Google DeepMind，无需搜索即可达到国际象棋大师水平

Google DeepMind的GitHub存储库“searchless_chess”提出了一种突破性的方法，可以在不使用传统搜索算法的情况下玩强大的国际象棋。该项目通过在一个包含来自Stockfish 16引擎的动作值注释的1000万个国际象棋游戏的大型数据集上训练一个拥有270M参数的变压器模型，与传统方法有所不同。该模型的表现令人瞩目，达到了Lichess闪电赛的2895分，并且能够解决复杂的国际象棋难题，而无需进行领域特定的调整或明确的搜索技术。这项工作挑战了国际象棋人工智能中对搜索的传统依赖，表明训练规模足够大可以实现强大的性能。它还在不使用蒙特卡洛树搜索（MCTS）的情况下，超越了AlphaZero和GPT-3.5-turbo-instruct的策略和价值网络。对于国际象棋爱好者和人工智能研究人员，这个存储库不仅提供了一种新颖的国际象棋模型，还提供了全面的资源，可用于复制和进一步探索，包括数据集、预训练模型以及安装和使用的详尽指南。- 该存储库提供了一个实现大师级别国际象棋的方法，无需搜索。 - 通过监督学习，使用了一个拥有2.7亿个参数的Transformer模型，训练了一个包含1000万个国际象棋游戏的数据集。 - 最大模型在Lichess闪电赛中的Elo达到了2895，成功解决了一系列具有挑战性的国际象棋难题。 - 该模型优于AlphaZero的策略和价值网络以及GPT-3.5-turbo-instruct。 - 强大的国际象棋性能需要足够大规模的模型和数据集。 - 进行了设计选择和超参数的消融实验来验证结果。 - 安装和使用说明可以在GitHub页面找到。