Gary Kasparov Vs. 深蓝
距离 IBM 的深蓝超级计算机击败国际象棋世界冠军加里·卡斯帕罗夫（Gary Kasparov），已经快过去20年了。从那以后，会下国际象棋的计算机又有了显著增强，人类能够战胜计算机的可能性也越来越小。
不过，虽然计算机已经变得越来越快，但国际象棋引擎的工作原理并没有改变。计算机严重依靠“暴力破解”，通过寻找一切可能的移动方式，走出最好的一步棋。
当然，在这方面没有人能够与计算机匹敌，甚至是望其项背。深蓝计算机可以每秒思考2亿步，而卡斯帕罗夫很可能每秒不超过五步。然而，他仅仅是在决胜局输给了深蓝，基本上两者是在相同的水平上竞技。因此，很显然人类有一些技巧还没有被计算机所掌握。
人类所拥有的技巧，主要是判断国际象棋的摆放位置，缩小最有效走位的搜索范围，这具有重要意义。如果计算机也学会了它，将大大简化计算任务，并从计算所有的可能性，变成计算最高效的几种。
计算机此前从不擅长这一技巧，但如今在伦敦帝国学院的 Matthew Lai 的研究下，情况会发生改变。Matthew Lai 开发了一个名为 Giraffe 的人工智能机器，它可以通过自学来判断下步棋该怎么走，这种方式更像人类，和传统的国际象棋引擎完全不同。
新型人工智能能与最优秀的传统国际象棋引擎达到相同的水平。如果按照人类水平来评估，也就相当于FIDE（世界国际象棋联合会）所评定的国际大师。
这一人工智能背后的技术就是神经网络，它是受人类大脑构造所启发，并用于计算机处理信息的一种方式，由多个节点层级所组成，系统会随着人类对其不断地训练而提升。
在过去的几年中，由于两个技术的进展，神经网络已经变得非常强大了。第一个是更好地了解了当它们进行学习时，如何微调神经网络，这要部分归功于更快的计算机；第二个是能够利用大量的注释数据集，来训练神经网络。因此，深度神经网络能发现国际象棋的规律也就不足为奇了，而这正是 Matthew Lai 所采取的方法。
他的神经网络由四个层级组成，能够以三种不同方式共同思考棋盘上每一个位置。第一种着眼于国际象棋的全局状态，例如每边棋子的数量和类型，轮到哪一方移动，位置对换等；第二着眼于棋子的特性，例如双方每个棋子的位置；最后就是映射出每个棋子的攻击和防守。
训练这些机器通常采用的方法，是研究人员手动评估每一个位置，并用这些信息指导机器识别出哪些步数是有效的，哪些效果没那么好。但是，Matthew Lai 的目标更加雄心勃勃，他想让机器自学这些内容。
他采用了一个引导技术，让人工智能 Giraffe 自己与自己对决，从而改善对未来下棋走位的预测。在比赛胜利、失败或打平之后，会最终确定每一步的价值。以这种方式，计算机可以了解走哪个位置是有效的，哪些位置效果不好。
在 Giraffe 经过培训之后，最后一步就是测试它的能力是否达标了。他用一个标准数据库 Strategic Test Suite 来测试，这一数据库可以测试改计算引擎识别不同的战略构想的能力。他将对这项测试的结果进行评分，总分为15000。
整个训练过程中，他会测试机器的各个阶段成绩。当引导过程开始时，Giraffe 很快就达到了6000分的成绩，仅在72小时就达到了9700分。9700分已经可以成为世界上最好的国际象棋引擎了。
Matthew Lai 接着使用相同种类的机器学习方法，确定对方一个特定的移动是否值得机器进行跟随。这一点很重要，因为它可以防止不必要的搜索，极大提高计算效率。
这一方法代表着国际象棋引擎的工作方式发生了重大变革，不过它并不完美。Giraffe 的一个缺点是，神经网络比其他类型的数据处理速度慢得多。Giraffe 花费的时间比以往的国际象棋引擎要多耗费约10倍。
但即使有此缺点，它仍然具有相当大的竞争力。相比现在的国际象棋引擎，Giraffe 不仅仅能计算出棋局未来的走势，还能够准确地判断出最棘手的位置，并像人类一样直观地了解复杂的走位概念，这是国际象棋引擎很长一段时间以来一直难以捉摸的地方。
当然这一切仅仅是个开始。 Matthew Lai 表示，这一方法应该直接应用在其他类型的棋类中，最为突出的就是中国围棋，围棋相比国际象棋拥有更高的难度和更多不确定的因素。