介绍 AlphaZero、Leela Chess Zero 和 Stockfish NNUE 对计算机棋类游戏的革命性影响。介绍神经网络的基本建设模块，以及用于构建 AlphaZero 等深度网络的应用程序。阐述了寻找棋类引擎的经典技术和用于 AlphaZero 的搜索技术。还介绍了 AlphaGo、AlphaGo Zero 等现代棋类引擎以及其它棋类引擎的构建方式。并提供一个将 Hexapawn 作为例子用于实现一个 AlphaZero 的微型版的技术。

Sep, 2022

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

研究表明，机器学习中的重要突破主要归功于规模，特别是大规模的基于注意力的架构和空前规模的数据集。本文通过在一个包含一千万局国际象棋比赛的数据集上对一个含有 2.7 亿个参数的 transformer 模型进行监督学习，利用由强大的 Stockfish 16 引擎提供的动作价值为数据集中的每个棋盘进行注释，得到了约 150 亿个数据点，并达到了 2895 的 Lichess 快棋等级分，成功解决了一系列有难度的国际象棋难题，而无需特定领域的优化或显式搜索算法。研究还表明，我们的模型在性能上超过了 AlphaZero 的策略和值网络（没有 MCTS）以及 GPT-3.5-turbo-instruct。对模型和数据集规模进行的系统研究表明，只有在足够规模的情况下，才能展现强大的国际象棋性能。为了验证我们的结果，我们进行了一系列关于设计选择和超参数的消融实验。

Feb, 2024

本研究使用基于文本的记号表示来实现棋盘和其位置的表述，随后应用 BERT 模型在 Nim 和国际象棋游戏中实现无监督学习和玩家行为检测。研究结果表明，该模型已经实践证明在 A 类评级水平中已经可以与 Stockfish 进行胜负对抗了。

Sep, 2022

通过对未来信息的预测和处理提前生成输出，Look-Ahead（LA）在实际中具有重要作用。本文介绍了三种实践中使用的算法框架，包括线下、线上和半在线方法，并提出了基于文献综述的 LA 分类。此外，本文还识别和提出了未来潜在研究方向中的许多有趣且非平凡的研究挑战。

Feb, 2024

迄今为止，语言模型的出色表现引发了对其性能来源的争议，是仅仅学习句法模式和表面统计的结果，还是从文本中提取了语义和世界模型？本研究在国际象棋这一更复杂的领域中扩展了之前的工作，通过在真实比赛中进行训练并使用线性探测和对比激活来研究模型的内部表示，发现该模型具有棋盘状态的内部表示，同时对玩家技能等潜在变量进行估计，提升了模型的胜率达到 2.6 倍。

Mar, 2024

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

本研究通过使用卷积神经网络对黑白棋游戏（Othello）中的移动预测器进行测试，证实了神经运动预测器具有非常高的能力和与游戏强度之间的强相关性，并在强度和预测准确度上超过了以前的最佳算法和现有的最强开源算法 Edax。

Nov, 2017

本文研究深度神经网络在 “Look and Say” 题目上的表现并发现尽管在大规模数据（200 万数据）训练时准确度很高，但它们并没有展现出任何关于问题更深层次理解的迹象，这也从认知科学角度说明我们需要更好的抽象数学模型。

Sep, 2021

使用自然语言处理中的两种评估技术，探究了 AlphaZero 在 Hex 游戏中的内部表示，研究发现 MCTS 在神经网络学习之前就发现了相关概念，而短期终局规划概念对应最终层，长期计划对应中间层。

Nov, 2022