肯定有一些我們不知道的策略。但是，訓練您的引擎專門針對我們所知的相反並不是達到目標的方法。例如，如果您的一件武器受到威脅，您將怎麼辦？我們目前的知識是說不要無緣無故地放棄它，所以您的AI會因此決定放棄它（因為從技術上講在數學上可能會有30至40條隱藏的想法走下去嗎？）。您可以通過隨機移動來做得更好。

解鎖隱藏策略的更好方法是採用更自下而上的方法。例如，AlphaZero僅使用遊戲規則進行指導即可自主學習（而無需人的知識）。由此，我們看到了一種基本上未知的新型演奏方式。但是，嘗試獲得這種新的遊戲風格並不是主要目標。

基本上，無視人類知識是可以的，但是積極地訓練AI來與這種知識相反地學習是不好的。在這裡，您只是在交易一個已建立的知識庫，而在這個知識庫中卻要窮得多。

原則上，這很容易。獲取一個擁有1000萬場人類游戲的數據庫，使用國際象棋程序（Lc0或Stockfish）對位置進行重新評分，然後訓練一個神經網絡以優先考慮得分的組合，而不選擇人類選擇的動作。一旦獲得了數據，就可以在GPU的幾週內完成此操作，並且應該可以產生出動作相對怪異的計算機，並且可能具有超人的力量。

我正在考慮一個項目，該項目涉及訓練AI來下棋，但是具有損失功能，該功能會阻止該位置的常見移動-即，執行效果非常好但與人類盡可能不同的棋引擎。 / p>

當然，可以對AI（甚至沒有智能的普通計算機）進行編程，以針對每個位置播放最不受歡迎的動作。但是，它也是世界上性能最差的發動機。完全的初學者會喜歡與之對抗，因為他們會贏得很多比賽。提供最佳效果的動作。這些舉動越廣為人知。導致快速損失的真正不好的舉動往往最少。

這個結論需要人性的知識，而很少或沒有國際象棋知識。

是

但是只有實際的實驗才能告訴我們AlphaZero是否留下了未開發的有意義的棋空間。與所有遊戲一樣，國際象棋可以歸結為兩個基本組成部分：

1. 探索可能動作的空間
2. 評估每個此類動作的“優點”

AlphaZero使用一種名為“蒙特卡羅樹搜索”的技術執行1，並使用深度卷積神經網絡執行2。鮑勃是你的叔叔！好的，這是一個過分的簡化，但是讓我簡要地解釋一下每個遊戲的工作原理。

搜索

遊戲具有一組狀態和一組在狀態之間轉換的動作。由於它們通常只有一個開始狀態，並且為了簡單起見，我們通常將此狀態集建模為樹（而不是圖）。 “向前看”只是意味著遍歷“遊戲樹”。對於像國際象棋這樣的具有高分支因子的遊戲，您只能在少數幾個層中得到大量的狀態，所以要花盡可能多的工作來避免盡可能多的狀態節點（通過嘗試識別明顯的失敗者並以此為依據）路徑或優先遵循強路徑）。 MCTS通過“深入”遊戲中的特定動作來擴大深度。由於可以執行此計算上昂貴的操作的移動次數有限，因此僅對可能移動的隨機子集執行此操作。但是，選擇的子集沒有均勻分佈。您可以通過任何喜歡的啟發式方法來權衡所探索的動作。

評估

如果您正在查看獲胜狀態，則可以輕鬆進行評估。如果您不考慮獲胜狀態，則必須確定它是“好”還是“壞”。這就是神經網絡的用武之地。在您做出舉動之後，很難判斷舉動會對您的獲勝潛力產生正面還是負面的影響。但是在遊戲結束後確定要容易得多。因此，當遊戲結束時，您現在將獲得該遊戲中所有棋盤狀態的贏/輸信號。現在，這是微不足道的訓練輸入，用於確定每個板狀態對您來說是“好”還是“壞”，並且您可以通過神經網絡向後傳播該信號，從而為每個板狀態提供“好/壞”信號。這是AlphaZero的“深度學習”部分。

因為這是AlphaZero的有狀態部分，所以您也可以說這是“知識”所在的位置，儘管它是相當抽象的形式，但並不是

Bias

如果我們假設AlphaZero通過在MCTS期間做出統一的隨機選擇開始，那麼可以說它探索國際象棋空間而沒有任何特別的偏見。 DCNN可能會通知MCTS層，從而使其遵循“好”路徑而不是“壞”路徑，但是從我的讀物來看，它更喜歡遵循“未知”路徑而不是“已知”路徑。基本上，AlphaZero會使用每個遊戲來增加對國際象棋的了解，而不僅僅是試圖贏得當前的遊戲。因為它著重於覆蓋空間而不是僅僅貪婪地遵循最有希望的道路，所以它比具有無狀態搜索算法的象棋引擎學習得要廣泛得多，後者必須盡可能經濟地使用其搜索週期。

出於這個原因，應該懷疑AlphaZero不會在其曲目中留下很多有希望的途徑。而且，正如其他人所指出的那樣，它的風格已經與大多數大師級作品完全不同，並且繼續向我們傳授新事物。即便如此，AlphaZero設計中仍然有自由參數，您可以對其進行調整以提取不同的結果。

策略

如果要創建“最陌生的AlphaZero”，則可以接受基本架構，然後在人類游戲中進行訓練。但是，此培訓將建立一個稱為“人類預測器”的輔助網絡。惠普網絡的目標只是為了預測某個人在特定的董事會狀態下最有可能做出的動作。

現在，當您執行MCTS階段時，而不是喜歡“我的避風港” ”，您更喜歡“人類不會做的動作”，其餘的與“ AlphaZero”相同。這基本上應該實現您想要的。我的猜測是，在AZ已經以外星人風格打球的地區，該遊戲最終看起來與AlphaZero十分相似，而在AZ與“人類風格”重疊更多的遊戲中，該遊戲將不如AZ。

原因應該很明顯：AZ對它進行的動作沒有限制。當它與人類的遊戲方式有所不同時，不是因為要嘗試。這是因為通過詳盡的試驗和錯誤發現，這些舉動好得多。而且不僅對人類更好，甚至對自身也更好！通過使用上述HP模塊對對手在MCTS階段可能做出的反向移動進行建模，可以訓練AZ更有效地擊敗人類。這種經過修改的可用區可能會發現“純”可用區過於保守，因為它給人類對手帶來了太多榮譽。

也可以通過在MCTS階段簡單地使用Stockfish本身提供反動來訓練“ Stockfish killer”變種。您將需要在學習階段嚴格執行此操作，因為在現場比賽中您將沒有計算能力來執行此操作，但是有效地，DCNN會學習專門與Stockfish而不是AZ對抗，並且跳過任何反擊。發揮不同引擎可能提供的功能。然後，在錦標賽中，由於DCNN已經捕獲了Stockfish的本質並將其塞入瓶中，因此MCTS可以恢復為標準算法。

無論如何，這聽起來像是一個有趣的實驗。祝你好運！

問題是，對誰同樣有效？您是正確的，當引擎與引擎對戰時，往往會出現“最佳”或“接近最佳”的移動。而且，當大師參加長時間的控制遊戲時，他們的動作通常類似於引擎的動作。但是，當與低級人類比賽時，甚至與通用汽車在快速時間控制方面的比賽中，比賽都有更大的靈活性。人腦不可能計算出所有可能的變化，因此您可以“擺脫”並不一定總是發揮技術上的最佳動作。

因此，通常不必假設您的對手是3500級國際象棋引擎。與人類對抗時，您可以採用多種風格進行遊戲，假設他們可能錯過某些東西，從而使您獲得優勢。這可以採取許多不同的形式：

• 非常規的開口：避免他們的開口準備，不要在舒適區域內玩東西。

• 玩“陷阱”：讓對手有機會抓住最終導致虧損或頭寸下降的材料。

• 時間壓力：拒絕交易並保持頭寸非常複雜迫使他們計算並消耗其時鐘。如果他們滑倒，遊戲就結束了。