Исследователи из Google DeepMind, Оксфордского университета и Монреальского института Mila представили работу «Generative Chess Puzzles». В ней искусственный интеллект Gemini впервые продемонстрировал способность создавать шахматные задачи, которые по сложности и изобретательности не уступают человеческим.
Нейросеть обучалась на базе данных из 4,4 миллиона позиций, взятых из партий, сыгранных до декабря прошлого года. Каждая позиция кодировалась особым образом, а нейросеть с 200 миллионами параметров училась предсказывать ход фигуры. После базового обучения ИИ начал генерировать новые позиции, постепенно выстраивая полное расположение фигур.
Чтобы избежать шаблонности, в Gemini внедрили систему с обучением и подкреплением. Награды выдавались за новизну и сложность задачи. Модель сталкивалась с проблемой «энтропийного коллапса», когда повторяла одни и те же шаблоны. Разработчики добавили фильтры разнообразия, учитывающие «расстояние досок» и вариативность ходов. В итоге финальная версия ИИ создавала в 10 раз больше нестандартных задач (2,5% против 0,22%).
В отчёте приведены позиции, которые ИИ счёл интересными и привлекательными. Например, одна из лучших задач включает неожиданный перевод ладьи на b8 — единственный ход к победе. Все «естественные» продолжения приводят к ничье.
Для оценки художественной ценности команда разработала каталог из более чем 30 тем классической шахматной эстетики: от «жертвы ради пата» до «хода-переключения». Оказалось, что позиции, созданные ИИ, воспроизводят большинство мотивов, но некоторые редкие темы, такие как «мат Анастасии» или «крючковый мат», встречаются реже.
Отдельный этап включал эволюционный поиск: случайные добавления и удаления фигур с отбором лучших комбинаций. Такие позиции выглядят сюрреалистично, но логично.
Затем эксперты оценили 40 позиций из четырёх источников. ИИ получил наивысшие баллы по «творчеству» и «удовольствию от решения» (2,48 и 2,56 из 3 возможных). Международные мастера и гроссмейстеры Амаяк Авни, Джонатан Левитт и Мэттью Сэдлер назвали подборку «новым шагом в человеко-машинном соавторстве» и «редким примером творчества в рамках формальных правил».
Авторы подчёркивают, что подход с подкреплением и оценкой позволяет масштабировать генерацию задач и делает её саморазвивающейся. Это выгодно отличает его от ручного отбора, зависимого от человеческих партий и ограниченных вычислительных ресурсов.