علم محرر Downcodes أن أحدث أبحاث DeepMind تستخدم نموذج Transformer واسع النطاق لتحقيق تقدم كبير في مجال الشطرنج. قام الباحثون ببناء مجموعة بيانات ChessBench تحتوي على عشرات الملايين من سجلات الألعاب البشرية ودربوا نموذج Transformer مع ما يصل إلى 270 مليون معلمة، بهدف استكشاف قدراته في مشاكل التخطيط المعقدة. وقد جذبت نتيجة البحث هذه اهتمامًا واسع النطاق من مجتمع الذكاء الاصطناعي وقدمت اتجاهًا ومعيارًا جديدًا للبحث حول قدرات تخطيط الذكاء الاصطناعي.
في الآونة الأخيرة، أثارت ورقة بحثية لشركة DeepMind حول تطبيق المحولات واسعة النطاق في مجال الشطرنج مناقشات واسعة النطاق في مجتمع الذكاء الاصطناعي. استخدم الباحثون مجموعة بيانات جديدة تسمى ChessBench لتدريب نموذج Transformer مع ما يصل إلى 270 مليون معلمة لاستكشاف قدراته في مشاكل التخطيط المعقدة مثل الشطرنج.
تحتوي مجموعة بيانات ChessBench على 10 ملايين سجل ألعاب بشرية تم جمعها من منصة Lichess، ويتم شرح ألعاب الشطرنج باستخدام أفضل محرك للشطرنج Stockfish16، مما يوفر ما يصل إلى 15 مليار نقطة بيانات، بما في ذلك معدل الفوز وأفضل حركة لكل حالة لعبة شطرنج. وتقييم جميع التحركات القانونية.
استخدم الباحثون أساليب التعلم الخاضعة للإشراف لتدريب نموذج المحولات للتنبؤ بقيمة كل حركة قانونية في حالة لعبة معينة. تظهر النتائج التجريبية أنه حتى بدون استخدام أي خوارزمية بحث صريحة، يمكن للنموذج الأكبر إجراء تنبؤات دقيقة إلى حد ما في حالات لعبة الشطرنج الجديدة، مما يدل على قدرات تعميمية قوية.
والمثير للدهشة أنه عندما لعب النموذج شطرنجًا سريعًا ضد لاعبين بشريين على منصة Lichess، حصل على تصنيف Elo قدره 2895، ليصل إلى مستوى أستاذ الشطرنج.
كما قارن الباحثون النموذج بمحركات الشطرنج المدربة على التعلم المعزز واللعب الذاتي مثل Leela Chess Zero وAlphaZero. تظهر النتائج أنه على الرغم من إمكانية تحسين نسخة تقريبية من خوارزمية بحث Stockfish في نموذج Transformer من خلال التعلم الخاضع للإشراف، إلا أنه لا تزال هناك تحديات في تحقيق التحسين المثالي.
يوضح هذا البحث أن نموذج المحولات واسع النطاق يتمتع بإمكانيات كبيرة في حل مشكلات التخطيط المعقدة، كما يوفر أفكارًا جديدة لتطوير خوارزميات الذكاء الاصطناعي المستقبلية. سيوفر إصدار مجموعة بيانات ChessBench أيضًا منصة معيارية جديدة للباحثين لاستكشاف قدرات التخطيط للذكاء الاصطناعي.
لا تظهر نتائج أبحاث DeepMind قوة نموذج Transformer في مجال الشطرنج فحسب، بل توفر أيضًا قيمة مرجعية مهمة لتطبيقات الذكاء الاصطناعي المستقبلية في المجالات الأكثر تعقيدًا. يمثل هذا خطوة كبيرة أخرى للأمام بالنسبة للذكاء الاصطناعي في مجال الألعاب الإستراتيجية المعقدة ويستحق الاهتمام المستمر.