„Improv Chess“ ist eine Idee für Game-Turniere, bei denen die Teilnehmer dazu angehalten werden, sich auf spekulatives Denken zu verlassen und auf das, was Shneiderman als Grenzdenken bezeichnet. Anstatt sich auf gespeicherte Sequenzen oder sorgfältig ausgearbeitete Gewichtungen und Voranalysen zu verlassen, müssen Sie bei diesem Format Ihr Wissen und Ihre Ideen erweitern und die Implikationen und Vorteile erkennen.
So funktioniert es bei einem Schachturnier (oder Sie könnten Go, Backgammon, Dame oder andere Arten von Spielen ersetzen), wenn Sie bereit sind, Schach zu spielen, jedoch mit einer kleinen Änderung.
Die Turnierorganisatoren treffen sich im Voraus und wählen einen Tweak aus. Sie erkennen eine kleine Änderung in den Regeln, kündigen diese jedoch nicht an, bevor das Turnier beginnt.
Was für eine Veränderung? Es kann sein, dass Bauern nicht mehr mit zwei Feldern springen können, sondern nur eine Bewegung. Oder zusätzliche Türme würden die Ritter ersetzen. Oder der König verschwindet und hinterlässt ein leeres Feld, und die Königin ist jetzt noch zentraler – Sie gewinnen, indem Sie die Königin des Gegners einnehmen. Oder es gibt ein Quadrat in der Mitte, sagen wir D4, das kein Stück besetzen darf.
Das ist es. Eine Last-Minute-Regeländerung. Und plötzlich werden die Millionen von Spielen, die die Machine Learning-Systeme gegen sich selbst spielen, irrelevant. Was zählt, ist eine sofortige Bewertung der Einschränkungen, Möglichkeiten und neuen Strategien. Das Format bevorzugt die Anpassung und Ermittlung gegenüber der Erstellung früherer Fälle.
Eigentlich hat Bobby Fischer sein eigenes innovatives Schachspiel, Fischer Random Chess, entwickelt, das so ziemlich das gleiche Ergebnis erzielt, das ich anstrebe. Das Schema von Fischer ist so konzipiert, dass nicht jede Menge Schachöffnungen auswendig gelernt werden muss.
Fischer Random Chess lässt die Bauern dort, wo sie normalerweise sind. Die verbleibenden weißen Stücke befinden sich immer noch auf dem ersten Rang, werden jedoch mit einigen Einschränkungen zufällig platziert: Die Bischöfe befinden sich immer noch auf entgegengesetzten Farben. Der weiße König muss irgendwo zwischen die beiden weißen Türme gehen. Die schwarzen Stücke spiegeln die weißen Stücke wider.
Fischer Random Chess erreicht dieselbe Art von Scrambling wie Improv Chess und ist viel einfacher zu implementieren. Fischer Random Chess bezieht sich jedoch in erster Linie auf die Eröffnungen, wohingegen Improv Chess während des gesamten Spiels in Resonanz treten kann, wenn beispielsweise das D4-Quadrat niemals besetzt werden kann oder der König aus dem Spiel genommen wird.
Ein weiterer Vorteil des Improv-Formats ist, dass es mit anderen Spielen verwendet werden kann, einschließlich Spielen wie Go und Backgammon, die keine Ausgangsposition haben. Das Improv-Format kann als Ergänzung zu digitalen Wunderkindern wie AlphaZero (Campbell, 2018; Silver ua, 2018) dienen, die sich über jedes Spiel (z. B. Schach, Shogi und Go) beibringen können.
Ben Shneiderman hat einige Formate vorgeschlagen, um Brettspiele mehrdeutig zu machen, anstatt die Identität und den Ort jedes Stücks eindeutig zu kennzeichnen. Zu zufälligen Zeitpunkten können Sie beispielsweise ein einzelnes Stück zufällig in ein anderes Stück ändern. Ich mag diese Idee, einen Managementcomputer zu verwenden, um an zufälligen Punkten im Spiel Ersatzstücke zu machen. Die Stückersetzungen müssten natürlich legal sein. Sie wären auch symmetrisch – die gleiche Punktebenen-Substitution würde für beide Spieler gleichzeitig durchgeführt. Ein solches Verfahren würde aus einem Spiel ein echtes Rätsel machen, das den Verstand, der sich im Laufe des Spiels am besten anpassen könnte, begünstigt.
Ben schlug auch vor, für jeden Spieler ein Viertel des Boards zu haben, damit der andere Spieler unvollständige Kenntnisse hätte. Dieses Verfahren würde Unsicherheit in das Spiel bringen. Es ähnelt dem Spiel Kriegspiel, einer Variante des Schachspiels. In Kriegspiel spiele ich einen Gegner, aber keiner von uns sieht, wo sich die andere Person bewegt hat. Wir haben jeweils ein Schachbrett vor uns und wir bewegen unsere eigenen Figuren. Ein Schiedsrichter beobachtet uns beide und trägt jede Bewegung auf einer Masterplatine ein; Der Schiedsrichter informiert die Spieler, wenn sie einen illegalen Zug gemacht oder gefangen genommen haben. Das Spiel geht weiter, bis jemand durch ein Schachmatt gewinnt. Das Spiel war vor einigen Jahrzehnten bei der RAND Corporation etwas populär. Einige Leute waren frustriert und sagten, es sei nur zufällig. Andere sagten, dass es tatsächliche Strategien gab – sie waren diejenigen, die normalerweise ihre Spiele gewannen. Kriegspiel hat logistische Grenzen: Es braucht mehr Platz und Ausrüstung (die drei Boards) sowie die Dienste eines Schiedsrichters.
Eine Improv-Turnierregel müsste lauten, dass die Teilnehmer zwar Laptops mitbringen können, aber keine Verbindung zu Supercomputern herstellen können, die sich millionenfach selbst spielen können, um die neuen, optimierten Regeln zu lernen. Den Laptops selbst wäre es untersagt, sich an dieser Art des maschinellen Lernens zu beteiligen.
Der Grund für diese Bestimmung ist, dass ich möchte, dass das Improv-Format konzeptionelles Verständnis und kausales Denken anstelle der Korrelationsgründe, die das Machine Learning derzeit verwendet, hervorhebt.
Einige der leistungsfähigsten Ansätze des maschinellen Lernens basieren auf statistischen Techniken zur Klassifizierung von Mustern unter Verwendung von neuronalen Netzwerken mit mehreren Schichten, die im Allgemeinen als Deep Learning bezeichnet werden. Dies sind die Ansätze, die für dramatische Fortschritte bei der Spracherkennung, Bilderkennung, Sprachübersetzung und beim Spielen von Go und anderen Aktivitäten verantwortlich sind. So kann man ihre Leistungen nicht bestreiten. Aber wie Marcus (2018) betont, bezieht sich „tief“ auf die große Anzahl von Schichten und nicht auf größere Abstraktion. Marcus verwendet das Beispiel des Atari-Spiels „Breakout“, das von einem System in etwa vier Stunden Training gelöst wird – das System lernt, einen Tunnel durch eine Mauer aus Ziegelsteinen zu graben. Das System hat jedoch keine Ahnung, was ein Tunnel oder eine Mauer ist. Und wenn KI-Forscher eine leichte Störung machen, z. B. die Höhe des Paddels verschieben oder eine Wand in der Mitte des Bildschirms einfügen, versagen die KI-Systeme. Sie sind nicht anpassungsfähig. Der gegenwärtige Stand der Technik ist nicht in der Lage, mit Improv Chess umzugehen.
Vielleicht bringt die Verwendung von Improv-Formaten den Menschen einen Vorteil. Vielleicht werden Computerwissenschaftler dazu ermutigt, weiter zu drängen, um Vernunftverständnis und begriffliche Diagnosen in ihre Systeme aufzunehmen. Unabhängig davon stelle ich mir das Improv-Format vor, um intelligente Fähigkeiten wie spekulatives Denken und Grenzdenken zu würdigen und zu stärken, die derzeit übersehen werden.
Verweise
M. Campbell (2018). Brettspiele meistern. Science, 362, 1118.
Marcus, G. (2018). Deep Learning: Eine kritische Würdigung. arXiv-Vorabdruck von arXiv: 1801,00631, 2018 – arxiv.org.
Silber, D., Hubert, T., Schrittwieser, J., Antonoglou, I., Lai, M., Guez, A., Lanctot, M., Sifrre, L., S Kumar, D. Kumaran, T. Graepel, Lillicrap, T., Simonyan, K. und Hassabis, D. (2018). Ein allgemeiner Algorithmus zur Verstärkung, der Schach, Shogi und das Selbstspiel beherrscht. Science, 362, 1140–1144.
