Bilgisayar ortamındaki klasik satranç botlarına karşı antrenman yapmış herkes o tuhaf yabancılaşma hissini çok iyi bilir. On beş ya da yirmi hamle boyunca sabırla sağlam bir piyon yapısı kurarsınız, atlarınızı merkezdeki güçlü karelere yerleştirirsiniz ve açık hatları kontrol edersiniz. Sonra birdenbire, tahtada hiçbir taktik ya da konumsal gerekçe yokken bilgisayar vezirini bedavaya verir veya hareketli bir kalesini köşedeki pasif bir kareye çeker. Bu akıl almaz gafın üzerinden üç hamle bile geçmeden, aynı program insanüstü bir hesaplama gücüyle inanılmaz varyantlar hesaplamaya başlar.
Bu garip çelişki programların zayıflığından kaynaklanmaz. Tam tersine, geleneksel satranç motorları bir insan gibi değil, saf bir hesap makinesi gibi düşünür. Yazılımcılar bu muazzam hesaplama canavarlarını kulüp oyuncularına ya da yeni başlayanlara uygun hâle getirmek istediklerinde neredeyse her zaman yapay engellere başvururlar. Program saniyede milyonlarca konumu tartar, galibiyete giden en kusursuz yolu bulur, ardından puanını yapay olarak aşağı çekmek için araya rastgele hatalar serpiştirir. Bu matematiksel taviz kâğıt üzerindeki puan tablolarını tutturabilir, fakat tahtanın karşısında oturan gerçek bir insanın düşünce biçimini yansıtmaktan tamamen uzaktır.
2020 yılında bir grup yapay zekâ araştırmacısı ve veri bilimci bu temel sorunu çözmek için yola çıktı. Bir bilgisayara her ne pahasına olursa olsun kazanmayı öğretmek yerine tamamen farklı bir soru sordular: Acaba derin bir yapay sinir ağı, satrancı insanların gerçekte oynadığı gibi oynamayı öğrenebilir mi?
Bu arayışın sonucunda ortaya Maia Chess çıktı. Açık kaynaklı bir proje olarak geliştirilen Maia, yapay zekânın satrançtaki rolünü kökten değiştirdi. Standart botların yapay saçmalıklarına maruz kalmadan online satranç oynamak istiyorsanız, Maia’nın çalışma mantığını anlamak dijital antrenmana bakışınızı bütünüyle yenileyecektir.
Geleneksel satranç botlarının yapay hataları
Maia’nın neden bu kadar farklı hissettirdiğini kavramak için önce Stockfish gibi geleneksel motorların nasıl çalıştığına bakmak gerekir. Bu motorlar devasa arama ağaçlarını gelişmiş konumsal değerlendirme işlevleriyle birleştirir. Ne yorulurlar ne zaman darlığından paniklerler ne de tahtadaki taşların estetik uyumunu gözetirler. Algoritma onlarca hamle sonrasını hesaplayarak hangi devam yolunun nesnel olarak en yüksek üstünlüğü sağladığını bulur.
Geliştiriciler bu motoru 1100, 1200 veya 1500 Elo seviyesinde bir bota dönüştürmek istediklerinde genellikle iki temel yönteme başvururlar:
- Arama derinliğini sınırlamak: Motorun varyantları yalnızca birkaç hamle derinliğe kadar hesaplamasına izin vermek.
- Rastgele gürültü eklemek: Motora belirli aralıklarla ikinci ya da üçüncü sıradaki hamleleri seçtirmek veya ansızın büyük gaflar yaptırmak.
Bu iki yöntem de son derece yapay bir oyun ortaya çıkarır. 1200 ya da 1500 Elo seviyesindeki bir insan oyuncu, on beş hamle boyunca büyükusta gibi oynayıp ardından rastgele sayı üreteci öyle istedi diye durduk yere kalesini rakibe hediye etmez. İnsanlar zihinsel yorgunluk, süre azlığı, karmaşık tahta geometrisi ya da gözden kaçan bir açmaz yüzünden hata yaparlar. Bir amatör oyuncu derin bir ara hamleyi kaçırabilir, fakat durup dururken kendi taşlarını rakibin önüne sürmez.
Ayrıca derinliği sınırlandırılmış bir motor, kısa menzilli taktiklerde yine kusursuz kalır. Örneğin derinliği 4 hamleyle sınırlandırılmış bir program, beşinci hamledeki derin bir kombinezonu göremez ama ilk dört hamle içindeki tüm varyantları eksiksiz süzer. Oysa insan zihni tahtaya böyle yaklaşmaz. İnsan oyuncu kaba bir hesap ağacına girmek yerine sezgisel olarak saçma hamleleri eler, iki ya da üç ana plan üzerinde yoğunlaşır ve taşların ahengine güvenir.
Böyle yapay zayıflatılmış bir bota karşı oynamanın öğretici bir değeri yoktur. Bilgisayar vezirini saçma bir şekilde bıraktığı için kazanırsanız, gerçek bir stratejik üstünlüğü nasıl değerlendireceğinizi öğrenemezsiniz. Buna karşılık bot birkaç hamle sonra aniden derin hesaplama moduna geçip sizi sekiz hamlelik akıl almaz bir taktik kombinezonla cezalandırdığında sadece haksızlığa uğramış hissedersiniz.
Maia projesinin doğuşu: insan hamlelerini tahmin etmek
Maia’yı geliştiren araştırmacılar (Reid McIlroy-Young, Siddhartha Sen, Jon Kleinberg ve Ashton Anderson), yapay zekâyı insan davranışıyla uyumlu kılmanın tamamen farklı bir eğitim felsefesi gerektirdiğini fark ettiler [1].
AlphaZero gibi sistemlerin kullandığı ve algoritmanın insanüstü kusursuzluğa ulaşana kadar kendi kendine milyonlarca oyun oynadığı pekiştirmeli öğrenme yöntemi yerine, araştırmacılar Maia’yı Lichess platformundaki gerçek insanların oynadığı oyunlar üzerinden denetimli öğrenmeyle eğittiler.
Toplanan veri havuzu devasa boyutlardaydı: Araştırmacılar 1100 ile 1900 Elo arasındaki farklı beceri dilimlerini ayırarak her derece dilimi için 12 milyon insan oyunu topladılar. Maia ailesindeki her bağımsız model, yalnızca o hedef seviyedeki oyuncuların birbiriyle yaptığı maçlarla eğitildi.
Veri tabanı oluşturulurken şüpheli derecede yüksek doğruluk oranına sahip hesaplar, otomatik botlar ve süre bayrağı düşmesi yüzünden tek hamlede saçma taş kayıplarının yaşandığı aşırı kısa maçlar elendi. Eğitime yalnızca oyuncuların konumsal fikirler üretebildiği sağlıklı hızlı satranç ve klasik tempo maçları dahil edildi.
Yapay sinir ağına oyunu kazanma olasılığını en üst düzeye çıkarma görevi verilmedi. Bunun yerine tek bir tahmin hedefi belirlendi: Belirli bir seviyedeki iki insan oyuncu arasındaki maçta ortaya çıkan bir konumu incele ve o seviyedeki bir insanın tahtada yapacağı hamleyi birebir tahmin et.
Her seviyede 12 milyon oyunu inceleyen Maia, o derecedeki oyuncuların tipik stratejik önceliklerini, doğal sezgilerini ve sıkça düştükleri taktik tuzakları özümsedi. 1500 Elo için ayarlanmış bir Maia modeli, büyükusta gibi düşünüp sonra zar atarak hata yapmaz; tahtayı o seviyedeki bir kulüp oyuncusunun gözüyle ve bilgi dağarcığıyla değerlendirir.
Hamle tahmin doğruluğu: Maia ve Stockfish karşılaştırması
Bir algoritmayı kazanmaya göre optimize etmekle insanı taklit etmeye göre eğitmek arasındaki fark, hamle tahmin doğruluğu ölçüldüğünde açıkça ortaya çıkar. 2020 yılındaki araştırmada bilim insanları, farklı satranç motorlarının gerçek oyunlarda insanlar tarafından seçilen hamleleri ne sıklıkla doğru tahmin edebildiğini ölçtüler.
Geleneksel motorlar bu sınavda oldukça düşük sonuçlar aldılar. Hesaplama derinliği kısıtlandığında bile Stockfish’in insan hamlesini doğru tahmin etme oranı %40’ın altında kaldı ve genellikle %38 civarında seyretti. Üstelik Stockfish’in daha derin hesap yapmasına izin verildiğinde insan hamlelerini tahmin etme oranı daha da düştü; çünkü derinleşen hesaplama ağacı motoru sıradan oyuncuların asla göremeyeceği insanüstü taktik ayrıntılara yönlendiriyordu.
Buna karşılık Maia modelleri, incelenen tüm seviyelerde %50 doğruluk eşiğini rahatlıkla aştı. Orta seviyedeki derecelerde Maia, insanın oynadığı hamleyi %52 ile %54 arasında bir kesinlikle bildi. 1100 Elo civarındaki başlangıç seviyesinde bile doğruluk oranı %48 oldu.
Bu belirgin tahmin üstünlüğü, satrançta insan kararlarının rastgele ve kaotik olmadığını gösterir. İnsanlar görsel kalıplara, taşların uyumuna, şah güvenliğine ve bildikleri açılış şablonlarına dayanarak karar verirler. Maia soyut formüller yerine yaşanmış insan kararlarıyla eğitildiği için kararları tahta başındaki gerçek bir oyuncunun tercihleriyle örtüşür.
Ayrıca Maia sadece doğru hamleleri değil, insanların sıkça düştüğü hataları da doğru öngörür. Belli bir konumda 1200 seviyesindeki oyuncuların çoğunun aldandığı tuzaklı fakat hatalı bir hamle varsa, Maia da o hamleyi seçmeye meyillidir. Bu da onu antrenman için kusursuz bir eş kılar. Karşınızda insanüstü bir hakem değil, sizin seviyenizin heyecanını ve kör noktalarını paylaşan sahici bir satranç zihni bulursunuz.
Tahtadaki insan mantığı: açılış gelişimi ve doğal taktik körlükler
İnsan hamleleriyle eğitilmiş bir modelin analizlerini incelediğinizde veya bu stratejik fikirleri online satranç oynamak için tahta başına geçtiğinizde uyguladığınızda, mücadele ilk hamlelerden itibaren çok tanıdık gelir. Açılışta ve oyun ortasının ilk evrelerinde Maia taşlarını mantıklı ve dengeli planlarla oyuna sokar.
İtalyan Açılışı gibi köklü bir sistemi ele alalım. Tahtada kalabilmek için yirmi yarım hamlelik insanüstü hesaplar gerektiren marjinal yan yollara sapmak yerine Maia, hafif taşlarını merkeze doğru geliştirir, şahını rok yaparak güvenliğe alır ve piyon yapısını ahenkle kurar.
Böyle bir konumda kulüp oyuncuları doğal olarak f6 atını açmaza almayı veya d4 karesindeki mücadeleyi güçlendirmeyi düşünürler. Maia bu sezgisel planları yansıtan hamleleri seçer. Konumun somut gereksinimleri zorlamadıkça kanatlardan tuhaf ve anlamsız piyon sürüşleri yapmaz.
Bu insani yaklaşım özellikle taktik gerilim anlarında kendini belli eder. Amatör oyuncular maçlarında satrançta çatal, açmaz ve şiş taktikleri gibi temel motiflere sıkça yakalanırlar veya arka sıralarını ihmal ederek satrançta koridor matı tuzağına düşerler. Maia bir taktik fırsatı kaçırdığında veya rakibin darbesine uğradığında, bunun arkasında her zaman anlaşılır bir insan gerekçesi bulunur: Taş kalabalığı araya girmiştir, karmaşık tahtada çok sayıda tehdit vardır ya da bulunması zor sessiz bir hamle gerekiyordur.
Oyun sonlarında da benzer bir doğallık görülür. Geleneksel programlar kayıp bir oyun sonunda matı birkaç hamle geciktirmek adına saçma sapan taş fedaları yaparak oyunu uzatır. Maia ise gerçek bir insan gibi direnç gösterir; şahını aktif kılmaya çalışır, geçer piyon yaratma fırsatlarını kollar ve oyunu mantıklı bir mücadele olarak sürdürür.
Bu tür oyunları incelemek son derece öğreticidir. Başarı rastgele bir yazılım hatasından değil, sağlam bir strateji yürütmekten, gerçek bir taktik zaafı yakalamaktan ya da oyun sonunu sabırla kazanca dönüştürmekten kaynaklanır.
Maia-1’den Maia-2 ve Maia-3 transformer mimarisine
2020 yılındaki ilk çalışma insan hamlelerini modellemenin mümkün olduğunu kanıtladı, fakat ilk mimarinin bazı pratik sınırları vardı. Her Elo seviyesi için ayrı bir sinir ağı gerekiyordu: Maia 1100, Maia 1200, Maia 1500 ve Maia 1900 bağımsız modeller olarak çalışıyordu ve bir oyuncunun zaman içindeki kesintisiz gelişimini tek bir çatı altında modelleyemiyordu.
Araştırma ekibi bu engeli aşmak için 2024 yılında transformer tabanlı dikkat mekanizmalarına dayanan birleşik Maia-2 mimarisini tanıttı. Maia-2, hedef oyuncu seviyesini modele girdi olarak vererek tek bir sinir ağının tüm insan beceri yelpazesini kesintisiz biçimde temsil etmesini sağladı.
Bu bilimsel ilerlemenin devamı olarak Toronto Üniversitesi bünyesindeki Computational Social Science Lab (CSSLab), 2025 yılında Maia-3 79M modelini yayımladı. Devasa insan hamlesi veri kümeleri üzerinde eğitilen bu 79 milyon parametreli transformer modeli, insan taklidi felsefesinden ödün vermeden oyun sonu geçişlerini, profilaktik düşünceyi ve derin konumsal savunmayı çok daha yüksek bir incelikle kavramaktadır.
Maia-3 projesi GNU Affero Genel Kamu Lisansı sürüm 3.0 (AGPL 3.0) altında açık kaynak olarak dağıtılmaktadır. Bu sayede geliştirilen araştırmalar tüm dünya satranç topluluğu tarafından incelenebilir ve akademik çalışmalarda kullanılabilir.
İnsan odaklı satranç araştırmaları antrenmana nasıl katkı sağlar?
Maia araştırmalarının ortaya koyduğu en önemli ders şudur: Gerçek rakiplere karşı başarılı olmak isteyen bir oyuncu, kulüp maçlarında asla karşısına çıkmayacak yirmi hamlelik bilgisayar varyantlarını ezberlemek yerine, kendi seviyesindeki insanların gerçekten oynadığı hamleleri ve düştüğü tipik hataları anlamalıdır.
Yalnızca insanüstü motorların en üst satırda önerdiği hamlelere odaklanan oyuncular, çoğu zaman arkasındaki stratejik fikri anlamadıkları karmaşık dizileri ezberlemeye çalışırlar. Rakip altıncı hamlede doğal görünen ama kitabi olmayan bir hamle yaptığında, sadece motorun ana varyantını ezberleyen oyuncu plansız kalır. Pratik maç deneyimini yapılandırılmış satranç dersleri ile birleştirmek, taş uyumu, merkez kontrolü ve temel taktik kalıplar gibi kalıcı ilkeleri pekiştirerek bu boşluğu doldurur.
İster bir turnuvaya hazırlanın ister yeni bir açılışı deneyin, olası insan tepkilerini ve gerçekçi konumsal zaafları anlamaya odaklanmak, tahta başına geçtiğinizde doğrudan işinize yarayacak sağlam bir satranç sezgisi geliştirmenizi sağlar.
Sıkça sorulan sorular
Maia Chess, Stockfish’ten daha mı güçlüdür?
Hayır, mutlak kazanma gücü açısından Maia bilerek Stockfish’ten daha zayıf tutulmuştur. Stockfish her konumda nesnel olarak en mükemmel hamleyi bulmaya odaklanır ve ikisi arasındaki bir maçı rahatlıkla kazanır. Maia’nın hedefi yenilmez olmak değil, insanların belirli derecelerde nasıl oynadığını gerçeğe en yakın şekilde yansıtmaktır.
Maia büyük gaflar ve taktik hatalar yapar mı?
Evet. Maia modelleri 1100 Elo’dan başlayan gerçek insan oyunlarıyla eğitildiği için alt seviye modeller tıpkı o derecedeki amatörler gibi taş uyumunu kaybedebilir, şah güvenliğini unutabilir ve taktik vuruşları gözden kaçırabilir.
Maia açılış kütüphanesi veya oyun sonu tabloları kullanır mı?
Milyonlarca hamlelik ezber kütüphanelere ve önceden hesaplanmış son tablolara bağımlı olan geleneksel motorların aksine Maia, hamlelerini doğrudan eğitilmiş sinir ağı üzerinden üretir ve insanların pratik deneyimlerini tahtaya aktarır.
Sıradan satranç sitelerindeki botlar neden bu kadar garip oynar?
Çoğu standart bot, büyükusta gücündeki bir motora rastgele hatalar enjekte ederek veya hesaplama derinliğini kırparak çalışır. Bu durum mükemmel hamlelerle anlamsız gafların art arda gelmesine yol açarak oyunun inandırıcılığını ve eğitici değerini yok eder.
Maia turnuva hazırlığı için uygun mudur?
Evet, insan benzeri motorların en büyük faydası tam olarak bu alanda görülür. Maia gerçek bir insan gibi oynayıp tipik amatör hataları sergilediği için onunla antrenman yapmak, oyuncuyu yüz yüze turnuvalarda karşılaşacağı gerçek insan tepkilerine ve açılış tuzaklarına çok daha iyi hazırlar.
Kaynaklar
- 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.”
Bir hata ya da kulağa tuhaf gelen bir ifade mi gördünüz? Bize yazın
