按年被提到
20202020 · 2 次2026
强化学习与智能体›博弈与游戏 AI·arXiv:2006.01855 · cs.AI

Aligning Superhuman AI with Human Behavior: Chess as a Model System

让超人类 AI 与人类行为对齐:以国际象棋为模型系统
Reid McIlroy-Young, Siddhartha Sen, Jon Kleinberg, Ashton Anderson · 2020

Maia:按棋力等级预测人类走法的 AlphaZero 变体

开始阅读 ↗PDFalphaXiv 讨论
被提及 · 6 人首次 2020-12-01 · 最近 2025-09-02
6不同的人
5活跃月份
6讨论串
107被引(OpenAlex)

作者发现现有国际象棋引擎(包括开源 AlphaZero 实现)并不能很好预测人类走法,于是用人类对局数据训练出定制版 AlphaZero,即 Maia,它预测人类走法的准确率高得多,并可针对特定棋力等级调节到最高准确率。作者还训练了另一个深度网络来预测人类下一步是否会出现大错,表现显著优于基线。

HN 为什么提它

Maia 的作者本人和其他评论者在谈「如何做出像人的弱棋手」时引用它,也有人拿图 4 对比 Stockfish 在搜索深度 15 下约 47% 的走法匹配率与其神经网络。

方法难度 3 / 5约 40 分钟经得起时间
读之前最好知道
1AlphaZero 与国际象棋引擎
2监督学习与行为预测
3Elo 等级分
4深度神经网络

学习路径

读这篇之前,按顺序读书架上的 2 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出

这条路径帮我建立“人类决策误差与模型可解释性”的背景,再看 Maia 如何预测不同棋力的人类走法。

  1. 1

    用完美棋力基准衡量人类下棋的失误,是研究人类国际象棋行为的前期工作。

    读抓用引擎评估人类走法误差的思路与结论。

  2. 2
    The Mythos of Model Interpretability模型可解释性的迷思 · 2016

    厘清可解释性的不同含义,有助于理解让 AI 与人类行为对齐的动机。

    读抓对可解释性各种定义的区分。

  3. 3
    Aligning Superhuman AI with Human Behavior: Chess as a Model System让超人类 AI 与人类行为对齐:以国际象棋为模型系统 · 2020 · 就是这篇

    按棋力等级预测人类走法,让超人类 AI 与人类行为对齐。

    读抓 Maia 的训练方式与按等级建模的设定、走法匹配准确率,以及预测失误的分析。

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
引用reidmcy · 2020-12

“We published a research paper and blog post ([LINK]) on Maia”

介绍自己发表的 Maia 论文和博客
Show HN: Maia, a human-like neural network chess engine原评论 ↗
引用Imnimo · 2020-12

“There does exist research on how to make a human-like weak player:”

指出已有研究在做类人的弱棋力国际象棋 AI
MuZero: Mastering Go, chess, shogi and Atari without rules原评论 ↗
引用lairv · 2022-11

“I know there has been several research work [0,1] recently to improve the human-ness of chess AIs”

作为相关工作,说明近期有研究在提升象棋 AI 的拟人程度
Show HN: Noctie – A chess AI that predicts your rating原评论 ↗
引用janalsncm · 2025-09

“If you check figure 4, SF at depth 15 matches about 47% of the time which is lower than their NN.”

引用图 4:Stockfish 深度 15 的走法匹配率约 47%,低于论文的神经网络
What Is Complexity in Chess?原评论 ↗
被提交为 story · 2 次