Όποιος έχει περάσει ώρες προπόνησης παίζοντας απέναντι στα κλασικά ψηφιακά bot γνωρίζει πολύ καλά αυτό το παράξενο αίσθημα απογοήτευσης. Χτίζεις μεθοδικά για είκοσι κινήσεις μια σταθερή πιονική δομή, τοποθετείς τους ίππους σου σε ισχυρά κεντρικά τετράγωνα και ελέγχεις τις ανοιχτές στήλες. Και ξαφνικά, χωρίς κανέναν στρατηγικό ή τακτικό λόγο, το πρόγραμμα χαρίζει τη βασίλισσά του για ένα απλό πιόνι ή οπισθοχωρεί έναν ενεργό πύργο σε μια άχρηστη γωνία της σκακιέρας. Μόλις τρεις κινήσεις αργότερα, η ίδια μηχανή αρχίζει πάλι να υπολογίζει απίστευτες τακτικές παραλλαγές με εξωπραγματική ακρίβεια.
Αυτή η αλλοπρόσαλλη συμπεριφορά δεν οφείλεται σε υπολογιστική αδυναμία των λογισμικών. Αντίθετα, το πρόβλημα είναι ότι οι παραδοσιακές μηχανές υπολογίζουν σαν καθαρές αριθμομηχανές και δεν κατανοούν καθόλου την ανθρώπινη λογική. Όταν οι προγραμματιστές προσπαθούν να αποδυναμώσουν έναν πανίσχυρο αλγόριθμο για παίκτες συλλόγων ή αρχάριους, καταφεύγουν σχεδόν πάντα σε πρόχειρα τεχνάσματα. Το πρόγραμμα εξετάζει εκατομμύρια θέσεις το δευτερόλεπτο, βρίσκει τον μαθηματικά ιδανικό δρόμο και μετά προσθέτει τυχαία χοντρά λάθη για να ρίξει το ποσοστό των νικών του. Αυτός ο συμβιβασμός μπορεί να παράγει ένα επιθυμητό νούμερο αξιολόγησης στα χαρτιά, αλλά αποτυγχάνει πλήρως να μιμηθεί το πραγματικό παιχνίδι ενός ανθρώπου.
Το 2020 μια ομάδα ερευνητών τεχνητής νοημοσύνης αποφάσισε να απαντήσει σε αυτό το πρόβλημα με μια ριζικά διαφορετική προσέγγιση. Αντί να ζητήσουν από έναν υπολογιστή να κερδίζει με κάθε κόστος μέσα από ωμή υπολογιστική ισχύ, έθεσαν ένα πρωτότυπο ερώτημα: μπορεί ένα βαθύ νευρωνικό δίκτυο να μάθει να παίζει σκάκι με τον τρόπο που παίζουν στην πραγματικότητα οι άνθρωποι;
Το αποτέλεσμα αυτής της έρευνας ονομάστηκε Maia Chess· μια μηχανή ανοιχτού κώδικα που άλλαξε τα δεδομένα στην ψηφιακή προπόνηση. Αν θέλεις να παίξεις σκάκι online απέναντι σε έναν υπολογιστή του οποίου οι κινήσεις βγάζουν νόημα, η κατανόηση της λογικής του Maia θα σου δείξει πώς η ανθρώπινη προσέγγιση αλλάζει όλη την εμπειρία πάνω στη σκακιέρα.
Το δομικό σφάλμα των τεχνητά αποδυναμωμένων μηχανών
Για να καταλάβεις γιατί το Maia δίνει τόσο διαφορετική αίσθηση, αξίζει να δεις πώς δουλεύουν οι παραδοσιακές μηχανές όπως το Stockfish. Αυτά τα προγράμματα εξερευνούν δέντρα παραλλαγών τεράστιου βάθους, συνδυάζοντάς τα με προηγμένες συναρτήσεις αξιολόγησης της θέσης. Δεν νιώθουν κούραση, δεν αγχώνονται με τον χρόνο, δεν φοβούνται τις απειλές και δεν έχουν προτίμηση σε αρμονικά σχέδια. Ο αλγόριθμος κοιτάζει δεκάδες ημι-κινήσεις μπροστά για να εξακριβώσει ποια επιλογή προσφέρει το μέγιστο αντικειμενικό πλεονέκτημα.
Όταν οι δημιουργοί θέλουν να φτιάξουν ένα bot για επίπεδο 1100, 1200 ή 1500 Elo, εφαρμόζουν συνήθως δύο μεθόδους:
- Περιορισμό του βάθους αναζήτησης: απαγορεύουν στη μηχανή να υπολογίζει πέρα από έναν μικρό αριθμό κινήσεων.
- Προσθήκη τυχαίου θορύβου: αναγκάζουν τον αλγόριθμο ανά διαστήματα να διαλέγει τη δεύτερη ή την τρίτη καλύτερη κίνηση ή να κάνει ανεξήγητα σφάλματα.
Και οι δύο αυτές λύσεις παράγουν ένα εντελώς αφύσικο παιχνίδι. Ένας σκακιστής με Elo 1200 ή 1500 δεν παίζει σαν γκρανμέτρ για δεκαπέντε κινήσεις για να χαρίσει ξαφνικά έναν ολόκληρο πύργο επειδή έτσι αποφάσισε μια γεννήτρια τυχαίων αριθμών. Στην πραγματικότητα οι άνθρωποι κάνουν λάθη για συγκεκριμένους γνωστικούς λόγους: πιέζονται από τον χρόνο, παραβλέπουν ένα καρφωμένο κομμάτι, δεν προσέχουν μια απειλή στην άλλη άκρη της σκακιέρας ή κουράζονται στο φινάλε. Ένας ερασιτέχνης μπορεί να χάσει μια λεπτή ενδιάμεση κίνηση, αλλά σπάνια διαλύει τη θέση του χωρίς να υπάρχει αντίπαλη πίεση.
Επιπλέον, η περικοπή του βάθους υπολογισμού αφήνει τη μηχανή τέλεια στις κοντινές τακτικές. Ένα bot με βάθος 4 δεν θα δει έναν συνδυασμό στην πέμπτη κίνηση, αλλά μέσα στις τέσσερις κινήσεις βλέπει τα πάντα αλάνθαστα. Αντίθετα, ο ανθρώπινος νους απορρίπτει αμέσως τις παράλογες κινήσεις και εστιάζει σε δύο ή τρία υποψήφια σχέδια που υπαγορεύει η σκακιστική διαίσθηση.
Η προπόνηση με ένα τέτοιο τεχνητά αποδυναμωμένο bot δεν προσφέρει ουσιαστική βοήθεια. Αν νικήσεις επειδή το πρόγραμμα πέταξε ξαφνικά τα κομμάτια του, δεν έμαθες πώς να αξιοποιείς ένα πραγματικό στρατηγικό πλεονέκτημα. Και αν το bot ξυπνήσει απότομα και σε τιμωρήσει με έναν συνδυασμό οκτώ κινήσεων που κανένας παίκτης αυτού του επιπέδου δεν θα έβλεπε, μένεις μόνο με ένα αίσθημα αδικίας.
Η εκπαίδευση του Maia: πρόβλεψη αντί για μεγιστοποίηση της νίκης
Οι ερευνητές που δημιούργησαν το Maia — ο Reid McIlroy-Young, ο Siddhartha Sen, ο Jon Kleinberg και ο Ashton Anderson — κατάλαβαν ότι η ευθυγράμμιση της τεχνητής νοημοσύνης με την ανθρώπινη συμπεριφορά απαιτούσε μια ριζικά νέα φιλοσοφία εκπαίδευσης [1].
Αντί να χρησιμοποιήσουν ενισχυτική μάθηση με παιχνίδι του αλγορίθμου ενάντια στον εαυτό του (τη μέθοδο του AlphaZero, όπου το σύστημα παίζει εκατομμύρια παρτίδες μόνο του μέχρι να φτάσει σε υπεράνθρωπη τελειότητα), η ομάδα εκπαίδευσε το Maia με επιβλεπόμενη μάθηση πάνω σε πραγματικές παρτίδες ανθρώπων από την πλατφόρμα Lichess.
Το μέγεθος της βάσης δεδομένων ήταν εντυπωσιακό: οι ερευνητές συγκέντρωσαν 12 εκατομμύρια παρτίδες για κάθε κατηγορία δυναμικότητας, χωρισμένες σε διαβαθμίσεις από 1100 έως 1900 Elo. Κάθε αυτόνομο μοντέλο της οικογένειας Maia εκπαιδεύτηκε αποκλειστικά σε παρτίδες όπου και οι δύο παίκτες ανήκαν στην ίδια κατηγορία αξιολόγησης.
Κατά τη συλλογή των δεδομένων αποκλείστηκαν ύποπτοι λογαριασμοί, αυτόματα bot και υπερβολικά γρήγορες παρτίδες bullet όπου οι παίκτες πετούν κομμάτια στα τελευταία δευτερόλεπτα. Στην εκπαίδευση χρησιμοποιήθηκαν ποιοτικές παρτίδες rapid και κλασικού χρόνου, με ουσιαστική σκακιστική μάχη.
Στο νευρωνικό δίκτυο δεν δόθηκε η εντολή να βρίσκει την αντικειμενικά ισχυρότερη κίνηση για να κερδίσει. Ο στόχος ήταν καθαρά προβλεπτικός: δεδομένης μιας θέσης από μια παρτίδα ανάμεσα σε δύο ανθρώπους συγκεκριμένου επιπέδου, να προβλέψει με τη μέγιστη δυνατή ακρίβεια την κίνηση που επέλεξε στην πραγματικότητα ο άνθρωπος.
Αναλύοντας 12 εκατομμύρια παρτίδες σε κάθε βαθμίδα, το Maia απορρόφησε τις πραγματικές στρατηγικές προτεραιότητες, τα διαισθητικά σχέδια και τα κλασικά τυφλά σημεία των παικτών. Ένα μοντέλο ρυθμισμένο για 1500 Elo δεν υπολογίζει σαν παγκόσμιος πρωταθλητής για να κάνει μετά ένα τεχνητό λάθος· κοιτάζει τη σκακιέρα μέσα από τις γνώσεις και τα όρια ενός σκακιστή αυτού του επιπέδου.
Ακρίβεια πρόβλεψης: το Maia απέναντι στο Stockfish
Η διαφορά ανάμεσα στη μεγιστοποίηση της νίκης και τη μίμηση της ανθρώπινης σκέψης φαίνεται πεντακάθαρα όταν μετράμε την ακρίβεια πρόβλεψης των κινήσεων. Στη μελέτη που δημοσιεύτηκε το 2020, οι επιστήμονες εξέτασαν πόσο συχνά διάφορες μηχανές μάντευαν σωστά την κίνηση που επέλεξε ένας άνθρωπος σε πραγματικές συνθήκες.
Οι κλασικές μηχανές σημείωσαν πολύ χαμηλές επιδόσεις σε αυτό το τεστ. Ακόμα και σε μικρό βάθος αναζήτησης, το Stockfish προέβλεπε την κίνηση του ανθρώπου σε ποσοστό κάτω από 40%, κινούμενο συνήθως γύρω στο 38%. Όταν μάλιστα επιτρεπόταν στο Stockfish να υπολογίσει βαθύτερα, η ακρίβεια πρόβλεψης έπεφτε κι άλλο· διότι όσο πιο βαθιά υπολόγιζε, τόσο περισσότερο οι επιλογές του απομακρύνονταν από τη φυσική διαίσθηση των ερασιτεχνών.
Αντίθετα, τα μοντέλα του Maia ξεπέρασαν με άνεση το όριο του 50% σε όλες τις κατηγορίες. Στα μεσαία επίπεδα αξιολόγησης, το Maia προέβλεψε την ακριβή ανθρώπινη κίνηση σε ποσοστό 52% έως 54%. Ακόμα και στη βαθμίδα των αρχαρίων γύρω στο 1100 Elo, η ακρίβεια έφτασε το 48%.
Αυτό το προβάδισμα αποδεικνύει ότι οι αποφάσεις των ανθρώπων στο σκάκι δεν είναι τυχαίες. Στηριζόμαστε σε οπτικά μοτίβα, στην ασφάλεια του βασιλιά, στην αρμονία των κομματιών και σε οικεία ανοίγματα. Επειδή το Maia εκπαιδεύτηκε πάνω σε πραγματικές ανθρώπινες αποφάσεις, οι προτάσεις του ταιριάζουν με όσα σκέφτεται ένας αληθινός αντίπαλος.
Επιπλέον, το Maia προβλέπει εξίσου καλά και τις συνηθισμένες ανθρώπινες παραδρομές. Αν σε μια θέση υπάρχει ένα δελεαστικό αλλά εσφαλμένο τακτικό χτύπημα στο οποίο πέφτουν συχνά οι παίκτες του 1200, το Maia είναι πολύ πιθανό να επιλέξει αυτό το χτύπημα. Αυτό το καθιστά ιδανικό παρτενέρ για προπόνηση.
Αρμονία κομματιών και ρεαλιστικά τακτικά λάθη
Όταν εξετάζεις παρτίδες ενός ανθρώπινου μοντέλου ή εφαρμόζεις αυτές τις ιδέες στην πράξη όταν επιλέγεις να παίξεις σκάκι online, η ροή της παρτίδας είναι άμεσα γνώριμη. Στο άνοιγμα και στο πρώιμο μέσο της παρτίδας, το Maia αναπτύσσει τις δυνάμεις του με καθαρά και λογικά σχέδια.
Ας πάρουμε για παράδειγμα ένα κλασικό άνοιγμα όπως η Ιταλική παρτίδα. Αντί να ψάχνει εξεζητημένες τακτικές περιπλοκές που απαιτούν είκοσι κινήσεις απίστευτου υπολογισμού για να μη χαθεί η ισορροπία, το Maia αναπτύσσει φυσικά τα ελαφρά κομμάτια προς το κέντρο, ασφαλίζει τον βασιλιά με ροκέ και προετοιμάζει την προώθηση των πιονιών.
Σε τέτοιες θέσεις κάθε παίκτης συλλόγου σκέφτεται αυθόρμητα να καρφώσει τον αντίπαλο ίππο στο f6 ή να παλέψει για το τετράγωνο d4. Το Maia διαλέγει κινήσεις που εκφράζουν αυτά ακριβώς τα σχέδια, χωρίς να κάνει παράξενες προωθήσεις ακραίων πιονιών χωρίς ουσιαστικό λόγο.
Η ίδια αυθεντικότητα υπάρχει και στις τακτικές μάχες. Οι ερασιτέχνες πέφτουν συχνά σε κλασικές παγίδες όπως πιρούνια, καρφώματα και σουβλιές στο σκάκι, ή ξεχνούν να ανοίξουν θυρίδα διαφυγής για τον βασιλιά καταλήγοντας σε ματ στον διάδρομο στο σκάκι. Όταν το Maia κάνει ένα τακτικό σφάλμα, αυτό έχει πάντα ανθρώπινη εξήγηση: η θέση ήταν φορτωμένη με απειλές, υπήρχε κρυμμένο ενδιάμεσο χτύπημα ή η γεωμετρία έκρυβε το κρίσιμο κομμάτι.
Η μελέτη τέτοιων παρτίδων προσφέρει ουσιαστική σκακιστική γνώση. Η επικράτηση προέρχεται από σωστό στρατηγικό σχέδιο, πίεση στο κέντρο ή υπομονετική αξιοποίηση του πλεονεκτήματος στο φινάλε, και όχι από κάποια ξαφνική δυσλειτουργία ενός αλγορίθμου.
Ακόμα και στο φινάλε η συμπεριφορά του είναι ανθρώπινη. Οι παραδοσιακές μηχανές σε χαμένες θέσεις κάνουν παράλογες θυσίες κομματιών απλώς για να καθυστερήσουν το ματ κατά μία κίνηση βάσει πινάκων Nalimov. Το Maia αγωνίζεται με πείσμα, ενεργοποιεί τον βασιλιά του και προσπαθεί να δημιουργήσει ελεύθερο πιόνι, όπως θα έκανε κάθε μαχητικός παίκτης.
Η εξέλιξη: από το πρώτο Maia στα Maia-2 και Maia-3
Η πρώτη έρευνα του 2020 απέδειξε ότι η πρόβλεψη των ανθρώπινων κινήσεων είναι εφικτή, αλλά είχε πρακτικούς περιορισμούς. Κάθε βαθμίδα Elo απαιτούσε ξεχωριστό δίκτυο: τα Maia 1100, Maia 1200, Maia 1500 και Maia 1900 λειτουργούσαν ανεξάρτητα, χωρίς να μπορούν να αποτυπώσουν τη συνεχή εξέλιξη ενός παίκτη.
Για να ξεπεράσουν αυτό το εμπόδιο, οι ερευνητές παρουσίασαν το 2024 το ενοποιημένο μοντέλο Maia-2, βασισμένο σε μηχανισμούς προσοχής των transformers. Το Maia-2 δέχεται ως είσοδο το επιθυμητό επίπεδο ικανότητας και προσαρμόζει δυναμικά τις πιθανότητες των κινήσεων, καλύπτοντας όλο το φάσμα της ανθρώπινης δυναμικότητας μέσα από ένα και μοναδικό δίκτυο.
Συνεχίζοντας αυτή την πορεία, το εργαστήριο Computational Social Science Lab (CSSLab) του Πανεπιστημίου του Τορόντο κυκλοφόρησε το 2025 το μοντέλο Maia-3 79M. Πρόκειται για έναν transformer 79 εκατομμυρίων παραμέτρων, εκπαιδευμένο σε τεράστιο όγκο σκακιστικών δεδομένων. Το Maia-3 κατανοεί με πολύ μεγαλύτερη ακρίβεια την προφύλαξη, τις μεταβάσεις στο φινάλε και τη λεπτή άμυνα, διατηρώντας ακέραιη τη φιλοσοφία της ανθρώπινης έκφρασης.
Το Maia-3 διατίθεται υπό την ελεύθερη άδεια GNU Affero General Public License έκδοση 3.0 (AGPL 3.0), διασφαλίζοντας ότι η έρευνα παραμένει ανοιχτή και προσβάσιμη σε όλη τη διεθνή σκακιστική κοινότητα.
Τι μας διδάσκει η έρευνα του Maia για τη σκακιστική προπόνηση
Τα ευρήματα πίσω από το Maia αναδεικνύουν μια θεμελιώδη αλήθεια για κάθε σκακιστή που θέλει να βελτιωθεί: η προετοιμασία για αγώνες απέναντι σε πραγματικούς αντιπάλους απαιτεί κατανόηση των κινήσεων που παίζουν στην πράξη οι άνθρωποι, και όχι στείρα απομνημόνευση υπολογιστικών αναλύσεων είκοσι κινήσεων που σπάνια εμφανίζονται σε επίπεδο συλλόγου.
Όταν ένας παίκτης βασίζεται αποκλειστικά στις κορυφαίες προτάσεις μιας υπεράνθρωπης μηχανής, συχνά απομνημονεύει γραμμές χωρίς να κατανοεί το στρατηγικό τους νόημα. Μόλις ο αντίπαλος αποκλίνει στην έκτη κίνηση με μια φυσιολογική ανθρώπινη ανακρίβεια, ο παίκτης μένει χωρίς σχέδιο. Ο συνδυασμός της τακτικής εξάσκησης με τα δομημένα μαθήματα σκακιού γεφυρώνει αυτό το κενό, εστιάζοντας στον συντονισμό των κομματιών, στις δομές των πιονιών και στην αναγνώριση τακτικών μοτίβων.
Είτε προετοιμάζεσαι για ένα τουρνουά είτε δοκιμάζεις ένα νέο άνοιγμα, η μελέτη των πιθανών ανθρώπινων απαντήσεων και των συνηθισμένων λαθών καλλιεργεί στρατηγική αντίληψη που αποδίδει άμεσα πάνω στην πραγματική σκακιέρα.
Συχνές ερωτήσεις για το Maia
Είναι το Maia ισχυρότερο ή πιο αδύναμο από το Stockfish;
Σε έναν αγώνα καθαρής υπολογιστικής ισχύος το Maia είναι σκόπιμα πιο αδύναμο από το Stockfish. Στόχος του Stockfish είναι η απόλυτη αντικειμενική τελειότητα, ενώ στόχος του Maia είναι να αναπαράγει πιστά τον τρόπο που σκέφτονται και αποφασίζουν οι άνθρωποι σε κάθε επίπεδο δυναμικότητας.
Κάνει το Maia σοβαρά τακτικά λάθη;
Ναι. Επειδή τα μοντέλα εκπαιδεύονται σε παρτίδες ανθρώπων από τα 1100 Elo και πάνω, οι εκδόσεις για χαμηλότερα επίπεδα κάνουν τα ίδια τακτικά σφάλματα, παραλείψεις και αβλεψίες που συναντά κανείς στους ερασιτέχνες σκακιστές.
Χρησιμοποιεί το Maia βιβλιοθήκες ανοιγμάτων και πίνακες φινάλε;
Σε αντίθεση με τις κλασικές μηχανές που βασίζονται σε απομνημονευμένα δέντρα ανοιγμάτων και υπολογισμένους πίνακες Nalimov, το Maia παράγει τις κινήσεις του απευθείας μέσα από το εκπαιδευμένο νευρωνικό του δίκτυο, αντικατοπτρίζοντας την πρακτική εμπειρία των ανθρώπων.
Βοηθάει το Maia στην προετοιμασία για τουρνουά;
Είναι η καλύτερη επιλογή γι’ αυτόν τον σκοπό. Επειδή το Maia παίζει με ανθρώπινο ύφος και υποπίπτει σε φυσιολογικές ανακρίβειες, η προπόνηση μαζί του συνηθίζει τον παίκτη στις πραγματικές αντιδράσεις και στα σχέδια που θα αντιμετωπίσει πάνω στη σκακιέρα ενός τουρνουά.
Πηγές
- McIlroy-Young, R., Sen, S., Kleinberg, J., & Anderson, A. (2020). Aligning Superhuman AI with Human Behavior: Chess as a Model System. Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 1677–1687.
- Tang, Z., Jiao, D., McIlroy-Young, R., Kleinberg, J., Sen, S., & Anderson, A. (2024). Maia-2: A Unified Model for Human-AI Alignment in Chess. arXiv preprint arXiv:2409.20553.
- CSSLab, University of Toronto. (2025). Maia-3 79M: Transformer model trained on human chess moves.
- Boardgammon. “Chess Moment: Play rated chess online.”
- Boardgammon. “Chess lessons and fundamentals.”
- Boardgammon. “Chess Moment: Play chess online.”
Βρήκες λάθος ή κάποια φράση που δεν στέκει; Γράψε μας
