![](\"https:\/\/radioacuariofm.com.ar\/wp-content\/uploads\/2024\/12\/presentaron-chessbench-un-nuevo-software-para-IW3KUQKEUZH37O66NJFKEFYHZE-1.jpg\"\/)
<\/p>\n <\/p>\n
Hace unos d\u00edas, un equipo de investigadores de Google DeepMind actualiz\u00f3 el art\u00edculo titulado Amortized Planning with Large-Scale Transformers: A Case Study on Chess<\/em>, que hab\u00eda pasado relativamente desapercibido. En \u00e9l se presenta un sistema de inteligencia artificial (IA) llamado ChessBench<\/strong>, basado en Transformers (redes neuronales) a gran escala, que juega al ajedrez.<\/p>\n Hasta la fecha, todos los programas de ajedrez se basaban en complejos procesos de b\u00fasqueda del mejor movimiento en el \u00e1rbol que combina siguientes jugadas y contrajugadas<\/strong>, muchas veces con b\u00fasqueda a profundidades superiores a 20 movimientos futuros. Esto, junto a la aplicaci\u00f3n de funciones que les permite evaluar la ventaja o desventaja de cada posible decisi\u00f3n, permit\u00eda encontrar la mejor jugada.<\/p>\n Mientras que lo fundamental para todas las IA era hasta ahora la memoria, ChessBench supone el comienzo de una nueva era, con m\u00e1quinas entrenadas en tareas de planificaci\u00f3n en las que la memoria es in\u00fatil<\/strong>.<\/p>\n Leela Chess Zero y Stockfish son, a d\u00eda de hoy, los mejores motores de ajedrez, exponentes de la excelencia en el juego lograda con la primera aproximaci\u00f3n.<\/p>\n Ambos utilizan aprendizaje basado en redes neuronales de diferente forma: Leela Chess Zero usa aprendizaje por refuerzo a trav\u00e9s del autojuego, y Stockfish integra una red neuronal para la mejora de la evaluaci\u00f3n de posiciones y la toma de decisiones.<\/p>\n Pero ChessBench de Google DeepMind acaba de iniciar un nuevo modelo que puede superar todos los l\u00edmites. Como apunt\u00e1bamos m\u00e1s arriba, es un sistema de IA basado en <\/strong>Transformers<\/strong> (como BERT y GPT) cuya versi\u00f3n m\u00e1s avanzada cuenta con hasta 270 millones de par\u00e1metros.<\/strong><\/p>\n Para su entrenamiento y aprendizaje se han utilizado 10 millones de partidas de ajedrez extra\u00eddas de <\/strong>Lichess<\/strong>, plataforma de c\u00f3digo abierto para<\/strong> jugar al ajedrez en l\u00ednea a la que diariamente se conectan miles de usuarios humanos en todo el mundo. A partir de esas partidas se generan m\u00e1s de 15.000 millones de anotaciones evaluando cada posici\u00f3n y su mejor acci\u00f3n (movimiento). Esta evaluaci\u00f3n la lleva a cabo Stockfish 16, cuyo motor de b\u00fasqueda determina el mejor movimiento posible en una posici\u00f3n concreta.<\/strong><\/p>\n El entrenamiento ha permitido que el sistema aprenda a predecir los valores de acci\u00f3n para nuevas posiciones con bastante precisi\u00f3n.<\/strong> Supone una generalizaci\u00f3n no trivial: lo hace sin hacer b\u00fasquedas expl\u00edcitas de siguientes jugadas y contrajugadas.<\/strong><\/p>\n Lo que hace incre\u00edble el resultado es tener un sistema de IA que sea capaz de jugar ajedrez a ese nivel de calidad.<\/p>\n ChessBench juega sin proceso de b\u00fasqueda de la mejor jugada, solo bajo la predicci\u00f3n de la siguiente<\/strong>. Es el sue\u00f1o de cualquier ajedrecista: mirar una posici\u00f3n y reconocer por la configuraci\u00f3n de las piezas el mejor movimiento siguiente.<\/p>\n Esto da pie a la pregunta recurrente en el debate sobre los Transformers a gran escala y los grandes modelos de lenguaje o LLM, como el que est\u00e1 detr\u00e1s de ChatGPT: \u00bfSon solo grandes memorizadores o pueden llegar a razonar<\/strong>?<\/p>\n El ajedrez requiere una combinaci\u00f3n de estrategia, t\u00e1ctica y previsi\u00f3n. Estos son elementos clave en los procesos de planificaci\u00f3n, razonamiento y toma de decisiones.<\/p>\n El modelo utilizado por ChessBench cuenta con 270 millones de par\u00e1metros (2,7\u00d710\u00b9\u00b9)<\/strong>, mientras que el n\u00famero de posibles jugadas de ajedrez es inmensamente mayor, aproximadamente de 10\u00b9\u00b2\u2070. En este juego, la memorizaci\u00f3n es in\u00fatil a gran escala. Existe una inmensa variedad de posibles jugadas, adem\u00e1s de la complejidad de las estrategias involucradas.<\/p>\n El ajedrez puede permitir evaluar de manera precisa la capacidad de los modelos de IA para generalizar y adaptarse a nuevas situaciones.<\/p>\n ChessBench ha aprendido a reconocer patrones profundos y complejos dentro del juego de ajedrez<\/strong>. Esta capacidad le permite replicar su \u00e9xito incluso en situaciones no previstas durante su entrenamiento.<\/p>\n El hecho de que pueda identificar y aplicar estrategias ganadoras en posiciones no vistas previamente<\/strong> revela un nivel de razonamiento. Este va m\u00e1s all\u00e1 de la simple memorizaci\u00f3n; no puede atribuirse simplemente a la codificaci\u00f3n de la siguiente mejor jugada en su espacio de par\u00e1metros.<\/p>\n A diferencia de otras disciplinas, en ajedrez se cuenta con un m\u00e9todo objetivo para estimar la fuerza de un jugador: el sistema de puntuaci\u00f3n ELO. En la modalidad Blitz<\/em> (ajedrez r\u00e1pido, con partidas de entre 3 y 5 minutos por jugador para toda la partida), solo 15 personas en el mundo superan los 2895 puntos ELO alcanzados por ChessBench<\/strong> en la plataforma Lichess. En el listado Blitz top 200 se puede observar que el top 100<\/em> sit\u00faa el l\u00edmite de ELO en 2 784.<\/p>\n El ELO alcanzado por ChessBench representa el nivel de un Gran Maestro. Resuelve posiciones de ajedrez desafiantes. Adem\u00e1s, logra este sorprendente ELO jugando contra personas en Lichess.<\/p>\n ChessBench est\u00e1 todav\u00eda lejos de competir con la IA AlphaZero, cuyo nivel est\u00e1 por encima del mejor jugador humano del mundo. Realiza an\u00e1lisis en profundidad combinado con aprendizaje por refuerzo, que le permite aprender jugando contra s\u00ed mismo.<\/p>\n Actualmente, ChessBench es una aproximaci\u00f3n notablemente buena del algoritmo basado en la b\u00fasqueda de Stockfish. La destilaci\u00f3n perfecta solo basada en la observaci\u00f3n de la posici\u00f3n est\u00e1 a\u00fan lejos del alcance de un sistema de IA que utiliza un an\u00e1lisis de las posiciones, sin procesos de b\u00fasqueda.<\/p>\n Esto hace que ChessBench sea un punto de partida adecuado para futuras investigaciones. Por ejemplo, ser\u00e1 interesante conocer qu\u00e9 rendimiento ofrecer\u00eda jugando la modalidad de Fischer, es decir, con las piezas mayores situadas aleatoriamente en la primera fila. Plantea una situaci\u00f3n de cambio de posiciones en el inicio de la partida que requiere gran capacidad de generalizaci\u00f3n, as\u00ed como aprender la causalidad de cada pieza y su movimiento legal.<\/p>\n Recientemente se ha realizado un estudio inicial intercambiando caballos por alfiles en la posici\u00f3n inicial utilizando GPT4, y que muestra las limitaciones en estas nuevas situaciones para los LLM. El estudio concluye que queda mucho por avanzar y hacer en estos escenarios denominados contrafactuales.<\/p>\n Judea Pearl, investigador de IA galardonado con el Premio Turing, asocia los escenarios contrafactuales, situaciones que no han sucedido en el universo actualmente observable por la investigaci\u00f3n humana,<\/strong> al proceso humano de imaginar. Son los mundos imaginados que podr\u00edan haber sido.<\/p>\n Los Transformers a gran escala no est\u00e1n solo orientados al lenguaje: hay un n\u00famero creciente de aplicaciones en diferentes campos. Ya se est\u00e1n integrando los LLM con la rob\u00f3tica inteligente, jugando un papel importante.<\/p>\n De todos modos, la arquitectura de los LLM ser\u00e1 insuficiente para lograr una <\/strong>IA general<\/strong> que alcance el nivel cognitivo humano<\/strong>. Pero tampoco parece cierta la posici\u00f3n de quienes dicen que son solo memorizaci\u00f3n y los llaman peyorativamente \u201cloros estoc\u00e1sticos\u201d. Esta es una cr\u00edtica desmedida.<\/p>\n El proceso creativo ya no es \u00fanico de humanos. La planificaci\u00f3n, el aprendizaje continuo junto al procesamiento de capacidades sensoriales de la rob\u00f3tica, el razonamiento matem\u00e1tico y el procesamiento de lenguaje, entre otras habilidades de los Transformers a gran escala, afectar\u00e1n a todo lo humano conocido.<\/p>\n Ser\u00e1 interesante conocer y entender hasta qu\u00e9 punto llega a imaginar ChessBench.<\/p>\n Francisco Herrera Triguero es Catedr\u00e1tico de Ciencias de la Computaci\u00f3n e Inteligencia Artificial, Universidad de Granada<\/strong><\/em><\/p>\n Este texto se reproduce de The Conversation bajo licencia Creative Commons<\/strong><\/em><\/p>\n Por Francisco Herrera Triguero<\/strong><\/p>\n The Conversation<\/p>\n Conforme a los criterios de<\/strong><\/p>\n","protected":false},"excerpt":{"rendered":" Hace unos d\u00edas, un equipo de investigadores de Google DeepMind actualiz\u00f3 el art\u00edculo titulado Amortized Planning with Large-Scale Transformers: A Case Study on Chess, que hab\u00eda pasado relativamente desapercibido. En \u00e9l se presenta un sistema de inteligencia artificial (IA) llamado ChessBench, basado en Transformers (redes neuronales) a gran escala, que juega al ajedrez.
\n Hasta la fecha, todos los programas de ajedrez se basaban en complejos procesos de b\u00fasqueda del mejor movimiento en el \u00e1rbol que combina siguientes jugadas y contrajugadas, muchas veces con b\u00fasqueda a profundidades superiores a 20 movimientos futuros. Esto, junto a la aplicaci\u00f3n de funciones que les permite evaluar la ventaja o desventaja de cada posible decisi\u00f3n, permit\u00eda encontrar la mejor jugada.
\n Mientras que lo fundamental para todas las IA era hasta ahora la memoria, ChessBench supone el comienzo de una nueva era, con m\u00e1quinas entrenadas en tareas de planificaci\u00f3n en las que la memoria es in\u00fatil.
\n Leela Chess Zer..<\/p>\n","protected":false},"author":2,"featured_media":101697,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[28],"tags":[],"class_list":["post-101696","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-economia"],"_links":{"self":[{"href":"https:\/\/radioacuariofm.com.ar\/index.php?rest_route=\/wp\/v2\/posts\/101696","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/radioacuariofm.com.ar\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/radioacuariofm.com.ar\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/radioacuariofm.com.ar\/index.php?rest_route=\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/radioacuariofm.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=101696"}],"version-history":[{"count":1,"href":"https:\/\/radioacuariofm.com.ar\/index.php?rest_route=\/wp\/v2\/posts\/101696\/revisions"}],"predecessor-version":[{"id":101699,"href":"https:\/\/radioacuariofm.com.ar\/index.php?rest_route=\/wp\/v2\/posts\/101696\/revisions\/101699"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/radioacuariofm.com.ar\/index.php?rest_route=\/wp\/v2\/media\/101697"}],"wp:attachment":[{"href":"https:\/\/radioacuariofm.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=101696"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/radioacuariofm.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=101696"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/radioacuariofm.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=101696"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}