深蓝震惊国际象棋界近三十年后,研究人员仍在试图回答一个看似简单的问题:到底是什么让人工智能如此擅长国际象棋? 《科学美国人》于 11 月 15 日重点报道的 APS 开放科学最近发表的一篇论文提供了一条可衡量的线索,归结为作者称之为“战略紧张”的属性。

国际象棋引擎长期以来一直能够在计算上超越人类,通过树搜索暴力破解大量候选走法。现代神经网络引擎(例如 Stockfish 和 Leela Layers)使用训练有素的网络来指导搜索,而且它们的作用只会变得更加强大。这项新研究补充的是他们的游戏与我们的游戏有何不同的统计描述——不仅在于谁获胜,还在于游戏展开时棋盘本身的样子。对于关注 AI 研究新闻 的读者来说,这项工作提醒我们,即使是像国际象棋这样的“已解决的感觉”领域,仍然对机器实际上如何思考存在着悬而未决的问题。

测量板上的张力

这项研究由维也纳复杂性科学中心的物理学家和资深作者 Vito D. P. Servedio 领导。该团队从在线数据库中收集了人类对人类游戏和Stockfish对Leela游戏,然后测量了他们所说的每个位置的战略紧张度:本质上是对立棋子之间可能相互互动的数量。高度紧张的位置是指许多棋子相互对峙的位置——富含潜在的捕获、威胁和反威胁,这些都可以通过一个动作来释放。

张力是物理学家可以达到的自然量。它用一个数字捕获了一个位置中潜在的复杂程度——如果任何一个玩家将棋盘推到边缘进行一系列交换,游戏状态将会改变多少。

人类简化;引擎让董事会保持优势

核心发现是紧张局势如何演变存在分歧。在人类游戏中,前 20 步的平均紧张度实际上高于人工智能游戏,在这个阶段,人们依靠记忆的开局和精心训练的战术,希望复杂性最终会迫使对手失败。

但在那之后,界限就交叉了。人类的紧张程度低于人工智能游戏,在游戏中期仍然很高。研究人员的解释是:随着位置变得不熟悉,人类玩家会简化,减少棋子并转向更平静的结构,因为他们无法同时掌握许多相互作用的棋子和多个选项的全部复杂性。发动机没有感受到这样的限制。它们维持的位置充满了相互威胁,大多数人类玩家都无法忍受这些位置——研究表明,正是这些位置导致了人类准确性的降低。

技巧、时间控制和搜索深度

数据还表明,紧张感会影响人类和机器的能力和深思熟虑。评分较高的人类玩家在整个游戏过程中比评分较低的玩家保持更大的紧张感。思考时间越长的游戏表现出更大的紧张感——在古典国际象棋中最高,在快速棋中较低,在闪电战中最低——这与维持复杂性需要付出认知努力的代价这一观点是一致的。在机器方面,团队观察到,当 Stockfish 搜索可能延续的更深层次的树时,紧张感就会增加。

作者对因果关系很谨慎。较高的紧张感与人类和人工智能的较高能力相关,但该研究并未表明紧张感会产生这种能力,或者这种能力是由这种能力产生的。这是强大游戏的指纹,尚未得到证实的机制。

##“看起来他们在玩魔术”

研究人员的野心不仅仅在于描述国际象棋的美学特征。塞维迪奥告诉《科学美国人》:“我们的论文可能是最接近理解这些机器正在做什么的。” “不然的话,就好像他们在变魔术一样。”

这种框架——将引擎游戏视为一个需要测量的物理系统,而不是一个值得欣赏的黑匣子——是这项工作与早期机器象棋分析的区别所在。该团队不是询问引擎的移动是否最好,而是询问引擎运行的汇总统计数据揭示了机器正在执行的搜索和评估类型。

棋盘之外的警告

Servedio 还对远离 64 平方的域提出了令人不安的暗示。如果人工智能系统通过维持高度紧张(同时保持许多不稳定的互动)在复杂的对抗性环境中取得更好的结果,那么将它们部署在外交等领域可能意味着人类发现难以管理的脆弱的机器优化策略。 “这是非常危险的,因为当你处于高度紧张状态时,系统会非常不稳定,”他说。 “因此,只要一方的小错误就会造成灾难。”

这个类比是推测性的,作者并没有声称已经衡量了外交动态。但它指出了人工智能部署中真正的(组织类型的)紧张:让引擎胜过大师的相同属性——对持续复杂性的舒适感——可能也使其战略在无法可靠维护它们的人类机构中采用时存在风险。

研究没有显示什么

这些限制值得明确说明。该研究建立了张力和演奏强度之间的相关性,而不是连接两者的因果机制。它将一对特定的引擎与在线数据库中的特定人类游戏群体进行比较,而国际象棋——以其离散的动作和完美的信息——仍然是此类分析的最佳案例设置。将“战略紧张”扩展到混乱领域只是一种假设,而不是结果。

尽管如此,这篇论文还是补充了国际象棋人工智能文献所缺乏的东西:一种简单的、可计算的统计数据,可以清楚地区分人类和机器在游戏过程中如何管理复杂性。长期以来,国际象棋一直是研究人类和机器认知的模型系统,深蓝 1997 年战胜加里·卡斯帕罗夫标志着机器首次证明它们可以在我们自己的计算游戏中超越我们。近 30 年过去了,问题已经从机器能否获胜转向它们为何获胜,并且越来越多地转向它们的获胜方式可以教会我们关于我们现在将现实世界决策交给系统的知识。

---

保持人工智能领先地位

获取最新的人工智能新闻、分析和突破——尽在一个地方。

阅读更多人工智能新闻 →