Исследователи из Google DeepMind разработали новую шахматную систему на основе ИИ, которая может играть на уровне гроссмейстера, не полагаясь на традиционные методы поиска и самостоятельной игры. Вместо этого эта система обучалась на основе ходов Stockfish, мощного шахматного движка, созданного вручную, путем анализа 15 миллиардов позиций на доске и соответствующих ходов, сделанных Stockfish.

Полученная модель поразительно эффективна, имея всего 270 миллионов параметров, что примерно в 3000 раз меньше, чем у GPT-4. Несмотря на свой небольшой размер, модель может генерировать 20 ходов в секунду на персональном компьютере с графической картой стоимостью $200 или 2 хода в секунду на стандартном ЦП. Эта производительность значительно выше, чем у GPT-4, который в 3000 раз больше, когда речь идет о шахматах.

Исследователи из Google DeepMind разработали высокоэффективную и мощную шахматную систему на основе ИИ, которая может играть на уровне человека-гроссмейстера, не полагаясь на традиционные методы самостоятельной игры и поисковые алгоритмы.

Ключевым нововведением в этой работе является использование трансформерной нейронной сети, которая обучается мастерству сильного шахматного движка Stockfish, наблюдая за 15 миллиардами позиций на доске и соответствующими ходами, сделанными Stockfish. Такой подход позволяет ИИ обобщать и делать высококачественные ходы без необходимости в обширной самостоятельной игре или сложных поисковых алгоритмах.

Примечательно, что более крупная модель этой шахматной ИИ-системы имеет всего 270 миллионов параметров, что примерно в 3000 раз меньше, чем у языковой модели GPT-4. Несмотря на свой компактный размер, система все еще может выдавать 20 ходов в секунду на персональном компьютере с графической картой стоимостью $200 или 2 хода в секунду на стандартном ЦП. Эта эффективность и производительность делают систему весьма практичной и потенциально применимой на широком спектре устройств, включая мобильные телефоны.

Ключевые предположения, лежащие в основе этой новой шахматной ИИ-системы, довольно неожиданны. Во-первых, система принимает на вход только текущее состояние шахматной доски, а не последовательность позиций или всю партию. Во-вторых, она рассматривает только один ход вперед и выбирает ход с наивысшей вероятностью победы в игре.

Эти предположения могут показаться контринтуитивными, так как они не соответствуют типичным подходам, используемым для создания сильных шахматных движков. Обычно шахматные ИИ полагаются на обширный поиск и самостоятельную игру для развития своих навыков. Однако в данном случае исследователи преднамеренно выбрали эти, казалось бы, субоптимальные предположения.

Причина в том, что основная цель этой работы - не создание самого сильного шахматного движка. Вместо этого исследователи стремятся продемонстрировать, что трансформерная нейронная сеть может обучиться мастерству шахматного гроссмейстера, просто наблюдая за его ходами, без необходимости в обширном поиске или самостоятельной игре. Это значительное достижение, поскольку оно показывает выдающиеся возможности этих моделей к обобщению.

Основная цель этой работы - не столько создание сильного шахматного движка, сколько демонстрация того, что трансформерная нейронная сеть может обучиться мастерству шахматного гроссмейстера, просто наблюдая за его действиями. Это значительное достижение, поскольку оно свидетельствует о том, что эти нейронные сети могут научиться аппроксимировать алгоритмы, а не просто предоставлять ответы.

Ключевое понимание заключается в том, что, анализируя внутреннее устройство этих нейронных сетей, исследователи могут извлечь не только ходы, но и сам алгоритм игры в шахматы. Эта концепция имеет далеко идущие последствия за пределами шахмат, поскольку ее можно применять для создания беспилотных автомобилей, новых алгоритмов трассировки лучей и широкого спектра других приложений.

Основной вывод из этого исследования заключается в том, что трансформерная нейронная сеть может обучиться мастерству шахматного гроссмейстера, просто наблюдая за ходами, сделанными мощным шахматным движком, без необходимости в обширной самостоятельной игре или поисковых алгоритмах. Это примечательное достижение, демонстрирующее способность сети обобщать и изучать лежащие в основе алгоритмы экспертного уровня игры в шахматы.

Небольшой размер и высокая производительность представленных в этой работе моделей также примечательны, поскольку они указывают на потенциал развертывания таких ИИ-систем на широком спектре устройств, включая персональные компьютеры и даже мобильные телефоны.

Однако истинная значимость этого исследования заключается в его более широких последствиях. Обучаясь аппроксимировать алгоритмы на основе наблюдательных данных, эти модели открывают путь к разработке ИИ-систем, которые могут не только предоставлять ответы, но и генерировать полезные, интерпретируемые алгоритмы. Это может иметь далеко идущие применения в таких областях, как беспилотные автомобили, трассировка лучей и многое другое, поскольку способность извлекать и понимать лежащие в основе алгоритмы сложных задач может привести к значительному прогрессу в различных сферах.