Spiele-KI: Schach, Go und Poker

Kurz: Spiele sind ein Prüfstand für KI, weil die Regeln klar sind und man Erfolg messen kann. Schach, Go und Poker brauchen jedoch verschiedene Ideen.

Schach

Klassisch (Deep Blue, 1997) mit Brute-Force-Suche und handgeschriebener Bewertung. Moderne Programme wie Stockfish kombinieren tiefe Suche mit einem kleinen Netz (NNUE), das Stellungen bewertet. AlphaZero lernte dagegen allein durch Spiele gegen sich selbst, ohne Eröffnungsbuch.

Go

Zu viele Stellungen für reine Suche. AlphaGo (2016) kombinierte ein Netz, das Züge vorschlägt, ein Netz, das Stellungen bewertet, und Suchverfahren und Planung: A* und Monte-Carlo-Baumsuche. Gelernt wurde erst von Menschenpartien, dann durch Selbstspiel (Verstärkungslernen (Reinforcement Learning)).

Poker

Poker ist ein Spiel mit verdeckter Information: Man kennt die Karten der Gegner nicht. Man muss Wahrscheinlichkeiten abwägen und auch mal bluffen. Verfahren wie Counterfactual Regret Minimization nähern ein spieltheoretisch ausgeglichenes Verhalten an (Libratus, Pluribus).

Warum es wichtig ist

Viele Ideen (Selbstspiel, Suche mit gelernter Bewertung, Umgang mit Unsicherheit) tragen in andere Bereiche, etwa Planung, Chip-Entwurf und Sprachmodelle mit Reasoning. Siehe Reasoning-Modelle und Chain-of-Thought.

Siehe auch: Robotik und Embodied AI