De onderzoekers van Google DeepMind hebben een nieuwe op AI gebaseerd schaaksysteem ontwikkeld dat op het niveau van een grootmeester kan spelen, zonder gebruik te maken van de traditionele technieken van zelfspel en zoekalgoritmen.

De belangrijkste innovatie in dit werk is het gebruik van een op transformers gebaseerd neuraal netwerk dat de expertise van een sterke schaakmotor, Stockfish, leert door 15 miljard bordposities en de bijbehorende zetten van Stockfish te observeren. Deze aanpak stelt de AI in staat om te generaliseren en hoogwaardige zetten te maken zonder uitgebreid zelfspel of complexe zoekalgoritmen nodig te hebben.

Opmerkelijk is dat het grotere model van deze schaak-AI slechts 270 miljoen parameters heeft, wat ongeveer 3.000 keer kleiner is dan het GPT-4 taalmodel. Ondanks zijn compacte formaat kan het systeem nog steeds 20 zetten per seconde genereren op een persoonlijke computer met een $200 grafische kaart, of 2 zetten per seconde op een standaard CPU. Deze efficiëntie en prestaties maken het systeem zeer praktisch en potentieel inzetbaar op een breed scala aan apparaten, inclusief mobiele telefoons.

De onderzoekers bij Google DeepMind hebben een uiterst efficiënt en krachtig schaak-AI-systeem ontwikkeld dat op het niveau van een menselijke grootmeester kan spelen, zonder gebruik te maken van de traditionele technieken van zelfspel en op zoek gebaseerde algoritmen.

De belangrijkste innovatie in dit werk is het gebruik van een op transformers gebaseerd neuraal netwerk dat de expertise van een sterke schaakmotor, Stockfish, leert door 15 miljard bordposities en de bijbehorende zetten van Stockfish te observeren. Deze aanpak stelt de AI in staat om te generaliseren en hoogwaardige zetten te maken zonder uitgebreid zelfspel of complexe zoekalgoritmen nodig te hebben.

Opmerkelijk is dat het grotere model van deze schaak-AI slechts 270 miljoen parameters heeft, wat ongeveer 3.000 keer kleiner is dan het GPT-4 taalmodel. Ondanks zijn compacte formaat kan het systeem nog steeds 20 zetten per seconde genereren op een persoonlijke computer met een $200 grafische kaart, of 2 zetten per seconde op een standaard CPU. Deze efficiëntie en prestaties maken het systeem zeer praktisch en potentieel inzetbaar op een breed scala aan apparaten, inclusief mobiele telefoons.

De belangrijkste aannames achter dit nieuwe schaak-AI-systeem zijn behoorlijk verrassend. Ten eerste neemt het systeem alleen de huidige toestand van het schaakbord in, niet een reeks bordposities of de volledige game. Ten tweede kijkt het slechts één zet vooruit en selecteert het de zet met de hoogste kans op winst.

Deze aannames kunnen tegenstrijdig lijken, aangezien ze niet overeenkomen met de typische benaderingen die worden gebruikt om sterke schaakengines te creëren. Normaal gesproken vertrouwen schaak-AI's op uitgebreid zoeken en zelfspel om hun vaardigheden te ontwikkelen. In dit geval hebben de onderzoekers echter bewust voor deze ogenschijnlijk suboptimale aannames gekozen.

De reden hiervoor is dat het primaire doel van dit werk niet is om de sterkst mogelijke schaakengine te creëren. In plaats daarvan willen de onderzoekers aantonen dat een op transformers gebaseerd neuraal netwerk de expertise van een schaakmeester kan leren door simpelweg de zetten van de meester te observeren, zonder de noodzaak van uitgebreid zoeken of zelfspel. Dit is een belangrijke prestatie, omdat het de opmerkelijke generalisatiecapaciteiten van deze modellen laat zien.

Het doel van dit werk is niet in de eerste plaats om een sterke schaakmotor te creëren, maar om aan te tonen dat een op transformers gebaseerd neuraal netwerk de expertise van een meester kan leren door eenvoudigweg de acties van de meester te observeren. Dit is een belangrijke prestatie omdat het suggereert dat deze neurale netwerken kunnen leren om algoritmen te benaderen, in plaats van alleen antwoorden te geven.

Het belangrijkste inzicht is dat door de interne werking van deze neurale netwerken te analyseren, onderzoekers mogelijk niet alleen de zetten, maar het onderliggende schaakalgoritme zelf kunnen extraheren. Dit concept heeft verstrekkende implicaties voorbij schaken, aangezien het kan worden toegepast om zelfrijdende auto's, nieuwe ray tracing-algoritmen en een breed scala aan andere toepassingen te creëren.

Belangrijk is dat de onderzoekers bij Anthropic al vooruitgang boeken in deze richting, op zoek naar manieren om in deze neurale netwerken te kijken en de onderliggende algoritmen te extraheren. Dit werk vertegenwoordigt een belangrijke stap in de richting van de ontwikkeling van AI-systemen die de wereld om zich heen kunnen observeren en bruikbare, begrijpelijke algoritmen kunnen creëren die kunnen worden toegepast om echte wereldproblemen op te lossen.

De belangrijkste les uit dit onderzoek is dat een op transformers gebaseerd neuraal netwerk de expertise van een schaakmeester kan leren door eenvoudigweg de zetten van een krachtige schaakmotor te observeren, zonder de noodzaak van uitgebreid zelfspel of zoekalgoritmen. Dit is een opmerkelijke prestatie, omdat het de capaciteit van het netwerk demonstreert om te generaliseren en de onderliggende algoritmen achter schaakspel op expertniveau te leren.

De kleine omvang en hoge prestaties van de in dit werk gepresenteerde modellen zijn ook opmerkelijk, aangezien ze het potentieel suggereren voor het inzetten van dergelijke AI-systemen op een breed scala aan apparaten, waaronder personal computers en zelfs mobiele telefoons.

De ware betekenis van dit onderzoek ligt echter in de bredere implicaties ervan. Door te leren algoritmen te benaderen op basis van observationele gegevens, banen deze modellen de weg voor de ontwikkeling van AI-systemen die niet alleen antwoorden kunnen geven, maar ook bruikbare, interpreteerbare algoritmen kunnen genereren. Dit zou verstrekkende toepassingen kunnen hebben op gebieden als zelfrijdende auto's, ray tracing en daarbuiten, aangezien het vermogen om de onderliggende algoritmen achter complexe taken te extraheren en te begrijpen, kan leiden tot aanzienlijke vooruitgang in verschillende domeinen.