~ 안에 님주어진 보드 구성에 대한 최적의 이동 수가 제한되어 있습니다. 그 중 하나를 플레이하지 않으면 본질적으로 상대에게 제어권을 넘겨주고 최적의 움직임만 플레이하면 계속해서 승리할 수 있습니다. 그리고 최적의 움직임은 수학적 패리티 함수를 평가하여 식별할 수 있습니다.
따라서 체스에 효과가 있었던 훈련 과정이 체스에 효과적이지 않을 수도 있다고 생각할 이유가 있습니다. 님. 놀랍게도 실제로 얼마나 나빴습니까? Zhou와 Riis는 오랫동안 그 사실을 발견했습니다. 님 5행 보드에서는 AI가 상당히 빨리 좋아졌고 500번의 훈련 반복 후에도 여전히 개선되고 있었습니다. 그러나 행을 하나만 추가하면 개선 속도가 급격히 느려집니다. 그리고 7열 보드의 경우 AI가 자체적으로 500번 플레이할 때쯤 성능 향상이 본질적으로 중단되었습니다.
문제를 더 잘 설명하기 위해 연구원들은 잠재적인 움직임을 제안하는 하위 시스템을 무작위로 작동하는 하위 시스템으로 교체했습니다. 7열에 님 보드에서 훈련된 버전과 무작위 버전의 성능은 500개 이상의 훈련 이득을 구별할 수 없었습니다. 기본적으로 보드가 충분히 커지면 시스템은 게임 결과를 관찰하여 학습할 수 없습니다. 7열 구성의 초기 상태에는 모두 궁극적인 승리와 일치하는 세 가지 잠재적 움직임이 있습니다. 그러나 시스템의 훈련된 이동 평가자가 모든 잠재적인 동작을 확인하도록 요청받았을 때 모든 동작을 대략적으로 동일하게 평가했습니다.
연구원들은 Nim이 효과적으로 플레이하려면 플레이어가 패리티 기능을 배워야 한다고 결론지었습니다. 그리고 체스와 체스에 아주 잘 맞는 훈련 절차는 가다 그렇게 할 수 없습니다.
뿐만 아니라 님
결론을 보는 한 가지 방법은 다음과 같습니다. 님 (그리고 더 나아가 모든 공정한 게임은) 정말 이상합니다. 그러나 Zhou와 Riis는 이러한 방식으로 훈련된 체스 게임 AI에서도 비슷한 문제가 발생할 수 있다는 몇 가지 징후를 발견했습니다. 그들은 처음에 AI 보드 평가자에 의해 높은 평가를 받았던 몇 가지 “잘못된” 체스 동작(짝짓기 공격을 놓치거나 최종 게임을 던진 동작)을 식별했습니다. 소프트웨어가 이러한 실수를 피할 수 있었던 것은 미래로의 여러 움직임에서 여러 가지 추가 분기를 수행했기 때문이었습니다.
