Schaakengine: hoe computers het oudste denkspel veroverden
Een schaakengine is een computerprogramma dat schaakzetten berekent en voorstelt of speelt, vaak op een niveau dat ver boven dat van de sterkste menselijke grootmeesters ligt. Het programma kijkt niet naar het bord zoals een mens dat doet, met intuïtie en ervaring, maar rekent talloze mogelijke zettenreeksen door en kent daar een cijfer aan toe: hoe gunstig is deze stelling voor wit of zwart?
Een handige vergelijking: stel je een enorme doolhof voor met miljarden vertakkingen, waarbij elke afslag een mogelijke zet is. Een schaakengine loopt in gedachten razendsnel duizenden van die paden af, schat in welk pad het beste uitzicht geeft, en kiest dan de afslag die daar het dichtst bij in de buurt komt. Bekende voorbeelden zijn Stockfish, dat gratis en open source is, en AlphaZero, het project van het Britse AI-bedrijf DeepMind dat in 2017 wereldnieuws maakte door zichzelf schaken te leren zonder ooit een menselijke partij te bestuderen.
Wat is het precies?
Een schaakengine bestaat grofweg uit twee onderdelen: een zoekalgoritme en een evaluatiefunctie. Het zoekalgoritme verkent de boom van mogelijke zetten vanaf de huidige stelling. Omdat die boom astronomisch groot is (na slechts vier zetten zijn er al meer dan 300 miljoen mogelijke stellingen), kan een engine onmogelijk alles bekijken. Daarom gebruikt het technieken als alpha-bèta-snoeien: takken van de zettenboom die duidelijk slechter zijn dan een reeds gevonden alternatief, worden simpelweg niet verder onderzocht. Dat scheelt enorm veel rekenwerk.
De evaluatiefunctie geeft aan het einde van elke onderzochte lijn een cijfer aan de stelling: staat wit beter, zwart, of is het ongeveer gelijk? Klassieke engines deden dit met handmatig geprogrammeerde regels, bijvoorbeeld 'een pion is één punt waard, een loper drie, controle over het centrum is gunstig'. Moderne engines zoals Stockfish gebruiken sinds 2020 een techniek genaamd NNUE (Efficiently Updatable Neural Network), een klein neuraal netwerk dat razendsnel op een gewone processor kan draaien en de stelling nauwkeuriger inschat dan de oude handgeschreven regels.
AlphaZero en zijn opvolger Leela Chess Zero werken fundamenteel anders. In plaats van diepe, uitputtende zoektochten te combineren met simpele regels, gebruiken zij een groot neuraal netwerk dat via zelflerend spelen (het speelt miljoenen partijen tegen zichzelf) leert welke zetten goed aanvoelen. Dit wordt gecombineerd met Monte Carlo Tree Search, een zoekmethode die selectiever is dan de klassieke aanpak: in plaats van breed te zoeken, verdiept het zich vooral in de zetten die het netwerk veelbelovend vindt.
Wat wil men ermee bereiken?
De oorspronkelijke drijfveer achter schaakengines was wetenschappelijk: kunnen machines een taak uitvoeren die als toppunt van menselijke intelligentie gold? Schaken werd decennialang gebruikt als benchmark voor kunstmatige intelligentie, omdat het strategisch denken, vooruitplannen en patroonherkenning vereist.
Inmiddels is het doel breder geworden. Schaakengines worden gebruikt om spelers te trainen: amateurs en professionals analyseren hun partijen met een engine om fouten te ontdekken die ze zelf niet zagen. Ze worden ook ingezet om schaakcommentatoren en kijkers tijdens toernooien te voorzien van live-inschattingen ('wit staat nu 0,8 pion beter'). Daarnaast dienen schaakprojecten als DeepMind's AlphaZero als proeftuin voor bredere AI-technieken: dezelfde aanpak (zelflerend spelen zonder menselijke voorbeelddata) is later toegepast op games als Go en shogi, en de onderliggende ideeën beïnvloeden onderzoek naar reinforcement learning in andere domeinen.
Een minder voor de hand liggend doel is het bewaken van de integriteit van het spel zelf. Omdat engines zo sterk zijn geworden, is stiekem gebruik ervan tijdens partijen (via een telefoon of ingebouwd apparaat) een reëel fraudeprobleem geworden. Dit heeft geleid tot onderzoek naar detectiemethoden die juist proberen te herkennen of een menselijke speler ongewoon 'machinaal' precies speelt.
Voorbeelden uit de praktijk
Deep Blue versus Garry Kasparov (1997): IBM's Deep Blue versloeg destijds wereldkampioen Garry Kasparov in een zes partijen tellende match, de eerste keer dat een computer een regerend wereldkampioen versloeg onder officiële tornooiomstandigheden. Deep Blue werkte met gespecialiseerde chips en pure brute-force zoekkracht, zonder enige vorm van zelflerend vermogen.
Stockfish: dit open source project, gestart in 2008 door Tord Romstad, Marco Costalba en Joona Kiiski, is uitgegroeid tot de sterkste vrij beschikbare schaakengine ter wereld. Honderden vrijwillige ontwikkelaars dragen bij via een gedistribueerd testsysteem (Fishtest) waarin voorgestelde verbeteringen tegen elkaar worden getest op duizenden computers wereldwijd.
AlphaZero (DeepMind, 2017): dit systeem leerde binnen 24 uur zelflerend schaken, zonder menselijke partijen als voorbeeld, en versloeg vervolgens de toenmalige topengine Stockfish in een testmatch. Het onderzoek werd gepubliceerd in het tijdschrift Science en wordt gezien als een mijlpaal in reinforcement learning.
Leela Chess Zero (2018-heden): een open source project geïnspireerd op AlphaZero's aanpak, waarbij vrijwilligers via gedistribueerd computergebruik meehelpen het neurale netwerk te trainen. Leela concurreert inmiddels op ongeveer gelijk niveau met Stockfish in computerschaaktoernooien.
Play Magnus / chess.com-engines: commerciële partijen zoals chess.com bieden trainingsengines aan die bewust op verschillende sterktes zijn ingesteld, of zelfs de speelstijl van bekende grootmeesters nabootsen, zodat amateurs tegen 'Magnus Carlsen op zijn tiende' kunnen spelen.
Hoe ver is de techniek?
Op het gebied van pure speelsterkte is de ontwikkeling grotendeels voltooid: de beste engines spelen al jaren ruim boven het niveau van de sterkste mensen, en die kloof wordt eerder groter dan kleiner. Voor menselijke topspelers heeft dit een competitief plafond bereikt; verdere verbeteringen in engines zijn vooral relevant voor onderzoekers en ontwikkelaars zelf, niet voor de dagelijkse schaakpraktijk.
Het huidige ontwikkeltempo focust zich op efficiëntie: hoeveel rekenkracht (en dus energie) is nodig om een bepaald niveau te bereiken? Stockfish's overstap naar NNUE-netwerken in 2020 was hierin een belangrijke stap, omdat het neurale-netwerktechnieken combineerde met de snelheid van klassieke zoekalgoritmes, draaiend op gewone processors in plaats van dure gespecialiseerde hardware.
Een belangrijk openstaand obstakel is uitlegbaarheid: engines geven een cijfer en een voorgestelde zet, maar 'waarom' een neuraal netwerk een zet goed vindt, is voor mensen vaak moeilijk te doorgronden. Dit bemoeilijkt het gebruik van engines als leermiddel, omdat spelers wel zien wát de beste zet is, maar niet altijd waarom. Onderzoekers werken aan methoden om engine-analyses beter te vertalen naar menselijk begrijpelijke uitleg, maar dit blijft een lastig probleem.
Wie werken eraan?
Het veld wordt gedomineerd door een mix van open source gemeenschappen en grote techbedrijven. Stockfish en Leela Chess Zero worden onderhouden door wereldwijde vrijwilligersgemeenschappen, met bijdragen van programmeurs uit onder meer Noorwegen, Duitsland, Nederland en de Verenigde Staten.
DeepMind, onderdeel van Google (Alphabet), publiceerde het invloedrijke AlphaZero-onderzoek en heeft de aanpak sindsdien niet verder commercieel doorontwikkeld voor schaak specifiek, maar de technieken beïnvloeden hun bredere AI-onderzoek. Commerciële schaakplatforms als chess.com en Chess.com's concurrent Lichess (dat zelf ook non-profit en open source is) integreren deze engines voor analyse en training van miljoenen gebruikers wereldwijd.
De internationale schaakbond FIDE speelt een rol bij het reguleren van engine-gebruik tijdens officiële partijen en het bestrijden van computerfraude, een onderwerp dat de laatste jaren aan belang heeft gewonnen door goedkopere en kleinere apparatuur.