Каждому, кто тренировался против компьютерных шахматных ботов, знакомо странное чувство растерянности. Вы тщательно разыгрываете первые двадцать ходов, возводите крепкую пешечную структуру, ставите коней на устойчивые центральные поля и защищаете слабые пункты. И вдруг без малейшего позиционного повода программа отдаёт ферзя за пешку или прячет активную ладью в глухой угол доски. А ещё через пару ходов этот же соперник начинает рассчитывать сложнейшие тактические варианты с недостижимой для человека точностью.
Причина такого поведения кроется не в слабости программ. Наоборот, классические шахматные движки рассчитывают варианты слишком совершенно и механистично. Когда разработчики пытаются понизить силу сверхмощного алгоритма для любителей или начинающих, они почти всегда прибегают к искусственным костылям. Программа перебирает миллионы позиций в секунду, находит безупречный математический путь к победе, а затем намеренно подмешивает случайную грубую ошибку, чтобы снизить итоговый процент побед. В турнирной статистике такой подход может давать нужную цифру рейтинга, но для живого шахматиста подобная партия не имеет ничего общего с настоящей человеческой игрой.
В 2020 году группа учёных и специалистов по машинному обучению решила взглянуть на эту задачу с принципиально иной стороны. Вместо того чтобы заставлять искусственный интеллект побеждать любой ценой за счёт перебора миллиардов вариантов, исследователи задали другой вопрос: способна ли глубокая нейронная сеть научиться играть в шахматы именно так, как играют реальные люди?
Результатом этой работы стал проект Maia Chess — шахматный движок с открытым исходным кодом, перевернувший представления о тренировочных программах. Если вы хотите играть в шахматы онлайн против компьютера, решения которого понятны и логичны, знакомство с Maia покажет, насколько живой и увлекательной может быть электронная доска.
Почему обычные движки играют неестественно
Чтобы оценить новизну Maia, полезно взглянуть на то, как устроены классические шахматные программы вроде Stockfish. Эти движки сочетают глубокий древовидный перебор ходов с формулами позиционной оценки. У них нет эмоций, они не устают, не испытывают страха перед атакой на короля и не привязаны к привычным схемам развития. Их алгоритм просматривает варианты на десятки полуходов вперёд, вычисляя объективно сильнейшее продолжение.
Когда создатели ботов хотят получить соперника с рейтингом 1100, 1200 или 1500 пунктов Эло, они обычно используют два приёма:
- Ограничение глубины расчёта: программе запрещают заглядывать дальше определённого числа ходов.
- Внесение случайного шума: алгоритм принудительно заставляют выбирать второй или третий по силе ход либо совершать периодические необъяснимые ошибки.
Оба метода разрушают целостность партии. Шахматист с рейтингом 1200 или 1500 Эло не играет двадцать ходов на уровне гроссмейстера, чтобы затем внезапно зевнуть чистую ладью по прихоти генератора случайных чисел. В реальной жизни люди ошибаются из-за естественных факторов: нехватки времени на обдумывание, сложной геометрии доски, усталости или незамеченной связки. Любитель может упустить неочевидный тактический удар, но он почти никогда не станет разрушать собственную позицию без какого-либо давления со стороны противника.
Более того, ограничение глубины расчёта делает обычные движки близорукими в тактике, но оставляет их механистически непогрешимыми на коротких отрезках. Бот глубины 5 не заметит комбинацию на шестом полуходе, однако внутри пяти полуходов он по-прежнему видит всё дерево ходов целиком. Человек же думает избирательно: он сразу отбрасывает девяносто процентов бессмысленных ходов-кандидатов и концентрируется на двух или трёх наиболее содержательных продолжениях, подсказанных опытом и позиционным чутьём.
Тренировка с таким искусственно ослабленным ботом не приносит пользы. Если вы выиграли партию только потому, что программа ни с того ни с сего подарила вам фигуру, вы ничему не научились в плане стратегического планирования. А если бот неожиданно включит глубокий перебор и накажет вас тончайшей форсированной серией ходов, которую не нашёл бы ни один клубный игрок, вы почувствуете лишь досаду.
Идея Maia: учиться на партиях людей
Исследователи, создавшие Maia, — Рейд Макилрой-Янг, Сиддхартха Сен, Джон Клейнберг и Эштон Андерсон — поняли: чтобы сблизить искусственный интеллект с поведением человека, требуется совершенно другая концепция обучения [1].
Вместо обучения с подкреплением в режиме игры с самим собой (как это делалось в AlphaZero, где сеть миллионы раз играла сама против себя до достижения нечеловеческого уровня), авторы применили обучение с учителем на реальных партиях, сыгранных живыми людьми на сервере Lichess.
Масштаб выборки впечатляет: авторы собрали по 12 миллионов партий на каждый диапазон рейтинга, выделив девять категорий от 1100 до 1900 пунктов Эло. Каждая отдельная модель семейства Maia обучалась исключительно на партиях, где оба участника входили в соответствующую весовую категорию по рейтингу.
При отборе материала исследователи исключали партии с подозрительной точностью, аккаунты ботов и сверхкороткие блиц-партии с грубыми техническими зевками в один ход из-за падения флага. В обучающую выборку вошли полноценные партии с классическим контролем времени и добротным рапидом, где шахматисты вели осмысленную позиционную борьбу.
Перед нейросетью не ставили задачу находить идеальные ходы, ведущие к быстрой победе. Цель была чисто исследовательской: видя позицию из реальной партии между людьми определённого уровня, максимально точно предсказать тот самый ход, который сделал живой шахматист.
Обработав по 12 миллионов партий на каждом уровне, Maia впитала типичные позиционные предпочтения, характерные планы и привычные слабости игроков разной квалификации. Модель для уровня 1500 не пытается считать варианты как чемпион мира с последующим искусственным ухудшением — она смотрит на доску глазами и интуицией шахматиста этой силы.
Точность прогноза: сравнение Maia со Stockfish
Разница между оптимизацией на победу и обучением человеческому поведению наглядно проявляется при замере точности предсказания ходов. В исследовании 2020 года учёные проверили, как часто различные движки угадывают ход, выбранный человеком в турнирной партии.
Традиционные программы показали в этом тесте слабые результаты. Даже при минимальной глубине перебора Stockfish предсказывал ход человека менее чем в 40% случаев, показывая средний результат около 38%. При этом с увеличением глубины расчёта точность предсказания ходов человека у Stockfish только падала: чем глубже программа считала варианты, тем сильнее её решения уходили в область недоступных любителю тактических тонкостей.
Модели Maia, напротив, стабильно преодолевали планку в 50% совпадений на всех исследованных уровнях. На промежуточных ступенях рейтинга точность предсказания живого хода достигала от 52% до 54%, а на ступени начинающих около 1100 пунктов Эло составила 48%.
Такой отрыв подтверждает важную мысль: человеческие шахматы не сводятся к случайным ошибкам. Мы мыслим зрительными образами, ценим безопасность короля, стремимся к гармонии фигур и используем типовые планы. Поскольку Maia училась на настоящем опыте людей, её ходы совпадают с тем, как мыслит соперник из плоти и крови.
Движок предсказывает не только хорошие ходы, но и типичные человеческие заблуждения. Если в острой позиции существует заманчивый, но ошибочный тактический удар, на который регулярно попадаются шахматисты уровня 1200, Maia с высокой вероятностью предпочтёт именно его. Это превращает программу в идеального спарринг-партнёра: вы играете не с непогрешимым калькулятором, а с моделью реального противника из шахматного клуба.
Позиционная логика и естественные ошибки на доске
Когда вы разбираете партии, сыгранные человекоподобной моделью, или применяете эти идеи на практике и решаете сыграть в шахматы онлайн, борьба на доске протекает в понятном и знакомом ключе. В дебюте и раннем миттельшпиле Maia гармонично расставляет фигуры, не прибегая к вычурным компьютерным манёврам.
Возьмём классическую итальянскую партию. Вместо сомнительных фланговых уколов, требующих точнейшего многоходового счёта для удержания равновесия, Maia развивает лёгкие фигуры в центр, обеспечивает безопасность короля рокировкой и готовит планомерное наступление пешек.
В подобных позициях любой любитель сразу видит понятные ориентиры: связать коня на f6, укрепить пункт d4 или подготовить продвижение пешки c3. Maia выбирает ходы, отражающие эти естественные планы, и не совершает бессмысленных тычков крайними пешками, если того не требует конкретная позиционная необходимость.
Не менее естественно Maia действует и в острых ситуациях. Шахматисты-любители нередко попадаются в типовые капканы: пропускают вилки, связки и линейные удары в шахматах или забывают сделать спасительную форточку для короля, получая внезапный мат на последней горизонтали. Если Maia допускает тактический промах, у него всегда есть ясное человеческое объяснение: фигура была перекрыта пешечной цепью, позиция была перегружена взаимными угрозами или требовался сложный тихий ход.
Разбирать партии такого алгоритма по-настоящему полезно. Победа здесь становится следствием последовательного стратегического плана, перехвата инициативы или грамотной реализации перевеса в эндшпиле, а не случайного сбоя в программе. Игрок учится переигрывать соперника за счёт позиционного давления и тактической бдительности.
Кроме того, Maia отлично моделирует переход в практический эндшпиль. Традиционные боты часто затягивают сопротивление в абсолютно проигранных позициях с помощью абсурдных жертв, просто отодвигая неизбежный мат на один полуход вперёд по таблицам Налимова. Maia в таких ситуациях сдаётся или делает упорные человеческие ходы, пытаясь создать практические трудности для соперника через активность короля или образование проходной пешки.
Развитие технологии: Maia-2 и архитектура Maia-3
Первая публикация 2020 года доказала жизнеспособность идеи, однако у ранней архитектуры оставались практические ограничения. Под каждый уровень рейтинга требовалось обучать и хранить отдельную нейросеть: модели 1100, 1200, 1500 и 1900 существовали независимо друг от друга, что не позволяло гибко моделировать непрерывный рост силы игрока.
В 2024 году исследовательская группа представила архитектуру Maia-2, построенную на механизмах внимания современных трансформеров. Вместо набора изолированных сетей учёные создали единую модель, которая принимает целевой уровень мастерства как входной параметр и плавно настраивает распределение вероятностей ходов. Это позволило охватить весь диапазон человеческого мастерства в рамках одного алгоритма.
Следующим шагом стал выпуск в 2025 году модели Maia-3 79M лабораторией Computational Social Science Lab (CSSLab) при Университете Торонто. Эта модель представляет собой трансформер с 79 миллионами параметров, обученный на расширенных массивах шахматных данных. Maia-3 глубже понимает профилактику, лучше чувствует позиционные тонкости в эндшпиле и надёжнее держит оборону, сохраняя при этом верность принципу человекоподобной игры.
Модель Maia-3 распространяется под свободной лицензией GNU Affero General Public License версии 3.0 (AGPL 3.0), благодаря чему научные материалы открыты для изучения и анализа шахматным сообществом.
Что исследования человеческих ходов дают для практического обучения
Научная работа вокруг Maia даёт важный ориентир каждому, кто стремится расти в шахматах: чтобы уверенно побеждать живых соперников, нужно изучать реальные человеческие ответы и типичные планы, а не механически заучивать двадцатиходовые компьютерные опровержения, которые почти никогда не встречаются в клубной практике.
Когда шахматист при анализе опирается только на первую строчку сверхчеловеческого движка, он часто запоминает абстрактные форсированные линии, не понимая их внутренней логики. Стоит противнику на шестом ходу свернуть в сторону естественным, но чуть менее точным продолжением, как заученная схема рассыпается. Гораздо надёжнее сочетать регулярную игровую практику и систематические шахматные уроки, развивающие понимание пешечных структур, взаимодействия фигур и базовых тактических мотивов.
Подготовка к турниру, проверка нового дебютного варианта или тренировка тактической зоркости становятся намного продуктивнее, когда вы обращаете внимание на вероятные человеческие решения. Вы привыкаете к логичному сопротивлению, учитесь наказывать реальные слабости и развиваете позиционную интуицию, которая пригодится за настоящей деревянной доской.
Частые вопросы о Maia
Сильнее или слабее Maia по сравнению со Stockfish?
В матчевом соревновании на результат Maia уступит Stockfish. Цель Stockfish — абсолютная безошибочность, тогда как задача Maia состоит в максимально точном воспроизведении человеческих ходов и типичных решений на определённом уровне рейтинга.
Случаются ли у Maia грубые просмотры?
Да. Поскольку модели обучаются на партиях любителей начиная с рейтинга 1100 Эло, версии для младших уровней допускают те же тактические зевки, позиционные упущения и ошибки в расчёте, с которыми сталкиваются реальные игроки.
Использует ли Maia дебютные книги и эндшпильные таблицы?
В отличие от классических программ, опирающихся на гигантские справочники дебютов и таблицы Налимова, Maia формирует свои ходы непосредственно через нейросеть, передавая практический опыт и интуицию людей.
Почему обычные боты на других сайтах играют так странно?
Большинство стандартных ботов берут за основу гроссмейстерский движок и искусственно портят его игру случайными ошибками или жёстким лимитом ходов. Из-за этого идеальный расчёт чередуется с нелепыми зевками, что сбивает с толку и снижает обучающий эффект.
Подходит ли Maia для подготовки к очным турнирам?
Да, именно для этого человекоподобные движки подходят лучше всего. Поскольку Maia играет в естественном человеческом стиле и допускает типичные позиционные неточности, спарринг с ней приучает шахматиста к тем же планам и дебютным ответам, с которыми он встретится за реальной доской на турнире.
Источники
- 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.”
Нашли ошибку или неловкую фразу? Напишите нам
