Nästan tre decennier efter att Deep Blue häpnade schackvärlden försöker forskare fortfarande svara på en bedrägligt enkel fråga: vad exakt gör AI så bra på schack? En färsk artikel i APS Open Science, framhävd av Scientific American den 15 november, ger en mätbar ledtråd - och det handlar om en egenskap som författarna kallar "strategisk spänning."

Schackmotorer har länge kunnat räkna ut människor och tvingat fram ett enormt antal kandidatrörelser genom trädsökning. Moderna neurala nätverksmotorer som Stockfish och Leela Layers använder utbildade nätverk för att vägleda den sökningen, och deras spel har bara blivit mer formidabelt. Vad den nya studien lägger till är ett statistiskt porträtt av hur deras spel skiljer sig från vårt - inte bara i vem som vinner, utan i hur själva brädet ser ut när spelet utvecklas. För läsare som följer AI-forskningsnyheter, är verket en påminnelse om att även domäner med "löst känsla" som schack fortfarande har öppna frågor om hur maskiner faktiskt tänker.

Mätning av spänning på brädet

Studien leddes av fysiker vid Complexity Science Hub i Wien, tillsammans med seniorförfattaren Vito D. P. Servedio. Teamet samlade in både människa-mot-människa-spel och Stockfish-mot-Leela-spel från onlinedatabaser, och mätte sedan en kvantitet som de kallar strategisk spänning vid varje position: i huvudsak antalet ömsesidiga interaktioner som är möjliga mellan motsatta pjäser. Högspänningspositioner är de där många pjäser ställs mot varandra – rika på latenta fångar, hot och mothot som kan släppas lös av ett enda drag.

Spänning är en naturlig storhet för fysiker att sträcka sig efter. Det fångar, i ett enda nummer, hur mycket komplexitet som är latent i en position – hur mycket speltillståndet skulle förändras om någon av spelarna tryckte brädan över kanten till en kaskad av utbyten.

Människor förenkla; Motorer håller brädan på kanten

Det centrala fyndet är en divergens i hur spänningar utvecklas. I mänskliga spel var den genomsnittliga spänningen faktiskt högre än i AI-spel under de första 20 dragen – fasen där folk lutar sig mot memorerade öppningar och väl genomarbetade taktiker, i hopp om att komplexiteten så småningom kommer att tvinga en motståndare att glida.

Men efter den punkten korsar linjerna. Mänsklig spänning sjunker under den för AI-spel, som förblir hög djupt in i mittspelet. Forskarnas tolkning: när positioner blir obekanta förenklar mänskliga spelare, byter ner bitar och styr mot lugnare strukturer eftersom de inte kan hålla den fulla komplexiteten av många interagerande bitar och flera alternativ i åtanke samtidigt. Motorerna känner ingen sådan begränsning. They sustain positions dense with mutual threats that most human players would find intolerable to navigate — and precisely those positions, the study suggests, are where human accuracy degrades.

Skicklighet, tidskontroller och sökdjup

Data visade också att spänning spårar förmåga och övervägande hos både människor och maskiner. Högre rankade mänskliga spelare bibehöll större spänning under sina spel än lägre rankade. Games with more thinking time showed more tension — highest in classical chess, lower in rapid, and lowest in blitz — consistent with the idea that sustaining complexity is expensive in cognitive effort. Och på maskinsidan observerade teamet att när Stockfish sökte djupare träd av möjliga fortsättningar, ökade spänningen.

Författarna är försiktiga med kausalitet. Higher tension correlated with greater ability in both humans and AI, but the study did not show that tension produces that ability — or that it flows from it. Det är ett fingeravtryck av starkt spel, ännu inte en demonstrerad mekanism.

"Det ser ut som att de spelar magi"

Forskarnas ambition går längre än att karakterisera schackestetik. "Vår tidning är förmodligen den närmaste att förstå vad dessa maskiner gör," sa Servedio till Scientific American. "Annars ser det ut som att de spelar magi."

That framing — treating engine play as a physical system to be measured rather than a black box to be admired — is what distinguishes the work from earlier analyses of machine chess. Istället för att fråga om en motors rörelse är bäst, frågar teamet vad den samlade statistiken över motorspel avslöjar om vilken typ av sökning och utvärdering som maskinen utför.

En varning bortom schackbrädet

Servedio drog också en oroande implikation för domäner långt ifrån 64 rutor. Om AI-system når bättre resultat i komplexa, kontradiktoriska miljöer genom att upprätthålla hög spänning – att hålla många flyktiga interaktioner vid liv samtidigt – då kan implementering av dem i något som diplomati innebära maskinoptimerade strategier som människor upplever som ohanterligt ömtåliga. "Det här är mycket farligt för när du har hög spänning är systemen väldigt instabila", sa han. "Så bara ett litet fel från en av sidorna kommer att orsaka en katastrof."

Analogin är spekulativ, och författarna gör inte anspråk på att ha mätt diplomatisk dynamik. Men det pekar på en genuin spänning (av det organisatoriska slaget) i AI-utbyggnad: samma egenskap som låter en motor överträffa en stormästare - komfort med ihållande komplexitet - kan vara egenskapen som gör dess strategier riskabla att anta i mänskliga institutioner som inte kan underhålla dem på ett tillförlitligt sätt.

Vad studien inte visar

Begränsningarna är värda att förklara tydligt. Studien fastställer korrelation mellan spänning och spelstyrka, inte en orsaksmekanism som förbinder de två. Den jämför ett visst motorpar mot en viss population av mänskliga spel från onlinedatabaser, och schack – med dess diskreta drag och perfekta information – är fortfarande en bästa möjliga inställning för denna typ av analys. Att utvidga "strategisk spänning" till stökigare domäner är en hypotes, inte ett resultat.

Ändå lägger tidningen till något som schack-AI-litteraturen har saknat: en enkel, beräkningsbar statistik som rent skiljer hur människor och maskiner hanterar komplexitet under ett spels gång. Schack har länge fungerat som ett modellsystem för att studera kognition hos både människor och maskiner, och Deep Blues seger 1997 över Garry Kasparov markerade det ögonblick som maskiner först visade att de kunde överträffa oss i vårt eget räknespel. Nästan 30 år senare har frågan skiftat från om maskiner kan vinna till varför de vinner – och i allt högre grad till vad deras sätt att vinna kan lära oss om de system vi nu ger verkliga beslut till.

---

Stay ahead of AI

Få de senaste AI-nyheterna, analyserna och genombrotten – allt på ett ställe.

Läs mer AI-nyheter →