyn, a zwycięstwo Deep Blue nad Garrym Kasparowem w 1997 r. było momentem, w którym maszyny po raz pierwszy udowodniły, że potrafią przechytrzyć nas w naszej własnej grze kalkulacyjnej. Prawie 30 lat później pytanie przesunęło się z tego, czy maszyny mogą wygrywać, na dlaczego wygrywają – i w coraz większym stopniu na to, czego ich sposób wygrywania może nas nauczyć o systemach, którym obecnie przekazujemy decyzje w świecie rzeczywistym.
---
Wyprzedź sztuczną inteligencjęOtrzymuj najnowsze wiadomości, analizy i przełomowe informacje dotyczące sztucznej inteligencji — wszystko w jednym miejscu.
Przeczytaj więcej aktualności o sztucznej inteligencji →
