Спустя почти три десятилетия после того, как Deep Blue ошеломил шахматный мир, исследователи все еще пытаются ответить на обманчиво простой вопрос: что именно делает ИИ таким хорошим в шахматах? Недавняя статья в APS Open Science, освещенная журналом Scientific American 15 ноября, предлагает измеримую подсказку — и она сводится к свойству, которое авторы называют «стратегической напряженностью».

Шахматные движки уже давно способны превосходить людей в вычислениях, перебирая огромное количество ходов-кандидатов посредством поиска по дереву. Современные нейросетевые движки, такие как Stockfish и Leela Layers, используют обученные сети для управления этим поиском, и их игра становится все более грозной. Новое исследование добавляет статистическую картину того, чем их игра отличается от нашей — не только тем, кто выигрывает, но и тем, как выглядит сама доска по ходу игры. Для читателей, следящих за [новостями исследования искусственного интеллекта] (https://aibuzzwire.news), эта работа является напоминанием о том, что даже в областях, требующих «чувства решения», таких как шахматы, все еще остаются открытые вопросы о том, как на самом деле думают машины.

Измерение напряжения на доске

Исследование провели физики Центра комплексных наук в Вене под руководством старшего автора Вито Д.П. Серведио. Команда собрала как игры «человек против человека», так и игры «Стокфиш против Лилы» из онлайн-баз данных, а затем измерила величину, которую они называют стратегическим напряжением в каждой позиции: по сути, количество возможных взаимных взаимодействий между противостоящими фигурами. Позиции с высоким напряжением — это те, в которых многие фигуры противостоят друг другу, богатые скрытыми захватами, угрозами и контругрозами, которые могут быть высвобождены одним ходом.

Напряжение — это естественная величина, к которой стремятся физики. В одном числе он показывает, насколько сложна позиция — насколько изменится состояние игры, если какой-либо из игроков вытолкнет доску через край, выполнив каскад разменов.

Люди упрощают; Двигатели держат доску в напряжении

Центральным выводом является расхождение в том, как развивается напряжение. В человеческих играх среднее напряжение было выше, чем в играх с искусственным интеллектом, в течение первых 20 ходов — фазы, когда люди полагаются на заученные дебюты и хорошо отработанную тактику, надеясь, что сложность в конечном итоге заставит противника ускользнуть.

Но после этого момента линии пересекаются. Человеческое напряжение падает ниже, чем в играх с искусственным интеллектом, которое остается высоким даже в середине игры. Интерпретация исследователей: по мере того, как позиции становятся незнакомыми, игроки-люди упрощают игру, обменивая фигуры и ориентируясь на более спокойные структуры, потому что они не могут одновременно учитывать всю сложность множества взаимодействующих фигур и множества вариантов. Двигатели не ощущают такого ограничения. Они занимают позиции, наполненные взаимными угрозами, по которым большинству игроков-людей было бы невыносимо ориентироваться — и именно на этих позициях, как показывает исследование, человеческая точность снижается.

Навыки, контроль времени и глубина поиска

Данные также показали, что напряжение влияет на способность и мышление как у людей, так и у машин. Игроки с более высоким рейтингом сохраняли большее напряжение на протяжении всей игры, чем игроки с более низким рейтингом. Игры с большим количеством времени на размышление показали большее напряжение — самое высокое в классических шахматах, меньшее в рапиде и самое низкое в блице — что соответствует идее о том, что поддержание сложности требует затрат когнитивных усилий. Что касается машин, команда заметила, что когда Stockfish искал более глубокие деревья возможных продолжений, напряжение возрастало.

Авторы осторожны в вопросе причинно-следственной связи. Более высокое напряжение коррелирует с более высокими способностями как у людей, так и у ИИ, но исследование не показало, что напряжение порождает эти способности или что оно вытекает из них. Это отпечаток сильной игры, а не продемонстрированный механизм.

«Похоже, они играют в магию»

Амбиции исследователей выходят за рамки характеристики шахматной эстетики. «Вероятно, наша статья наиболее близка к пониманию того, что делают эти машины», — сказал Серведио журналу Scientific American. «Иначе похоже, что они играют в магию».

Эта формулировка — отношение к игре на движке как к физической системе, которую нужно измерить, а не как к черному ящику, которым можно восхищаться — и отличает эту работу от более ранних анализов машинных шахмат. Вместо того, чтобы спрашивать, является ли ход движка лучшим, команда спрашивает, что совокупная статистика работы движка говорит о типе поиска и оценки, который выполняет машина.

Предупреждение за пределами шахматной доски

Серведио также сделал тревожные выводы о доменах, далеких от 64 квадратов. Если системы ИИ достигают лучших результатов в сложных, враждебных условиях, поддерживая высокую напряженность — поддерживая одновременно множество нестабильных взаимодействий — тогда их использование в чем-то вроде дипломатии может означать оптимизированные для машин стратегии, которые люди находят неуправляемо хрупкими. «Это очень опасно, потому что при высоком напряжении системы очень нестабильны», — сказал он. «Поэтому даже небольшая ошибка одной из сторон приведет к катастрофе».

Аналогия носит спекулятивный характер, и авторы не утверждают, что измерили дипломатическую динамику. Но это указывает на подлинное напряжение (организационного типа) при развертывании ИИ: то же свойство, которое позволяет движку превзойти гроссмейстера (комфорт при постоянной сложности), может быть свойством, которое делает его стратегии рискованными для принятия в человеческих институтах, которые не могут их надежно поддерживать.

Чего не показывает исследование

Об ограничениях стоит сказать прямо. Исследование устанавливает корреляцию между напряжением и игровой силой, а не причинно-следственный механизм, связывающий их. Он сравнивает конкретную пару движков с определенной совокупностью человеческих игр из онлайн-баз данных, а шахматы — с их дискретными ходами и совершенной информацией — остаются лучшим вариантом для такого рода анализа. Распространение «стратегической напряженности» на более запутанные области — это гипотеза, а не результат.

Тем не менее, в статье добавлено то, чего не хватало в шахматной литературе по искусственному интеллекту: простая, вычислимая статистика, которая четко разделяет то, как люди и машины управляют сложностью в ходе игры. Шахматы долгое время служили модельной системой для изучения когнитивных способностей как людей, так и машин, а победа Deep Blue в 1997 году над Гарри Каспаровым ознаменовала момент, когда машины впервые доказали, что могут перехитрить нас в нашей собственной расчетной игре. Спустя почти 30 лет вопрос сместился с вопроса о том, могут ли машины побеждать, на вопрос, почему они побеждают, и, во все большей степени, на то, чему их способ победы может научить нас о системах, которым мы сейчас передаем реальные решения.

---

Будьте впереди ИИ

Получайте последние новости, анализ и открытия в области искусственного интеллекта — все в одном месте.

Подробнее новости AI →