Je hebt een aantal zeer interessante punten. Ik heb een beetje ervaring met AI-onderzoek (mijn M.Sc. was op dit gebied), dus ik denk dat ik wat inzichten kan geven.

Onderzoek in het gebied

Ten eerste is er zeker onderzoek op dit gebied - het zoeken naar 'evolutionary approach chess' kwam terug met dit artikel uit 2001, waarbij vrijwel precies werd gedaan wat je had voorgesteld, waarbij de min / max aanpak en alleen het wijzigen van de evaluatiefunctie. Het is mogelijk om er nog veel meer op te graven, en ik ken verschillende mensen die in het algemeen op dit gebied werkten.

Theoretische mogelijkheden

Naar mijn mening is de enige echte beperkende factor voor het creëren van een "pure" schaakspel-AI de rekentijd. Er is absoluut geen reden waarom een ​​dergelijke AI theoretisch niet kan worden gecreëerd met de huidige benaderingen.

Praktijken

Er zijn twee hoofdproblemen bij het gebruik van evolutionaire of genetische benaderingen bij het ontwikkelen van een heuristische schaakfunctie, de eerste is dat zelfs in de meest elementaire, een heuristische functie voor schaken is enorm complex. We hebben het over honderden regels, stukwaarderingen (die kunnen verschillen op basis van positie, enz.), Positieanalyses, enz. Je hebt een flexibele computertaal nodig om deze regels te beschrijven, en dan kunnen deze regels willekeurig worden gegenereerd, gemuteerd, met elkaar gefokt, enz. Het is zeker mogelijk, maar ik vermoed dat je een set regels zou krijgen die uit enkele duizenden entiteiten bestaat. Dat is een zeer grote regelset om dynamisch te evolueren.

Het tweede probleem is dat je, om je zojuist gewijzigde regel daadwerkelijk te evalueren, een spelletje schaak moet spelen en moet zien wie er uiteindelijk wint. Als je dit "correct" wilt doen, moet je beide spelers voldoende tijd geven om na te denken, iets wat lijkt op een typische spelduur. Het spelen van slechts één tegenstander is echter niet genoeg, je zou veel verschillende tegenstanders willen spelen, en misschien zelfs dezelfde tegenstanders, vaak, voordat je er echt van overtuigd kunt zijn dat je een verbetering in spelsterkte hebt gevonden. Dit zou waarschijnlijk betekenen dat je een paar honderd spellen per persoon in je populatie moet spelen, en dat geeft je één generatie van je algoritme.

Typisch met dit soort benaderingen, zou je kijken naar ten minste enkele honderden generaties, of met zulke complexe functies als een schaakheuristiek, enkele honderdduizenden (of zelfs miljoenen) generaties. Een paar snelle rekensommen zouden u ervan moeten overtuigen dat u enkele duizenden uren CPU-tijd nodig heeft voor een enkele generatie, zelfs als u dit uit een serverfarm van aanzienlijke omvang schaalt, zult u waarschijnlijk enkele (mogelijk honderden) jaren nodig hebben om daadwerkelijk te evolueren, precies zoals je vermeldt in je update.

Aan het einde van die tijd zou je een interessant algoritme hebben dat waarschijnlijk heel veel inzichten in het spel zou hebben die nooit echt zijn ontdekt. Het is moeilijk te zeggen of ze nuttig of zelfs begrijpelijk zouden zijn voor mensen. Waarom bestaat deze regel? Omdat het meer dan duizenden spellen leek te werken.

Toekomst

Ik twijfel er niet aan dat deze benaderingen meer aan populariteit zullen winnen naarmate de rekenkracht toeneemt. Momenteel zijn we op een punt waar een machine net genoeg rekentijd heeft om (bijna alle) mensen te verslaan, als de intelligentie zorgvuldig met de hand is gemaakt. Over 20 jaar is het heel goed mogelijk dat processors zo ver zijn gegaan dat een of twee extra bewegingen in de diepte de 'hardgecodeerde' machines niet langer genoeg voordelen bieden, maar routinematig worden verslagen door geëvolueerde, vreemd intuïtieve machines die miljoenen uren evolutie achter de rug.

Update 2018 mei

Zoals Robert Kaucher in een opmerking hieronder vermeldt, verdient recent nieuws hier een vermelding. In het bijzonder lijkt het AlphaGo-project van Google de eerste echt levensvatbare op AI-gebaseerde benadering van dit soort games te zijn, en beweert eind 2017 te hebben gewonnen van StockFish 2, nadat het opnieuw was bedoeld voor de taak .

Ik vermoed dat wat je vraagt, wordt geclassificeerd als een soort genetisch algoritme of evolutionair algoritme -benadering. Ik vermoed dat er geen realistische manier is om een ​​dergelijk algoritme te ontwerpen zonder intrinsiek een zekere mate van menselijke vooringenomenheid op een fundamenteel niveau in te bedden, aangezien de programmeur nog steeds de statische kenmerken van een positie moet definiëren (materiaalaantal, pionnenstructuur, kleurcomplexen, enz.) volgens welke de AI posities van verschillende spellen zou classificeren en vergelijken. Als je op Google zoekt naar de bovenstaande algoritmische terminologie in de context van schaken, zul je talloze resultaten vinden, maar waarschijnlijk weinig serieus onderzoek dat daadwerkelijk is gebruikt om succesvolle, competitieve AI's te bouwen.

Feit is dat computers, als gevolg van de wet van Moore, nu zulke krachtige rekenmachines zijn dat extreem geavanceerde AI-methoden niet alleen overbodig zijn (in termen van spelen op een hoger niveau dan de beste menselijke tegenstanders), maar kan zelfs contraproductief zijn. Schaken is het soort spel waarin - voornamelijk vanwege de relatief kleine zoekruimte van redelijke zetten in een bepaalde positie en het bestaan ​​van gedwongen tactische combinaties (bestaande uit reeksen checks, stukken slaan, dreiging met mat of catastrofaal verlies van materiaal, etc.) - een brute-force benadering met wat conservatief snoeien in de zoekboom is tegelijkertijd de meest algoritmisch eenvoudige en de meest effectieve benadering. Als je rekening houdt met de beschikbaarheid van eindspel-tafels en openingsboeken, wordt de logica van die benadering alleen maar groter. Ik begrijp dat er nog steeds veel theoretische interesse en potentiële waarde is in het soort nieuwe AI waar je het over hebt, maar ik vermoed dat schaken de verkeerde arena is om het te ontwikkelen. Aan de andere kant is een game als Go, die van nature minder tactisch is en een veel grotere zoekruimte omvat die brute-force-benaderingen onpraktisch maakt, wellicht een betere kandidaat voor baanbrekend AI-onderzoek.

Zie de Wikipedia-pagina over Algemeen gamen. Het is een actief onderzoeksgebied. Er is een jaarlijks GGP-toernooi waarin programma's de regels van een nieuw spel krijgen, er een tijdje over nadenken en dan het spel tegen elkaar spelen.

Als je de regels van het schaken opgeeft. voor een GGP-programma, denk ik dat je zult merken dat het veel sterker speelt dan een menselijke beginner en veel zwakker dan een speciaal geschreven schaakprogramma.

In het licht van het recente opvallende succes van AlphaZero tegen Stockfish 8 is het de moeite waard deze vraag opnieuw te bekijken. Een verdere evolutie van de AlphaGo en AlphaGo Zero-programma's van DeepMind, AlphaZero eindigde met een duizelingwekkende score van +28 = 72-0 tegen een van de sterkste "traditionele" schaakengines ter wereld.

AlphaZero leerde zichzelf spelen door middel van reinforcement learning en trainde zijn neurale netwerkarchitectuur door middel van een reeks games tegen zichzelf. Volgens het begeleidende artikel:

1. De invoerfuncties die de positie beschrijven en de uitvoerfuncties die de beweging beschrijven, zijn gestructureerd als een reeks vlakken; d.w.z. de neurale netwerkarchitectuur is afgestemd op de rasterstructuur van het bord.
2. AlphaZero is voorzien van perfecte kennis van de spelregels. Deze worden gebruikt tijdens MCTS, om de posities te simuleren die het resultaat zijn van een reeks zetten, om het beëindigen van het spel te bepalen en om simulaties te scoren die een terminale status bereiken.
3. Kennis van de regels wordt ook gebruikt om de invoervlakken (dwz rokeren, herhaling, geen vooruitgang) en uitvoervlakken (hoe stukken bewegen, promoties en stukken vallen in shogi).
4. Het typische aantal legale zetten wordt gebruikt om het verkenningsgeluid te schalen ( zie hieronder).
5. Schaak- en shogi-spellen die een maximum aantal stappen overschreden (bepaald door de typische speelduur) werden beëindigd en kregen een gelijkspel toegewezen; Go-spellen werden beëindigd en gescoord volgens de Tromp-Taylor-regels, vergelijkbaar met eerder werk (29).

AlphaZero gebruikte geen enkele vorm van domeinkennis buiten de hierboven genoemde punten.

Ik weet zeker dat je vragen kunt stellen over zaken als de verschillende hardware die wordt gebruikt - " AlphaZero ... gebruikte een enkele machine met vier TPU's. Stockfish ... gespeeld op [zijn] sterkste vaardigheidsniveau met 64 threads en een hash-grootte van 1 GB. " - maar in elk geval is het resultaat van AlphaZero opmerkelijk, en heel erg in de trant van het OP.

Misschien nog meer steun onthullend voor hoe weinig domeinspecifieke kennis er in het spel was, naast het verslaan Stokvis in schaken, AlphaZero trainde ook bij shogi tot het punt van het verslaan van het kampioensprogramma Elmo, en overtrof natuurlijk ook zijn voorganger AlphaGo Zero in Go.

Hier is een van de wedstrijden tegen Stockfish, een Berlijn waarin de materiële onbalans is uiteindelijk AlphaZero met het loperpaar tegen een paard en 4 pionnen voor Stokvis na 31.Qxc7 . In die positie staan ​​alle stukken van AlphaZero op de achterste rij, met de bisschoppen weer op hun oorspronkelijke vakjes. Uiteindelijk, nadat de koninginnen loskomen, manoeuvreren de zwarte stukken langzaam om witte pionnen op te pakken, en dat zijn gordijnen.

  [fen ""] [Datum "2017.12.04"] [Witte "Stokvis" ] [Zwart "AlphaZero"] [Resultaat "0-1"] 1.e4 e5 2.Nf3 Nc6 3.Bb5 Nf6 4.d3 Lc5 5.Bxc6 dxc6 6.OO Nd7 7.Nbd2 OO 8.Qe1 f6 9.Nc4 Rf7 10.a4 Bf8 11.Kh1 Pc5 12.a5 Ne6 13.Ncxe5 fxe5 14.Nxe5 Rf6 15.Ng4 Rf7 16.Ne5 Re7 17.a6 c5 18.f4 Qe8 19.axb7 Bxb7 20.Qa5 Nd4 21.Qc3 Re6 22 .Be3 Rb6 23.Nc4 Rb4 24.b3 a5 25.Rxa5 Rxa5 26.Nxa5 Ba6 27.Bxd4 Rxd4 28.Nc4 Rd8 29.g3 h6 30.Qa5 Bc8 31.Qxc7 Bh3 32.Rg1 Rd7 33.Qe5 Qxe5 34.Nxe5 Ra7 35.Nc4 g5 36.Rc1 Bg7 37.Ne5 Ra8 38.Nf3 Bb2 39.Rb1 Bc3 40.Ng1 Bd7 41.Ne2 Bd2 42.Rd1 Be3 43.Kg2 Bg4 44.Re1 Bd2 45.Rf1 Ra2 46.h3 Bxe2 47 .Rf2 Bxf448.Rxe2 Be5 49.Rf2 Kg7 50.g4 Bd4 51.Re2 Kf6 52.e5 + Bxe5 53.Kf3 Ra1 54.Rf2 Re1 55.Kg2 + Bf4 56.c3 Rc1 57.d4 Rxc3 58.dxc5 Rxc5 59.b4 60.h4 Ke5 61.hxg5 hxg5 62.Re2 + Kf6 63.Kf2 Be5 64.Ra2 Rc4 65.Ra6 + Ke7 66.Ra5 Ke6 67.Ra6 + Bd6 0-1  

Ik denk dat de belangrijkste reden waarom het moeilijk is om zo'n AI te produceren, is vanwege de benodigde ruimte voor het opslaan van de "training" om effectief te zijn.

Ook (als reactie op je opmerking over zelfstudie) kan zelftraining nadelig zijn als je probeert een dergelijke AI te verbeteren - ik heb wat onderzoek gedaan met boter-kaas-en-eieren (weliswaar veel eenvoudiger ), en het vond allerlei vreselijke manieren om te winnen (en die vreselijke manieren te trainen) omdat beide partijen vreselijk speelden. Het duurde veel langer om redelijke prestaties te krijgen met zelftraining dan trainen tegen een goed vooruitkijkende AI in boter-kaas-en-eieren.

Ik denk echter dat het interessant zou zijn om een ​​hybride te zien die gebruikmaakt van zowel diep zoeken als "training" - een soort opgeslagen database met posities voor middenspel (in plaats van alleen eindspel en openingen). Het zou veel ruimte nodig hebben.

Misschien denk je aan een meer "echte" AI-benadering die positionele concepten leert in plaats van positiewinst / verlies / gelijkspel, maar ik denk niet dat dat zou gebeuren zeer effectief zijn (in vergelijking met sterke motoren).

Ik wil de antwoorden van Greg en Wes hier even toelichten. Het soort AI dat thb voorstelt, bestaat simpelweg niet met de verfijning die vereist is voor deze toepassing. En zelfs als ze dat zouden doen, vermoed ik dat ze hierin zouden falen. Het is alsof ze een sterke AI voor algemeen gebruik willen die de basisregels van het spel kan worden geleerd en vervolgens kan worden uitgezonden. Maar als je kijkt naar de AI's voor algemene doeleinden die in ontwikkeling zijn, krijgen ze allemaal dingen als object- en spraakherkenning onderwezen op het niveau van 1 tot 2 jaar oud. Elke AI voor algemene doeleinden zou eerst de verfijning moeten hebben om te kunnen begrijpen wat een game is, voordat hij zou kunnen begrijpen hoe een game moet worden gespeeld. Je kunt geen AI voor algemeen gebruik ontwerpen en verwachten dat deze presteert als een beperkte of gespecialiseerde AI. Een AI voor algemene doeleinden zou moeten worden geleerd schaken als een persoon en je kunt niet verwachten dat je twee beginnende spelers zonder kennis van de schaakgeschiedenis samenbrengt en spontaan openingen en strategische thema's opnieuw uitvindt. Er zouden vele honderden keren nodig zijn dat de AI elkaar zou spelen, elk met toegang tot de historische gegevens van al hun spellen gedurende vele honderdduizenden iteraties. En elke AI zou bepaalde specifieke kenmerken moeten hebben die op verschillende niveaus gewogen moeten worden.

Het kostte mensen bijna 500 jaar om van Rodrigo (Ruy) López de Segura en Pedro Damião naar Paul Morphy te komen en vervolgens de verdere veranderingen die plaatsvonden tussen het toneelstuk van Steinitz en Alekhine. En al die verandering vond plaats door de dynamiek van vele honderdduizenden spelers met verschillende temperamenten en andere beïnvloedende kenmerken (zoals het willekeurig bevoordelen van ridders boven bisschoppen of bisschoppen boven ridders) om nog maar te zwijgen van speelstijlen en modes. Al deze dingen hebben bijgedragen aan de dynamo van verandering die het schaken door de eeuwen heen heeft beïnvloed. Geen enkele zwakke AI - zelfs een zwakke AI voor algemeen gebruik - zou dat soort dynamo kunnen dupliceren omdat het verlangen ontbreekt. Alleen het verlangen kan ervoor zorgen dat iets gedurende vele dagen urenlang blijft zitten om een ​​opening te analyseren met de intentie om hem kapot te maken of te verbeteren nadat een rivaal hem heeft "kapotgemaakt". Het is echt dit soort drive voor analyse en voorbereiding dat het spel door de eeuwen heen verbeterde - niet het blind spelen van miljoenen spellen tussen even zwakke spelers.

Het is alsof je een stel mensen meeneemt die geen Engels spreken en die nooit de meesters in literatuur van hun moedertaal lezen en ze in een kamer plaatsen met boeken Engels als tweede taal en verwachten dat ze iets bedenken zoals de werken van Shakespeare. Het zal nooit gebeuren.

BEWERKEN : ik had beter moeten weten dan deze bewering te maken, want het is gebeurd.

"AlphaZero heeft het spel niet in de traditionele zin" geleerd "", legt Chess.com uit. 'Dat betekent geen openingsboek, geen eindspel-tafels en blijkbaar geen ingewikkelde algoritmen die minieme verschillen tussen middenpionnen en zijpionnen ontleden. Dit zou vergelijkbaar zijn met het feit dat een robot toegang krijgt tot duizenden metalen stukjes en onderdelen, maar geen kennis heeft van een verbrandingsmotor, en vervolgens talloze keren experimenteert met elke mogelijke combinatie totdat hij een Ferrari bouwt. … Het programma had vier uur om zichzelf vele, vele keren te spelen, waardoor het zijn eigen leraar werd. ”

Mijn voortdurende, duidelijk ongegronde blather:

We nemen het als vanzelfsprekend alle impliciete kennis die we hebben over de wereld. Om te kunnen begrijpen dat als ik stukken hout en een spijker heb, een hamer voor mij nuttiger is dan een schroevendraaier, moet ik eerst begrijpen dat bepaalde klassen van dingen in bepaalde situaties nuttiger zijn dan andere dingen. Ik moet ook begrijpen dat dingen een nut hebben dat op een doel kan worden toegepast. Dit zijn heuristieken. Als de AI niet kan worden verteld dat bepaalde stukken meer waarde hebben dan andere, hoe kan het dan überhaupt begrijpen wat mat is? Als het niet kan worden geprogrammeerd met specifieke heuristieken, moet het in staat zijn om deze ideeën zoals "waarde" en "nut" vormervaring te extrapoleren. En dat is niet het domein van narrow AI. Het is het domein van algemene, sterke AI.

Mediteer alstublieft over de volgende AI Koan:

In de dagen dat Sussman een beginner was, kwam Minsky eens naar hem toe terwijl hij zat te hacken op de PDP-6. “Wat ben je aan het doen?”, Vroeg Minsky. "Ik train een willekeurig bedraad neuraal net om Tic-Tac-Toe te spelen", antwoordde Sussman. “Waarom is het net willekeurig bedraad?”, Vroeg Minsky. "Ik wil niet dat het enige vooroordelen heeft over hoe te spelen", zei Sussman. Minsky sloot toen zijn ogen. “Waarom sluit je je ogen?”, Vroeg Sussman aan zijn leraar. "Zodat de kamer leeg zal zijn." Op dat moment was Sussman verlicht.

Onze applicaties hebben altijd vooroordelen, of je nu je ogen sluit of niet ...

Heeft iemand ooit een schaakprogramma geschreven dat wel zijn eigen inzichten heeft? Dat leert het spel op zichzelf? Dat traint zichzelf?

Ja. Bekijk de schaakengine Giraffe, geschreven door Matthew Lai. Hij schreef de schaakengine als onderdeel van zijn onderzoek naar kunstmatige intelligentie voor een master in computerwetenschappen.

Hierover was vorig jaar veel discussie op het schaakprogrammeerforum TalkChess. Ik weet het omdat ik een schaakmachine-auteur ben wiens motor ongeveer zo sterk is als Giraffe. Ik heb mijn engine echter geïmplementeerd met behulp van traditionele technieken, terwijl de auteur van Giraffe zijn engine heeft getraind met behulp van "temporeel verschil versterkend leren met diepe neurale netwerken." Matthew moest nog steeds de traditionele alfa / bèta-zoekactie implementeren om dynamisch een positie te evalueren, met andere woorden, om veel zetten vooruit te kijken. Zijn innovatie is het trainen van de motor om een ​​ statische positie te beoordelen. Ter vergelijking: ik schreef specifieke kennis in de statische evaluatieroutine van mijn engine.

Ik schreef code om evaluatieparameters af te stemmen met behulp van een deeltjeszwermalgoritme (zie de pagina Bedankt op mijn blog voor links tot technische discussie) die positieve resultaten opleverden - een sterkere motor. Dit was echter niet de taak om de engine aan het "leren" te krijgen, maar het minimaliseren van fouten in een extreem grote ruimte van evaluatieparameters (de volgorde van 10 ^ 150 discrete parametercombinaties).

Matthew bespreekt zijn proefschrift op het TalkChess-forum. Hij werkt nu voor Google op DeepMind, als ik het me goed herinner.

Bekijk ook de blog van Thomas Petzke. Hij heeft een extreem sterke schaakengine geschreven, iCE, en heeft genetische algoritmen gebruikt om de statische evaluatie van de motor te verbeteren. Bekijk zijn posts uit 2013 en eerder, zoals Population Based Incremental Learning.

Een Google-zoekopdracht zoals deze kan resultaten opleveren zoals deze.

Ik denk vooral dat je dit document. Ze geven hun engine enkele initiële gegevens, zoals stukwaarden, dus het is niet precies wat je vraagt, maar het presteerde redelijk goed.

Het is mogelijk met machine learning.

Het openen van boeken met schaakmachines maakt gebruik van machine learning. De engine test openingsregels in het boek door ze af te spelen, als een regel beter scoort door een andere te vergelijken, promoot het die regel in de openingsboom. Na verloop van tijd leert de betere regels.

Nadat de openingsfase is beëindigd, stopt de engine met het gebruik van het boek en begint de evaluatiefunctie te gebruiken.

Hoe implementeer je een zelflerende engine met behulp van machine learning?

Stel je een engine voor die een boek gebruikt zonder evaluatiefunctie. En het boek is aanvankelijk leeg. Engine heeft dus geen kennis van schaken.

Engine begint te spelen met dit lege boek en sluit het boek pas aan het einde van het spel. We kunnen het zien als een gewone engine die tot het einde van het spel een openingsboek gebruikt.

Na verloop van tijd zou de engine statistisch gezien de beste voortzettingen vinden, aangezien slechte lijnen na verloop van tijd slechter zullen scoren. Maar er moeten natuurlijk veel spellen worden gespeeld om een ​​goed boek te krijgen. Ik weet niet hoeveel, maar zoveel als we kunnen zeggen onpraktisch.

Update december 2017 : Nou, ik denk dat Alpha Zero mij ongelijk heeft bewezen door zichzelf sterk genoeg te trainen om versla een van de sterkste motoren, Stockfish, met een praktisch aantal spellen.

Wat je ook probeert op dit gebied, lees eerst het verhaal van Turry hier: http://waitbutwhy.com/2015/01/art Artificial-intelligence-revolution-2.html

TL; DR; spoilerversie per verzoek:

In Turry's verhaal moet Turry's zelf-training AI mooie handgeschreven notities schrijven en uiteindelijk worden mensen weggegooid omdat ze zijn niet nodig om het ogenschijnlijk onschuldige doel van het schrijven van mooie handgeschreven notities te bereiken. De analogie is dat een zelfgetrainde schaakmotor met AI hoogstwaarschijnlijk ook van mensen af ​​zal komen, omdat ze niet nodig zijn om het ogenschijnlijk onschuldige doel van het verbeteren van schaakvaardigheden te verbeteren.

En er is AlphaZero. Vier een hele nieuwe generatie schaakmachines

Het gebruik van antropomorfe terminologie bij het omgaan met computersystemen is een symptoom van professionele onvolwassenheid

Van Hoe vertellen we waarheden die pijn kunnen doen? door Edsger W. Dijkstra vat vrijwel de verkeerde veronderstelling samen die aan uw vraag ten grondslag ligt. Kunstmatige intelligentie is misschien kunstmatig, maar het is geen intelligentie in de menselijke zin.

In de Reith Lectures uit 1984 voor de BBC legt de Amerikaanse filosoof John Searle precies uit wat er mis is met harde AI. . De "te lang, niet geluisterd" samenvatting van zijn betoog is "Syntaxis is geen semantiek", maar ik zou je niettemin willen aanmoedigen om in ieder geval te luisteren naar lezing 2 "Beer Cans & Meat Machines".

Als je eenmaal begrijpt wat Dijkstra en Searle meer dan 30 jaar geleden zeiden, zul je herkennen wat er mis is met je vragen:

Heeft iemand ooit een schaakprogramma geschreven? die wel eigen inzichten heeft? Dat leert het spel vanzelf?

Mensen hebben "inzichten" en kunnen leren. Computers kunnen dat niet. Uw dorp van primitieve mensen heeft door de eeuwen heen de theorie van het openen van schaken kunnen reproduceren, maar computers niet.

Dit antwoord wordt vier jaar na de vraag gegeven door de vragensteller van de oorspronkelijke vraag. Het vervangt of vervangt de eerder gegeven antwoorden niet, want de meeste eerdere antwoorden zijn interessanter dan deze. Dit antwoord zou echter wat extra context kunnen toevoegen.

Voor zover ik kan nagaan, lijkt het meeste AI-onderzoek impliciet de premisse te aanvaarden dat gedachte en rede uitsluitend materiële verschijnselen waren, of in ieder geval dat de resultaten niet te onderscheiden zijn van gedachten en rede moet noodzakelijkerwijs haalbaar zijn door uitsluitend materiële processen. Ik betwist het uitgangspunt niet (en promoot het hier trouwens ook niet). Ik merk alleen op dat het als een premisse lijkt te zijn.

En tenslotte, hoe zou dit bij AI-onderzoek geen premisse moeten zijn? AI-onderzoekers moeten materiële processen doorlopen, of ze dat nu willen of niet.

De scholieren van de realistische filosofie, terug via Duns Scotus, St. Thomas, Aristoteles en Plato, hebben veel te zeggen over de theory of mind. Representationalisten zoals Kant hadden nogal verschillende dingen te zeggen. AI-onderzoek staat waarschijnlijk dichter bij Kant, maar dit maakt de scholieren niet verkeerd.

Toegegeven, er is een God-van-de-hiaten bezwaar dat op dit punt naar voren komt in gesprekken van de huidige soort, maar een professionele filosoof zou je vertellen dat de God van -the-gaps-bezwaar valt een stroman aan, dat dit bezwaar alleen nuttig is tegen personen die geen filosofie hebben gestudeerd en dus niet weten waar ze het over hebben. Volgens Aristoteles is het een formeel en definitief oorzakelijk verband dat betrokken zou kunnen zijn bij de kwestie van de zelfgetrainde schaak-AI. Maar in Aristotelische termen werkt de AI-onderzoeker puur met materiaal en vooral met efficiënte causaliteit (behalve misschien schuin, voor zover menselijke trainers persoonlijk formele en laatste elementen in het systeem brengen ). Als de reden formeel is, als de gedachte definitief is, als Searle's Chinese kamer een ontologische onmogelijkheid blijkt te zijn (wat het ook zou kunnen), dan kan het zijn dat een puur zelfgetrainde schaak-AI dat zelfs in theorie niet kan zijn. bereikt.

Ik vermoed dat een puur zelfgetrainde schaak-AI inderdaad kan worden bereikt, en zal zijn - dat, in Aristotleïsche termen, deze vraag adequaat zal blijken te zijn met het oog op louter efficiënte causaliteit. Ik sta in het algemeen sceptischer tegenover sterke AI, maar dit moet in de ervaring worden bewezen, nietwaar? Niemand weet het echt.

De filosofie van causaliteit en geest is subtiel en wordt door weinigen begrepen (en waarschijnlijk door weinigen, zelfs onder AI-onderzoekers, die meer praktische mannen zijn). Als je zo'n filosofie wilt leren, is het de moeite waard om te leren; maar houd er rekening mee dat het op internet en zelfs vaak in gedrukte vorm buitengewoon gemakkelijk is om misleidende verklaringen te vinden die gebaseerd zijn op onontgonnen misverstanden. Voor mijn geld is Edward Feser de beste inleidende leraar die vandaag over dit onderwerp schrijft, wiens boeken tegen redelijke prijzen in druk blijven. Je kunt veel meer van hem leren.

Men betwijfelt echter of zelfs Dr. Feser een gezaghebbend antwoord op de huidige vraag zou wagen! Het antwoord moet nog worden bewezen in de laboratoria van AI.

Ik wil dat ze de code vrijgeven, dan kunnen we praten. Het is niet zo eenvoudig om schaken op te lossen, Alpha zal het zelfs niet binnen een halve eeuw oplossen. Grappig genoeg speelt het nog steeds 1.d4. Waarom? Omdat het is getraind in menselijke spellen en de menselijke theorie de hoogste prestaties levert voor 1.d4. Het arme ding weet niet 1 ... c5 krijgt remise in precies 8 zetten. Nu willen ze dat ik geloof dat Alpha geen gesimuleerd openingsboek heeft gebruikt ... Ze zeggen dat Alpha de openingen geweldig speelde. Ja, op enkele uitzonderingen na. 1.d4 spreekt zeker niet goed over het niveau van intelligentie dat het programma heeft bereikt. Gelukkig is SF nog zwakker in de openingsfase. :)