عن تفوق الذكاء الإصطناعي على الإنسان في الشطرنج

ربما تعتقد أن إمكانات الذكاء الإصطناعي مبالغ فيها وأن الحديث عن تفوقه على الإنسان لا يتجاوز الدعاية والترويج لهذه التقنيات التي تدخل إلى كافة المجالات.

لكن الحقيقة مختلفة، لقد تطورت الآلة كثيرا ويمكنها أن تتفوق على الإنسان في الكثير من الأمور، مستفيدة من سرعة معالجة العمليات والإجابة عن الأسئلة وحل المشكلات وهي أمور يبدو فيها المرء أبطأ للوصول إلى الأجوبة.

الشطرنج والتعلم العميق

منذ أن كتب Alan Turing برنامجًا للعب الشطرنج في عام 1951، كانت اللعبة دائمًا معيارًا للتقدم في ذكاء الآلة.

في عام 1998، خسر غاري كاسباروف، بطل العالم في الشطرنج، أمام الكمبيوتر العملاق Deep Blue من شركة IBM لأول مرة بموجب قواعد البطولة القياسية.

منذ ذلك الحين، أصبحت أجهزة الكمبيوتر التي تمارس لعبة الشطرنج أكثر تعقيدًا مما يترك لأفضل لاعبي الشطرنج فرصة ضئيلة حتى ضد محرك الشطرنج الحديث القائم على الهاتف الذكي.

بدأت أنظمة الذكاء الاصطناعي الأكثر تقدمًا مثل AlphaZero من جوجل هي الأخرى تهدد بتحقيق المزيد من التفوق في هذا الإطار.

بمعرفة قواعد الشطرنج فقط وفي غضون ساعات لعبت المزيد من المباريات ضد نفسها أكثر من أي وقت مضى تم تسجيلها في تاريخ الشطرنج البشري، إن قدرة أنظمة الحوسبة القائمة على الذكاء الاصطناعي على التعلم تجعلها خصمًا هائلاً للبشر في لعبة الشطرنج ومساعدًا كبيرًا في مجالات أخرى مثل الأعمال والروبوتات.

تعتبر محركات الشطرنج اليوم أقوى بكثير وقد أثرت بعمق في تطوير نظرية الشطرنج، وقد تحقق ذلك فقط من خلال تطبيق أساليب التعلم العميق.

ما هو التعلم العميق؟

التعلم العميق هو فئة من خوارزميات التعلم الآلي التي تستخدم طبقات متعددة لاستخراج ميزات ذات مستوى أعلى تدريجيًا من المدخلات الأولية.

على سبيل المثال، في تحليل الصور، قد تحدد الطبقات السفلية مناطق مثل الحواف، بينما قد تحدد الطبقات العليا التفاصيل الدقيقة المتعلقة بسمات الإنسان بالأرقام أو الحروف أو الوجوه.

يقود التعلم العميق العديد من تطبيقات وخدمات الذكاء الاصطناعي (AI) التي تعمل على تحسين الأتمتة، وأداء المهام التحليلية والمادية دون تدخل بشري.

لتحقيق مستوى أعلى من المتوسط من الدقة، تتطلب برامج التعلم العميق الوصول إلى كميات لا تصدق من بيانات التدريب وقوة المعالجة، ولم يكن أي منهما متاحًا بسهولة للمبرمجين حتى عصر البيانات الضخمة والحوسبة السحابية.

نظرًا لأن برمجة التعلم العميق يمكن أن تخلق نماذج إحصائية معقدة مباشرة من مخرجاتها التكرارية، فهي قادرة على إنشاء نماذج تنبؤية دقيقة من كميات كبيرة من البيانات المنظمة وغير المنظمة.

الشطرنج كنموذج لدراسة التعلم العميق

على أي حال، بينما أصبحت أجهزة الكمبيوتر أسرع، فإن الطريقة التي تعمل بها محركات الشطرنج لم تتغير، يعتمد عملهم على القوة العدوانية، ونتحدث عن الطريقة الأكثر شيوعًا للنظر في جميع التحركات المستقبلية المحتملة لتعقب الخطوة التالية الأفضل، وقد صنع ماثيو لاي من إمبريال كوليدج لندن آلة تفكير تسمى Giraffe.

هذه الآلة هي التي دربت نفسها على لعب الشطرنج من خلال تقييم المواقف بشكل كبير مثل الأشخاص وبطريقة فريدة تمامًا لمحركات الشطرنج العادية.

الابتكار وراء الآلة الجديدة هو منظمة عصبية، هذه طريقة لإعداد البيانات التي ينشطها المخ البشري، وهي تتألف من طبقات قليلة من المحاور المرتبطة ببعضها البعض.

يستخدم تفاعل التحضير هذا أكوامًا من الأدلة لتعديل الارتباطات بحيث تقدم المنظمة عائدًا معينًا في ضوء مساهمة محددة، لإدراك وجود الوجه في صورة، على سبيل المثال.

لذلك ليس من غير المتوقع أن يكون للشبكات العصبية العميقة خيار تحديد التصاميم في لعبة الشطرنج وهذا إلى حد كبير هو المنهجية التي اتبعتها آلة الزرافة، تتكون شبكتها من أربع طبقات تقوم معًا بفحص كل موضع على السبورة بثلاث طرق مميزة.

كيف تعمل خوارزمية الشطرنج؟

تنظر الخوارزمية إلى الحالة العالمية للعبة، أي عدد القطع ونوعها على كل جانب، والجانب الذي يجب تحريكه، وما إلى ذلك.

ثانيًا، تنظر إلى المكونات المدفوعة بالقطعة مثل منطقة كل منها قطعة على كل جانب، المنظور الأخير هو تخطيط المربعات التي تهاجمها كل قطعة وتحميها.

تدرب الخوارزمية شبكتها بمجموعة من البيانات التي تم إنشاؤها بعناية مأخوذة من ألعاب الشطرنج الحقيقية، يجب أن يكون لمجموعة البيانات هذه النشر الصحيح للمواقف، يجب أن يحتوي أيضًا على مجموعة متنوعة من المواقف غير المتسقة التي تتجاوز تلك التي عادة في ألعاب الشطرنج عالية المستوى.

هذا على أساس أنه على الرغم من المواقف غير المتسقة التي تظهر من حين لآخر في ألعاب الشطرنج الحقيقية، فإنها تظهر باستمرار في الاستفسارات التي يقوم بها الكمبيوتر في الداخل.

أنشأ Lai مجموعة البيانات الخاصة به عن طريق الانتقاء العشوائي لـ 5000000 موقف من مجموعة بيانات لألعاب الشطرنج على الكمبيوتر، ثم في تلك المرحلة قام بتشكيلة أكثر جدارة بالملاحظة عن طريق إضافة خطوة شرعية إلى كل موقف قبل استخدامه للتحضير.

في النهاية أنتج 175 مليون حالة، تتمثل الطريقة النموذجية لتدريب هذه الآلات في التقييم الجسدي لكل موضع واستخدام هذه البيانات لتدريب الآلة على إدراك تلك التي تكون صلبة وتلك الضعيفة.

لقد وفرت قدرة الشطرنج هذه على إنشاء مجموعة بيانات كبيرة من الحركات المحتملة نموذجًا لمنشئي الخوارزميات لاستخدام البيانات للتعلم وتنفيذ مهمة تفوز بلعبة الشطرنج واتخاذ أفضل القرارات لهزيمة الخصم.

يمكن أيضًا تنفيذ التعلم من الشطرنج في مجالات مثل الأتمتة والروبوتات والشبكات الاجتماعية والتجارة الإلكترونية حيث يتم إنشاء الخوارزميات لزيادة الإنتاج أو المبيعات.