Навчальний проект шахи та штучний інтелект. Штучний інтелект та бази знань. Мріяти про перемогу над штучним інтелектом не доводиться.
Розглянемо деякі базові концепції, які допоможуть нам створити простий штучний інтелект, що вміє грати у шахи:
- переміщення;
- оцінка шахівниці;
- мінімакс;
- альфа-бета-відсікання.
На кожному кроці ми покращуватимемо наш алгоритм за допомогою одного з цих перевірених часом методів шахового програмування. Ви побачите, як кожен із них впливає на стиль гри алгоритму.
Готовий алгоритм можна знайти на GitHub.
Крок 1. Генерація ходів та візуалізація шахівниці
Ми будемо використовувати бібліотеки chess.js для створення ходів і chessboard.js для візуалізації дошки. Бібліотека для створення ходів реалізує всі правила шахів. Виходячи з цього ми можемо розрахувати всі ходи для даного стану дошки.
Візуалізація функції створення руху. Вихідне положення використовується як вхід, а на виході – всі можливі ходи з цієї позиції.
Використання цих бібліотек допоможе нам зосередитися лише на найцікавішому завданні – створенні алгоритму, який знаходить найкращий хід. Ми почнемо з написання функції, яка повертає випадковий хід із усіх можливих ходів:
Var calculateBestMove = function(game) ( //Генерація всіх ходів для даної позиції var newGameMoves = game.ugly_moves(); return newGameMoves; );
Хоча цей алгоритм не дуже солідний шахіст, але це хороша відправна точка, оскільки його рівня достатньо, щоб зіграти з нами:
Чорні грають випадковими ходами
JSFiddle.
Крок 2. Оцінка дошки
Тепер спробуємо зрозуміти, яка зі сторін сильніша у певному положенні. Найпростіший спосіб досягти цього - порахувати відносну силу фігур на дошці, використовуючи таку таблицю:
За допомогою функції оцінки ми можемо створити алгоритм, який вибирає хід із найвищою оцінкою:
Var calculateBestMove = function (game) ( var newGameMoves = game.ugly_moves(); var bestMove = null; //Використовуйте будь-яке від'ємне число var bestValue = -9999; for (var i = 0; i< newGameMoves.length; i++) { var newGameMove = newGameMoves[i]; game.ugly_move(newGameMove); //Возьмите отрицательное число, поскольку ИИ играет черными var boardValue = -evaluateBoard(game.board()) game.undo(); if (boardValue >bestValue) ( bestValue = boardValue; bestMove = newGameMove ) ) return bestMove; );
Єдиним відчутним покращенням є те, що тепер наш алгоритм з'їсть фігуру, якщо це можливо:
Чорні грають за допомогою простої функції оцінки
Подивитися, що вийшло на цьому етапі, ви можете на JSFiddle .
Крок 3. Дерево пошуку та мінімакс
Потім ми створимо дерево пошуку, з якого алгоритм може вибрати найкращий хід. Це робиться за допомогою алгоритму "мінімакс".
Прим. перев. В одній з наших статей ми вже мали справу з - вчилися створювати ІІ, який неможливо обіграти в хрестики-нуліки.
У цьому алгоритмі рекурсивне дерево всіх можливих ходів досліджується до заданої глибини, а позиція оцінюється на листі дерева.
Після цього ми повертаємо або найменше, чи найбільше значення нащадка в батьківський вузол, залежно від цього, чий прораховується хід (тобто ми намагаємося мінімізувати чи максимізувати результат кожному рівні).
Візуалізація мінімаксу у штучному положенні. Найкращий хід для білих - b2-c3, так ми можемо гарантувати, що дістанемося до позиції, де оцінка дорівнює -50
Var minimax = function (depth, game, isMaximisingPlayer) ( if (depth === 0) ( return -evaluateBoard(game.board()); ) var newGameMoves = game.ugly_moves(); if (isMaximisingPlayer) ( var bestMove = -9999; for (var i = 0; i< newGameMoves.length; i++) { game.ugly_move(newGameMoves[i]); bestMove = Math.max(bestMove, minimax(depth - 1, game, !isMaximisingPlayer)); game.undo(); } return bestMove; } else { var bestMove = 9999; for (var i = 0; i < newGameMoves.length; i++) { game.ugly_move(newGameMoves[i]); bestMove = Math.min(bestMove, minimax(depth - 1, game, !isMaximisingPlayer)); game.undo(); } return bestMove; } };
З мінімаксом наш алгоритм починає розуміти основну тактику шахів:
Мінімакс з рівнем глибини 2
Подивитися, що вийшло на цьому етапі, ви можете на JSFiddle .
Ефективність мінімаксу значною мірою залежить від глибини пошуку. Саме це ми покращимо на наступному кроці.
Крок 4. Альфа-бета-відсікання
Позиції, які нам не потрібні, якщо використовується альфа-бета-відсікання. Дерево буває в описаному порядку.
З альфа-бета-відсіканням ми отримуємо значне покращення мінімаксу, як показано в наступному прикладі:
Кількість позицій, які потрібно оцінити у разі пошуку з глибиною 4 та початковою позицією, зображеною на зображенні.
Подивитися, що вийшло на цьому етапі, ви можете на JSFiddle .
Крок 5. Поліпшена функція оцінки
Початкова функція оцінки є досить наївною, оскільки ми просто підраховуємо окуляри фігур, які знаходяться на дошці. Щоб покращити її, ми почнемо враховувати становище фігур. Наприклад, кінь у центрі дошки «дорожчий», тому що він має більше доступних ходів і, отже, активніший, ніж кінь на краю дошки.
Розроблена інженерами Массачусетського технологічного інституту. Фішер тричі поставив мат комп'ютеру та здобув беззаперечну перемогу. У своїх листах шахіст писав, що програми допускають «грубі помилки», а самі комп'ютери називав «марними шматками заліза».
Але в тому ж році Монті Ньюборн, один із перших учених, які вивчали комп'ютерні шахи, сказав пророчі слова:
«Раніше гросмейстери приходили на турніри з комп'ютерних шахів, щоб посміятися. Зараз вони приходять спостерігати, а надалі там навчатимуться».
Боббі Фішер після перемоги над комп'ютером Фото: Getty Images
Схоже, що люди мають якусь вроджену любов до інтелектуальних ігор. Коли 1649 року короля Англії Карла I засудили до смерті, він узяв із собою страту дві речі - біблію і набір шахів. Відомий художник XX століття Марсель Дюшан на піку своєї кар'єри раптово виїхав до Аргентини і почав займатися вирізанням шахових постатей з дерева, та й загалом захопився шахами. У ХІХ столітті у Японії відбулася загадкова історія, що з грою го. За легендою духи підказали одному знаменитому гравцю три блискучі ходи. В результаті він зміг перемогти, а його противник після партії впав на підлогу, захлинувся кров'ю та помер.
Комп'ютери далекі від всієї цієї містики, але лише за кілька десятків років вони вивчили інтелектуальні ігри глибше, ніж людство за тисячоліття. У 2014 році компанія придбала фірму DeepMind за $400 мільйонів для «проведення найнезвичайнішого та найскладнішого дослідження, кінцевою метою якого є розгадка сутності інтелекту». Зокрема вчені хотіли навчити комп'ютер грати у го. Ця гра значно складніша за шахів. У 1985 році один тайванський промисловий магнат сказав, що заплатить $1,4 мільйона за програму, яка зможе перемогти найкращого гравця в го. 1997 року магнат помер, а через три роки у його пропозиції минув термін дії - ніхто так і не зміг забрати приз.
Зараз він міг би належати до програми DeepMind AlphaGo, яка використовує сучасні нейромережі. Рік тому вона міжнародного чемпіона з го Лі Седоля. У травні цього року вона знову перемогу над найкращим гравцем у го, а також над командою з п'яти інших професійних гравців.
AlphaGo стала абсолютним чемпіоном. Ось тільки незабаром після своїх гучних перемог на неї чекає забуття. Наприкінці травня DeepMind непомітно повідомила, що AlphaGo йде зі сцени змагання. Щоб відзначити цю подію, компанія опублікувала 50 варіантів партій, які програма грала проти самої себе. Надалі DeepMind хоче випустити підсумкову дослідницьку роботу, у якій буде описано ефективність алгоритму програми.
Що стосується шахів, то людство втратило пальму першості в них ще за 20 років до цих подій, коли шахіст Гаррі Каспаров програв суперкомп'ютеру IBM Deep Blue. Шахи і го – не єдині ігри, яким намагаються навчити ІІ. Комп'ютер намагалися навчити шашкам, коротким нардам, реверсі, покеру та багатьом іншим настільним іграм. І людський інтелект уже не може зрівнятися у них зі штучним. Почасти це сталося через розвиток технологій. Наприклад, ще 1997 року комп'ютер Deep Blue займав 259-е місце у списку найшвидших суперкомп'ютерів у світі і міг виконувати близько 11 мільярдів операцій на секунду. Зараз завдяки сучасним алгоритмам навіть ваш смартфон здатний перемогти Каспарова.
Гаррі Каспаров проти комп'ютера Deep Blue. Ліворуч один з інженерів IBM Сюн Фейсюн. Фото: Getty Images
Такі досягнення ІІ викликали у людей цілком людські емоції: смуток, пригніченість та розпач. Після того, як Лі Седоль зазнав поразки від AlphaGo, він пережив екзистенційну кризу. «Я засумнівався у людській винахідливості, – зізнався він після матчу. - Я засумнівався, чи всі ходи в го, які я знаю, правильними». За словами одного з очевидців, після поразки Лі виглядав так, ніби йому було «фізично погано». Каспаров почував себе після програшу комп'ютеру не краще. Коли він повернувся до готелю, він просто роздягнувся, ліг у ліжко і дивився в стелю.
«Комп'ютер настільки глибоко аналізує деякі позиції, що грає як бог», - сказав Каспаров.
Deep Blue вперше показав громадськості, що комп'ютер здатний перевершити людину у вирішенні інтелектуальних завдань. «Тоді це викликало шок, – сказав Мюррей Кемпбелл, один із творців Deep Blue. - Зараз ми поступово звикаємо до цієї думки». Тим не менш, незрозуміло, що чекає людство в майбутньому. Як можна використати в реальному світі досягнення в іграх? Відповідь Кемпбелла це питання звучить песимістично. «Важко знайти добрий приклад застосування таких успіхів у настільних іграх, – сказав він. - На початку 90-х один із співробітників IBM на ім'я Геральд Тезауро намагався навчити ІІ грі в нарди і зробив деякі досягнення у стимульованому навчанні. Нині його методи часто використовуються у робототехніці. Однак його випадок – скоріше виняток із правил».
На жаль, для шахів поки що немає кращих алгоритмів, ніж перебір багатьох позицій. Щоправда, перебір порядком (і не одним) оптимізований, але все ж таки це великий перебір. Для пошуку ходу у відповідь будується дерево з вихідним ходом в корені, ребрами - ходами-відповідями та вузлами - новими позиціями.
Як елементарних алгоритмах вибирається наступний хід пояснити просто. На своєму ході ви вибираєте такий хід (на вашу думку), який принесе найбільшу користь (максимізує вашу вигоду), а противник на черговому своєму ході намагається вибрати хід, який принесе йому найбільшу користь (максимізує його вигоду та мінімізує вашу). Алгоритм із таким принципом називається мінімакс. На кожному етапі ви надаєте кожному вузлу в дереві оцінку позиції (про це потім) і на своєму ході її максимізуєте, а на ході противника - мінімізуєте. Алгоритм під час роботи повинен пройти по всіх вузлах дерева (тобто по всіх можливих ігрових позиціях у грі), тобто зовсім непридатний за часом.
Наступне його удосконалення - альфа-бета відсікання (метод гілок та кордонів).
З назви випливає, що в алгоритмі проводиться відсікання за якимись двома параметрами - альфа та бета. Головна ідея відсікання в тому, що тепер ми будемо тримати інтервал відсікань (нижня та верхня межі – альфа та бета відповідно – ваш К.О.) та оцінки всіх вузлів, які не потрапляють в інтервал знизу ми розглядати не будемо (оскільки вони не впливають на результат - це просто гірші ходи, ніж вже знайдений), а сам інтервал звужуватимемо в міру знаходження кращих ходів. Хоча і альфа-бета відсікання набагато краще мініміксу, все ж час його роботи теж дуже велике. Якщо прийняти, що в середині партії в одній стороні є приблизно 40 різних ходів, час алгоритму можна оцінити як O(40^P), де P - глибина дерева ходів. Звичайно, при мінімаксі може бути така послідовність розгляду ходів, коли ми не робитимемо ніяких відсічень, тоді альфа-бета відсікання просто перетвориться на мінімакс. У кращому випадку за допомогою альфа-бета відсікання можна уникнути перевірки кореня з усіх ходів в мінімаксі. Для того, щоб уникнути тривалого часу роботи (при такій О-великій складності алгоритму), перебір у дереві роблять на якусь фіксовану величину і там проводять оцінку вузла. Ось ця оцінка є дуже велике наближення до реальної оцінки вузла (тобто перебору до кінця дерева, а там результат – «виграв, програв, нічия»). Щодо оцінки вузла є просто стос різних методик (можна прочитати в лінках наприкінці статті). Якщо коротко - то, природно, підраховую матеріал гравця (згідно з однією системою - цілими числами пішака - 100, кінь і слон - 300, тура - 500, ферзь - 900; згідно з іншою системою - дійсними в частинах від одиниці) + позиція на дошці даного гравця. Щодо позиції - то тут починається один із кошмарів написання шахів, тому що швидкість роботи проги в основному залежатиме від оціночної функції і, якщо точніше, то від оцінки позиції. Тут уже хто будь що. За спарених тур гравцю+, за прикритість короля своїми пішаками+, за пішака біля іншого кінця дошки+ тощо, а мінусують позицію висячі фігури, відкритий король тощо. і т.п. - Факторів можна написати купу. Ось для оцінки позиції у грі будується оцінка позиції гравця, що робить хід, і від неї забирається оцінка відповідної позиції противника. Як кажуть, одна фотографія іноді краща за тисячу слів, і, може, шматок коду на псевдо C# теж буде кращим за пояснення:
Enum CurentPlayer (Me, Opponent); public int AlphaBetaPruning (int alpha, int beta, int depth, CurrentPlayer currentPlayer) ( // value of current node int value; // count current node ++nodesSearched; // get opposite to currentPlayer CurrentPlayer opponentPlayer = GetOppositePlayerTo( / generates all moves for player, which turn is to make move / /moves, що генеруються цим методом, є free moves // after making which current player would be in check List
Думаю, не будуть зайвими деякі пояснення щодо коду:
- GetOppositePlayerTo() просто змінює CurrentPlayer.Me на CurrentPlayer.Opponent і навпаки
- MakeMove() робить наступний хід зі списку ходів
- ply - глобальна змінна (частина класу), яка містить кількість напівходів, зроблених на даній глибині
( ply = 0; nodesSearched = 0; int score = AlphaBetaPruning (-MateValue, MateValue, max_depth, CurrentPlayer.Me); )
де MateValue – досить велике число.
Параметр max_depth – максимальна глибина, на яку опуститься алгоритм у дереві. Слід пам'ятати, що псевдокод чисто демонстративний, але цілком робочий.
Замість того, щоб придумати новий алгоритм, люди, які просувають альфа-бета відсікання, вигадали багато різних евристик. Евристика – просто невеликий хак, який іноді робить дуже великий виграш у швидкості. Евристик для шахів дуже багато, всіх не перерахуєш. Я наведу лише основні, решту можна знайти у лінках наприкінці статті.
По-перше, застосовується дуже відома евристика «нульовий хід». У спокійній позиції противнику дають зробити два ходи замість одного і після цього дерево розглядають на глибину (depth-2), а не (depth-1). Якщо після оцінки такого піддерева виявиться, що поточний гравець все одно має перевагу, то немає сенсу розглядати поддерево далі, оскільки після свого наступного ходу гравець тільки зробить свою позицію краще. Оскільки перебір поліноміальний, виграш у швидкості відчутний. Іноді буває так, що супротивник вирівняє свою перевагу, тоді треба розглядати все піддерево до кінця. Порожній хід треба робити не завжди (наприклад, коли один із королів під шахом, у цугцвангу чи в ендшпілі).
Далі використовується ідея спочатку зробити хід, в якому буде взяття фігури супротивника, яка зробила останній хід. Так як майже всі ходи під час перебору тупі не дуже розумні, така ідея сильно звузить вікно пошуку ще на початку, тим самим відсікаючи багато непотрібних ходів.
Також відома евристика історіїабо служба найкращих ходів. Під час перебору зберігаються найкращі ходи на даному рівні дерева, і при розгляді позиції спочатку можна спробувати зробити такий хід для даної глибини (базується на ідеї, що на рівних глибинах у дереві часто роблять однакові найкращі ходи).
Відомо, що таке своєрідне кешування ходів покращило продуктивність радянської проги Каїса вдесятеро.
Також є деякі ідеї щодо генерації ходів. Спочатку розглядають виграшні взяття, тобто такі взяття, коли фігура з меншою оцінкою б'є фігуру з більшою оцінкою. Потім розглядають promotions (коли пішака на іншому кінці дошки можна замінити на сильнішу фігуру), потім рівні взяття і потім ходи з кешу евристики історії. Інші ходи можна відсортувати за контролем над дошкою чи якимось іншим критерієм.
Все було б добре, якби альфа-бета відсікання гарантовано давало б кращу відповідь. Навіть з огляду на довгий час на перебір. Але не тут було. Проблема в тому, що після перебору на фіксовану величину проводиться оцінка позиції і все, а як виявилося, в деяких ігрових позиціях не можна припиняти перебір. Після багатьох спроб з'ясувалося, що перебір можна припиняти лише у спокійних позиціях. Тому в основному переборі дописали додатковий перебір, в якому розглядаються лише взяття, promotions та шахи (називається форсований перебір). Також зауважили, що деяку позицію з розміном у середині також треба розглядати глибше. Так з'явилися ідеї щодо extensions і reductions, тобто поглиблень та укорочувань дерева перебору. Для поглиблень найбільш підходящі позиції типу ендшпіля з пішаками, ухиляння від шаха, обмін фігури в середині перебору і т.д. Для коротень підходять «абсолютно спокійні» позиції. У радянській програмі Каїса форсований перебір був трохи особливим - там після взяття під час перебору відразу починався форсований і його глибина не обмежувалася (оскільки він сам себе вичерпає в спокійній позиції).
Як казав Ентоні Хоар: " Premature optimization is root all evil in programming.(Примітка: для тих, хто вважає, що дана цитата належить Кнуту, є цікаві дискусіі
Фото з відкритих джерел
Новий штучний інтелект всього за 4 години навчання став найкращим шахістом на Землі! (сайт)
А пам'ятаєте, який фурор наробив 1996 року шаховий суперкомп'ютер Deep Blue, вигравши першу партію у російського чемпіона Гаррі Каспарова? Незважаючи на те, що наш співвітчизник все ж таки здобув перемогу в цій грі, вже тоді стало зрозуміло, що штучний інтелект стрімко прогресує і колись привабливо стане найкращим шахістом, після чого людям марно гратиметься з програмою. Залишалося лише питання, коли це станеться.
Представники відомої корпорації Google заявили, що цей час нарешті настав. За словами фахівців, розроблена ними нейромережа «AlphaZero» всього за 4 години самонавчання перетворилася на найвіртуознішого і найбездоганнішого шахового гравця за всю історію цієї гри. Надпотужний штучний інтелект навчався грі у шахи, знаючи лише її правила. Погравши 4 години з самим собою, робот навчився ідеально грати, легко перемігши шахову програму «Stockfish», що вважалася до цього найдосконалішою. Комп'ютери провели 100 партій - «AlphaZero» вдалося виграти 28 з них і звести 72, що внічию залишилися. Передова нейромережа, що імітує роботу людського мозку, здатна ризикувати і навіть використовувати своєрідну подобу інтуїції.
Мріяти про перемогу над штучним інтелектом не доводиться.
Більш ранні моделі "AlphaZero" навчалися грі, стежачи за живими шахістами. Розробники припускали, що це допоможе штучному інтелекту краще зрозуміти стратегію гри. Насправді виявилося, що спостереження за людьми лише уповільнює розвиток програми. Коли нейромережа надали собі, її здібності злетіли до небес. Тепер інженери Google думають над тим, як застосувати подібні технології для реальної користі людству, оскільки шахова гра, навіть сама віртуозна, не має прикладної мети.
У 1968 році відомий Девід Леві уклав заклад, що протягом найближчого десятиліття його не обіграє жодна програма. Весь цей час гросмейстер постійно змагався з різноманітними шаховими комп'ютерами і щоразу вигравав у них. У 1978 році він здобув перемогу над найсильнішою на той час програмою Chess 4.7, вигравши парі. На жаль, у наші дні настільки цікавих поєдинків вже не буде - нам доведеться тепер дізнаватися тільки про те, як одна фантастична нейромережа перемогла іншу. Живі шахісти про перемогу над такими монстрами не можуть навіть мріяти. І це лише початок подібних перемог ІІ над людиною.
культури. Дисер. Канд. Пед наук. Ростов-на-Дону. 2003.
2.Азарова Є.А. Деструктивні форми сімейного виховання, актуальні проблеми сучасності, злочини останніх часів: духовно-моральний та кримінофамілістичний аспекти. - Ростов-на-Дону: Вид-во РГПУ, 2005.
3.Габдрєва ГШ. Основні аспекти проблеми тривожності у психології // Шкільний психолог. – 2004. – N° 8. – С. 9.
4. Єніколопов С.М. Проблеми сімейного насильства// Проблеми психології. -2002. -№5-6.
5.Целуйко В.М. Психологія неблагополучної сім'ї: Книга для педагогів та батьків. - М: Вид-во ВЛАДОС-ПРЕС, 2003.
6. Шапар В.Б. Практична психологія. Психодіагностика відносин між батьками та дітьми. -Ростов н / Д: Фенікс, 2006.
© Азарова Є.А., Жуліна Г.М., 2016
А.І. Аліфіров
канд. пед. наук, доцент РДСУ, м. Москва, РФ
І.В. Михайлова канд. пед. наук, доцент РДСУ, м. Москва, РФ
«ШТУЧНИЙ ІНТЕЛЕКТ» У ШАХМАТАХ
Анотація
У статті розглядається генезис використання програмних та апаратних засобів, здатних здійснювати інтелектуальну діяльність, порівнянну з інтелектуальною діяльністю людини.
Ключові слова
Комп'ютерні технології у шахах, шахові програми, шахи.
Сьогодні під терміном "штучний інтелект" (ІІ) розуміється теорія створення програмних та апаратних засобів, здатних здійснювати інтелектуальну діяльність, яку можна порівняти з інтелектуальною діяльністю людини. При вирішенні практичних завдань найчастіше користуються завданням зі списку, вважаючи у своїй, що й комп'ютерна система може вирішити ці завдання, вона і є системою ИИ. Часто в цей список включають гру в шахи, доказ теорем, вирішення діагностичних завдань з вихідного неповного набору даних, розуміння природної мови, здатність до навчання та самонавчання, здатність до класифікації об'єктів, а також здатність виробляти нові знання на основі створення нових правил та моделей регуляризації знань.
Однією з найважливіших проблем нової науки – кібернетики стала проблема, як покращити управління, як удосконалити ухвалення рішень. Один із засновників кібернетики К. Шеннон (Shannon C.) запропонував формалізувати та програмувати шахи для того, щоб використовувати шаховий комп'ютер як модель, для вирішення аналогічних завдань управління. Авторитет К. Шеннона був настільки великий, що його ідеї негайно започаткували новий науковий напрям. Ідеї К. Шеннона були використані у роботах А. Тьюринга, К. Цузе, Д. Принца.
Автор теорії інформації. К. Шеннон писав: "Шахова машина ідеальна, щоб з неї почати, оскільки (1) завдання чітко визначається допустимими операціями (ходи) і кінцевою метою (мат); (2) вона не надто проста, щоб бути тривіальною, і не занадто (3) вважають, що шахи вимагають «мислення» для майстерної гри, вирішення цього завдання призведе нас або до того, що ми захоплюватимемося здібностями механізованого мислення, або до обмеження нашої концепції «мислення»; дискретна структура шахів добре вкладається в цифрову природу сучасних комп'ютерів.
Надалі шахи стали предметом змагання природного та штучного інтелекту, і було зіграно низку матчів провідних шахістів світу проти комп'ютерів. 1995 року в інтерв'ю популярному журналу Wired Г.К. Каспаров виклав свій погляд на шахову гру: "Шахати - це не математика. Це фантазія та уява, це людська логіка, а не гра з передбачуваним результатом. Я не думаю, що теоретично гру в шахи можна вмістити в набір формул або алгоритмів". Через два роки суперкомп'ютер DEEP BLUE, перемігши 13-го чемпіона світу Г.К. Каспарова у матчі-реванші з шести партій зняла з порядку денного питання про можливості шахового штучного інтелекту. DEEP BLUE зберігала в пам'яті повну базу даних по всіх партіях та аналізувала виключно стратегію розрахунком. Після матчу Г.К. Каспаров змінив свою думку, визнавши, що: " Шахи - це єдине полі, у якому можна зіставити людську інтуїцію і творчі здібності з силою і машини " . Матч змінив хід розвитку як класичних, і комп'ютерних шахів. У системі тренування стала широко використовуватись допомога штучного інтелекту. Д.І. Бронштейн у своїй книзі "Давид проти Голіафа" (2003 р.) писав: "Ботвінник вважав, що шахи - це мистецтво аналізу, а час одинаків-імпровізаторів на кшталт Андерсена, Морфі, Цукерторта пішло назавжди. Дивлячись на сучасні шахи, треба визнати Ботвинник мав рацію: "Комп'ютерні хлопчики" довели його ідею про необхідність домашнього аналізу до абсурду, вони навіть не приховують, що шліфують дебютні варіанти до ясного результату. з Анандом стояла в нього на комп'ютері!
Список використаної литературы:
1. Аліфіров А.І. Профорієнтаційна робота у середніх загальноосвітніх школах засобами шахів / Аліфіров О.І. // Проблеми розвитку науки і освіти: теорія та практика. Збірник наукових праць за матеріалами Міжнародної науково-практичної конференції 31 серпня 2015 р.: у 3 частинах. Частина ІІ. М.: "АР-Консалт", 2015 р. – С. 13-14.
2. Михайлова І.В., Аліфіров А.І. Тактичні дії шахістів/Михайлова І.В., Аліфіров А.І. //Результати наукових досліджень Збірник статей Міжнародної науково-практичної конференції. Відповідальний редактор: Сукіасян Асатур Альбертович (15 лютого 2016 р.) о 4 год. Ч/3 - Уфа: АЕТЕРНА. -2016.С. 119-121.
3. Михайлова І.В., Аліфіров А.І. Теоретико-методологічні засади методу мислення схемами шахістів / Михайлова І.В., Аліфіров О.І. //Результати наукових досліджень Збірник статей Міжнародної науково-практичної конференції. Відповідальний редактор: Сукіасян Асатур Альбертович (15 лютого 2016 р.) о 4 год. Ч/3 - Уфа: АЕТЕРНА. – 2016. С. 123-125.
4. Михайлова І.В. Підготовка юних висококваліфікованих шахістів за допомогою комп'ютерних шахових програм та "інтернет": автореф. дис. ... канд. пед. наук: 13.00.04 / Михайлова Ірина Віталіївна; РГУФК. – М., 2005. – 24 с.
© Аліфіров А.І., Михайлова І.В., 2016
УДК 378.046.2
А.І. Аліфіров
К.п.н., доцент РДСУ, м. Москва, РФ В.В. Федчук, к.п.н.
ТОВ «Благополуччя», старший інструктор методист, м. Москва, РФ ДОСЛІДЖЕННЯ РІВНЯ ФІЗИЧНОГО ЗДОРОВ'Я ПІДЛІТКІВ
Анотація
У статті розглядається проблема фізичного здоров'я підлітків та вплив різних факторів