Les chercheurs de Google DeepMind ont développé un système d'échecs IA novateur basé sur l'IA qui peut jouer au niveau d'un grand maître, sans s'appuyer sur les techniques traditionnelles de recherche et d'auto-jeu. Au lieu de cela, ce système a appris à partir des mouvements de Stockfish, un moteur d'échecs puissant et conçu à la main, en analysant 15 milliards d'états de plateau et les coups correspondants effectués par Stockfish.

Le modèle résultant est remarquablement efficace, avec seulement 270 millions de paramètres, soit environ 3 000 fois plus petit que GPT-4. Malgré sa petite taille, le modèle peut générer 20 coups par seconde sur un ordinateur personnel avec une carte graphique de 200 $, ou 2 coups par seconde sur un CPU standard. Cette performance est beaucoup meilleure que celle de GPT-4, qui est 3 000 fois plus volumineux, en ce qui concerne les échecs.

Fait intéressant, le système fonctionne selon deux hypothèses clés qui peuvent sembler contre-intuitives au début. Premièrement, il ne prend qu'un seul état de plateau en entrée, plutôt qu'une séquence de positions de plateau. Deuxièmement, il ne regarde qu'un coup en avant et sélectionne le coup avec la plus haute probabilité de gagner la partie. Ces hypothèses, qui ne mèneraient peut-être pas au moteur d'échecs le plus puissant, sont intentionnelles, car l'objectif principal de ce travail n'est pas de créer l'IA d'échecs la plus forte, mais de démontrer qu'un réseau de neurones à base de transformeurs peut apprendre l'expertise d'un maître en observant simplement ses actions.

Les chercheurs de Google DeepMind ont développé un système d'IA d'échecs hautement efficace et puissant qui peut jouer au niveau d'un grand maître humain, sans s'appuyer sur les techniques traditionnelles d'auto-jeu et d'algorithmes de recherche.

L'innovation clé de ce travail est l'utilisation d'un réseau de neurones à base de transformeurs qui apprend l'expertise d'un moteur d'échecs puissant, Stockfish, en observant 15 milliards d'états de plateau et les coups correspondants effectués par Stockfish. Cette approche permet à l'IA de généraliser et de faire des coups de haute qualité sans avoir besoin d'un auto-jeu extensif ou d'algorithmes de recherche complexes.

Remarquablement, le modèle plus large de cette IA d'échecs n'a que 270 millions de paramètres, soit environ 3 000 fois plus petit que le modèle de langage GPT-4. Malgré sa taille compacte, le système peut toujours délivrer 20 coups par seconde sur un ordinateur personnel avec une carte graphique de 200 $, ou 2 coups par seconde sur un CPU standard. Cette efficacité et cette performance rendent le système très pratique et potentiellement déployable sur une large gamme d'appareils, y compris les téléphones portables.

Les chercheurs ont fait deux hypothèses clés dans ce travail : le système d'IA ne reçoit que l'état de plateau actuel en entrée, plutôt qu'une séquence de positions de plateau, et il se concentre sur la sélection du coup avec la plus haute probabilité de gagner la partie, plutôt que de rechercher plusieurs coups à l'avance. Ces choix de conception, bien que semblant contre-intuitifs, sont essentiels pour démontrer la capacité des réseaux de neurones à base de transformeurs à apprendre et à approximer les algorithmes sous-jacents du jeu d'échecs de niveau expert.

Les hypothèses clés derrière ce nouveau système d'IA d'échecs sont assez surprenantes. Tout d'abord, le système ne prend en compte que l'état actuel du plateau d'échecs, pas une séquence de positions de plateau ou la partie complète. Deuxièmement, il ne regarde qu'un coup en avant et sélectionne le coup avec la plus haute probabilité de gagner la partie.

Ces hypothèses peuvent sembler contre-intuitives, car elles ne correspondent pas aux approches typiques utilisées pour créer de puissants moteurs d'échecs. Généralement, les IA d'échecs s'appuient sur une recherche approfondie et un auto-jeu pour développer leurs compétences. Cependant, dans ce cas, les chercheurs ont délibérément choisi ces hypothèses apparemment sous-optimales.

La raison en est que l'objectif principal de ce travail n'est pas de créer le moteur d'échecs le plus puissant possible. Au lieu de cela, les chercheurs visent à démontrer qu'un réseau de neurones à base de transformeurs peut apprendre l'expertise d'un maître des échecs en observant simplement les coups du maître, sans avoir besoin d'une recherche ou d'un auto-jeu extensif. C'est une réalisation importante, car elle montre les remarquables capacités de généralisation de ces modèles.

L'objectif de ce travail n'est pas principalement de créer un moteur d'échecs puissant, mais plutôt de démontrer qu'un réseau de neurones à base de transformeurs peut apprendre l'expertise d'un maître en observant simplement les actions du maître. C'est une réalisation importante car elle suggère que ces réseaux de neurones peuvent apprendre à approximer des algorithmes, plutôt que de fournir simplement des réponses.

L'idée clé est que, en analysant le fonctionnement interne de ces réseaux de neurones, les chercheurs pourraient être en mesure d'extraire non seulement les coups, mais l'algorithme de jeu d'échecs sous-jacent lui-même. Ce concept a des implications très étendues au-delà des échecs, car il pourrait être appliqué pour créer des voitures autonomes, de nouveaux algorithmes de lancer de rayons et une grande variété d'autres applications.

Il est important de noter que les chercheurs d'Anthropic font déjà des progrès dans cette direction, en explorant des moyens d'examiner ces réseaux de neurones et d'en extraire les algorithmes sous-jacents. Ce travail représente une étape importante vers le développement de systèmes d'IA qui peuvent observer le monde qui les entoure et créer des algorithmes utiles et compréhensibles qui peuvent être appliqués pour résoudre des problèmes du monde réel.

L'élément clé à retenir de cette recherche est qu'un réseau de neurones à base de transformeurs peut apprendre l'expertise d'un maître des échecs en observant simplement les coups effectués par un moteur d'échecs puissant, sans avoir besoin d'un auto-jeu ou d'algorithmes de recherche extensifs. C'est une réalisation remarquable, car elle démontre la capacité du réseau à généraliser et à apprendre les algorithmes sous-jacents du jeu d'échecs de niveau expert.

La petite taille et les hautes performances des modèles présentés dans ce travail sont également remarquables, car elles suggèrent le potentiel de déployer de tels systèmes d'IA sur une large gamme d'appareils, y compris les ordinateurs personnels et même les téléphones portables.

Cependant, la véritable importance de cette recherche réside dans ses implications plus larges. En apprenant à approximer des algorithmes à partir de données d'observation, ces modèles ouvrent la voie au développement de systèmes d'IA qui peuvent non seulement fournir des réponses, mais aussi générer des algorithmes utiles et interprétables. Cela pourrait avoir des applications très étendues dans des domaines tels que les voitures autonomes, le lancer de rayons et au-delà, car la capacité d'extraire et de comprendre les algorithmes sous-jacents aux tâches complexes pourrait conduire à des progrès significatifs dans divers domaines.