研究人员基于人类下棋决策的详细数据，通过 AlphaZero 构建了一种定制化的人工智能引擎 Maia，能够更准确地预测人类棋手的下棋。这项研究表明，重点是建立精确的人类决策模型，安装有人类协作的人工智能系统具有很大的潜力。

Jun, 2020

提取出的五个关键词是：人工智能、AlphaZero、国际象棋概念、人类专家、人工智能应用。研究论文的简短总结为：通过提取 AlphaZero 中的国际象棋概念，人类专家能够成功学习和改进解决这些概念的能力，这在推进人类知识前沿方面取得了重要的里程碑，对于人工智能的交互方式和广泛应用具有深远的影响。

Oct, 2023

通过开发高度精确的预测个体在下棋中的行为的模型，我们可以将人工智能系统更好地与个体的行为相一致，从而提高人 - 人工智能交互的效果。

Aug, 2020

本文介绍了 AlphaZero 和 MuZero 的算法，探究了它们的局限性，并提供了新的瓶颈测试方法以解决 AlphaZero 在某些博弈游戏中学习能力不足的问题，并发现 AlphaZero 在解决 nim 游戏时会面临严重的问题。

May, 2022

该研究介绍了使用新的 AlphaZero 算法以及无领域知识的方式进行强化学习，让计算机在三个领域的棋类游戏：围棋、象棋和将棋中均以超级专业水平进行游戏。

Dec, 2017

强大的人工智能系统通常用于与计算能力较低的代理进行交互，为了在这些设置中成功交互，除了超凡性能之外，人工智能系统还需要考虑低级行为或个体风格，本研究提出了正式的评估框架来评估接近最优的人工智能与计算能力较低的交互伙伴之间的兼容性，并使用合作国际象棋作为模型系统，通过开发可以成功与计算能力较低的实体进行交互的人工智能。

May, 2024

本文提供证据表明，AlphaZero 神经网络在学习国际象棋时获得了人类知识，并探究了其在象棋中开局游戏方面的行为分析和表示分析。

Nov, 2021

本研究提出了「多样性即实力（DIS）」深度强化学习训练框架，该框架可以同时训练多种类型的人工智能，以增强其能力和策略多样性，并通过模型评估和筛选方案选择最佳模型以丰富模型池并获得最终的人工智能。该方法通过在 Google Research Football（GRF）基础上进行的人工智能比赛的测试，在复杂的多智能体环境中首次使 GRF 人工智能在 5v5 和 11v11 赛道上都有很高的水平，其行为分析表明所训练的人工智能具有丰富的策略，并且消融实验证明了设计的模块有益于训练过程。

Jun, 2023

通过使用大规模开源的国际象棋模型重新实现 McGrath 等人（2022）中应用于 AlphaZero 的概念检测方法，并获得与 AlphaZero 相似的结果，本研究还提出了一种新颖的可解释人工智能（XAI）方法，该方法能够全面、独立地突出显示被解释模型使用的信息，该方法生成适用于国际象棋等具有离散输入空间特征的领域的可视化解释，通过应用于标准的 8x8 国际象棋验证了该方法的可行性。

Sep, 2023

本论文介绍了在中国十分流行的卡牌游戏斗地主中引入强化学习以及对抗性网络，旨在提高斗地主人工智能的表现，并将系统实现了状态的全面探索，从而在斗地主 Botzone 排行榜上获得了最高排名。

Apr, 2022