Dlaczego twój przeciwnik w szachach to nie ChatGPT: AI w grach a modele językowe
Krótka odpowiedź: Silnik szachowy i chatbot to dwa różne rodzaje AI. Silniki takie jak Stockfish przeszukują możliwe ruchy z cięciami alfa-beta i oceniają pozycje, więc nigdy nie zagrają nielegalnie i wygrywają z każdym człowiekiem. Duże modele językowe, takie jak ChatGPT, przewidują kolejne słowa tekstu. W opublikowanych testach (ChessArena 2025, Kaggle Game Arena 2025) gubią układ szachownicy, proponują nielegalne ruchy i grają na poziomie amatora albo słabiej.
Skoro chatboty są wszędzie, często pada pytanie, czy komputerowy przeciwnik w grze w szachy to „AI jak ChatGPT”. Nie jest, a ta różnica dużo mówi o tym, w czym każdy rodzaj AI jest dobry. AI w grach ma siedemdziesiąt lat przewagi, działa zupełnie inaczej i w swojej dziedzinie jest dużo silniejsza.
Jak działa klasyczna AI w grach: przeszukiwanie
Program szachowy patrzy na pozycję, wypisuje wszystkie legalne ruchy, potem każdą odpowiedź, potem każdą odpowiedź na nią i tak buduje drzewo przyszłych pozycji. Na końcu każdej gałęzi ocenia pozycję (materiał, bezpieczeństwo króla, aktywność figur) i liczy wstecz, zakładając, że obie strony grają najlepiej. To idea minimaksu.
Drzewo rośnie wybuchowo, więc silniki stosują cięcia alfa-beta: gdy tylko okaże się, że ruch jest gorszy niż znaleziona już opcja, reszta tej gałęzi jest pomijana. Przy dobrym porządkowaniu ruchów program przeszukuje w tym samym czasie znacznie głębiej, a wynik się nie zmienia.
Dwa kamienie milowe pokazują, jak daleko to zaszło:
- Deep Blue (IBM, 1997) pokonał mistrza świata Garriego Kasparowa w meczu sześciu partii na standardowych zasadach turniejowych. IBM podaje, że oceniał 200 milionów pozycji na sekundę na 32 procesorach.
- Stockfish, najsilniejszy darmowy silnik, łączy przeszukiwanie alfa-beta z małą siecią neuronową NNUE, która ocenia pozycje. Zespół Stockfisha wprowadził NNUE w sierpniu 2020 roku i podał zysk ponad 80 punktów Elo w testach.
Nauka zamiast ręcznie pisanych reguł: AlphaZero
W 2017 roku DeepMind pokazał AlphaZero, opisany w Science w 2018 roku. Zaczynał od losowej gry i nauczył się szachów, shogi i go, grając sam ze sobą, bez partii ludzi i bez wbudowanej wiedzy poza zasadami. DeepMind podaje, że w szachach pierwszy raz przewyższył Stockfisha po zaledwie 4 godzinach treningu.
AlphaZero to nadal AI do gier, a nie model językowy: sieć neuronowa wytrenowana na samej grze, która kieruje przeszukiwaniem. Nie czyta ani nie pisze tekstu.
Jak „grają” modele językowe: przewidywanie tekstu
Duży model językowy (LLM), taki jak ChatGPT, Gemini czy Claude, jest trenowany do kontynuowania tekstu. Gdy podasz mu pozycję w notacji szachowej, zwraca ruch, który wygląda na najbardziej prawdopodobny jako następny, na podstawie ogromnej ilości przeczytanych tekstów, w tym książek szachowych i zapisów partii. Nie ma wbudowanej szachownicy, listy legalnych ruchów ani drzewa przeszukiwania, chyba że ktoś je dobuduje.
W znanych debiutach działa to zaskakująco dobrze, bo te same ruchy powtarzają się w niezliczonych partiach. W nowych pozycjach się sypie: model zapomina, gdzie stoi figura, przeskakuje przez inną figurę albo przywraca zbitą.
Co pokazują testy
| Test | Co mierzono | Wynik |
|---|---|---|
| ChessArena (Liu i in., 2025) | 13 modeli językowych, ponad 800 partii, wybór ruchu i zadania szachowe | Żaden model nie pokonał Maia-1100, bota grającego jak ludzki amator; niektóre przegrywały z losową grą |
| Kaggle Game Arena (Google DeepMind i Kaggle, od sierpnia 2025) | Czołowe modele językowe grające ze sobą bez narzędzi i bez listy legalnych ruchów | Nielegalne ruchy zdarzają się tak często, że regulamin musiał je uwzględnić: 3 poprawki, potem partia przegrana |
| „Grandmaster-level chess without search” (Ruoss i in., Google DeepMind, 2024) | Transformer z 270 mln parametrów trenowany na 10 mln partii ocenionych przez Stockfisha 16 | Ranking 2895 w blitzu na Lichess przeciw ludziom, bez jawnego przeszukiwania |
Trzeci wiersz to ważny niuans. Transformer, czyli ta sama podstawowa architektura co w chatbotach, potrafi grać w szachy na poziomie arcymistrza, jeśli trenuje się go na pozycjach szachowych z ocenami silnika. Problemem nie są sieci neuronowe, tylko to, że ogólne chatboty trenowano na tekście, a nie na miliardach ocenionych pozycji. Według Google w lutym 2026 roku na czele szachowego rankingu Game Arena były modele Gemini 3, a ich rozumowanie korzystało ze znanych pojęć szachowych, takich jak bezpieczeństwo króla i struktura pionów, co pokazuje, że różnica się zmniejsza. To wciąż coś zupełnie innego niż silnik, który sprawdza każdy legalny ruch.
Silnik a chatbot w skrócie
| Silnik szachowy | Model językowy | |
|---|---|---|
| Co robi | Przeszukuje ruchy i ocenia pozycje | Przewiduje kolejne słowa tekstu |
| Na czym się uczy | Ręczne reguły, gra sam ze sobą albo pozycje ocenione przez silnik | Ogromne ilości ogólnego tekstu |
| Nielegalne ruchy | Nigdy: wybiera tylko spośród wygenerowanych legalnych ruchów | Możliwe, zwłaszcza w nieznanych pozycjach |
| Siła gry | Daleko powyżej każdego człowieka (Stockfish, AlphaZero) | Od poziomu poniżej amatora w górę; nierówna |
| Wyjaśnianie ruchu słowami | Nie, zwraca ruchy i liczby | Tak, to jego mocna strona |
W czym modele językowe pomagają szachistom
Oba rodzaje AI się uzupełniają. Silnik mówi, który ruch jest najlepszy, a model językowy potrafi prostymi słowami wyjaśnić dlaczego, odpowiedzieć na pytania o idee debiutu albo zamienić ocenę silnika w krótką lekcję. Rozsądny schemat jest taki, jak na większości serwisów szachowych: liczy silnik, a model językowy tylko tłumaczy, i to, co twierdzi o konkretnej pozycji, warto sprawdzić silnikiem.
Komputerowi przeciwnicy w naszych grach
Wszyscy komputerowi przeciwnicy na Extensive Harmony to klasyczna AI do gier: kilkaset linii kodu przeszukiwania, które działają w twojej przeglądarce, bez chatbota i bez serwera.
- Szachy używają przeszukiwania alfa-beta z iteracyjnym pogłębianiem. Poziom łatwy patrzy jeden ruch naprzód i mniej więcej co trzeci ruch gra losowy legalny ruch; średni patrzy dwa półruchy naprzód, a potem śledzi wszystkie bicia (przeszukiwanie spoczynkowe, żeby nie przerwać w połowie wymiany); trudny przeszukuje do pięciu półruchów plus bicia w ciągu dwóch sekund i zachowuje najgłębsze ukończone przeszukiwanie.
- Kółko i krzyżyk gra bezbłędnie: przeszukuje całe drzewo gry, więc najlepsze, co możesz osiągnąć, to remis. Zobacz jak wygrać w kółko i krzyżyk (po angielsku).
- Cztery w rzędzie: na poziomie łatwym komputer tylko wygrywa, gdy może, albo blokuje twoją wygraną, a poza tym gra losowo; średni i trudny używają minimaksu z cięciami alfa-beta na głębokość 2 i 4 ruchów.
- Warcaby (2, 4 lub 8 ruchów naprzód), Reversi (1, 3 lub 5) i Mancala (1, 4 lub 9) używają tego samego rodzaju przeszukiwania.
Ponieważ zawsze wybierają z listy legalnych ruchów, żaden z nich nie może zagrać nielegalnie. Które klasyczne gry komputery rozwiązały całkowicie, opisujemy w tekście o rozwiązanych grach (po angielsku). Szerzej o AI w branży gier piszemy w tekście jak modele językowe AI zmieniają rynek gier.
Najczęściej zadawane pytania
Czy ChatGPT umie grać w szachy?
Umie grać, ale słabo i niepewnie. Modele językowe przewidują tekst, a nie liczą pozycje, więc gubią układ figur na szachownicy i czasem proponują nielegalne ruchy. W badaniu ChessArena (2025) żaden z 13 testowanych modeli językowych nie pokonał Maia-1100, bota naśladującego amatora, a w Kaggle Game Arena model, który po czterech próbach nie poda legalnego ruchu, przegrywa partię.
Jak komputer szachowy wybiera ruch?
Klasyczne programy szachowe przeszukują: sprawdzają ruchy, odpowiedzi przeciwnika, własne odpowiedzi na nie i tak dalej, oceniają powstałe pozycje i wybierają ruch z najlepszym gwarantowanym wynikiem. Cięcia alfa-beta pomijają gałęzie, które nie mogą zmienić wyniku. Stockfish łączy takie przeszukiwanie alfa-beta z małą siecią neuronową (NNUE), która ocenia pozycje.
Czy AlphaZero to model językowy?
Nie. AlphaZero (DeepMind, 2017-2018) to system uczenia ze wzmocnieniem, który nauczył się szachów, grając sam ze sobą i zaczynając wyłącznie od zasad gry. Używa sieci neuronowej razem z algorytmem przeszukiwania. DeepMind podaje, że pierwszy raz przewyższył Stockfisha już po 4 godzinach treningu.
Czy sieć neuronowa może grać mocno bez przeszukiwania?
Tak, jeśli jest trenowana właśnie do szachów. W badaniu Google DeepMind z 2024 roku transformer z 270 milionami parametrów, wytrenowany na 10 milionach partii ocenionych przez Stockfisha 16, osiągnął ranking 2895 w blitzu na Lichess przeciw ludziom bez jawnego przeszukiwania. Ogólne chatboty nie są tak trenowane.
Jak mocny jest komputer w waszych szachach?
Nasze Szachy używają przeszukiwania alfa-beta. Poziom łatwy patrzy jeden ruch naprzód i mniej więcej co trzeci ruch gra losowo, średni patrzy dwa półruchy naprzód i dalej śledzi wszystkie bicia, a trudny przeszukuje do pięciu półruchów plus bicia w ciągu dwóch sekund. Zawsze gra legalnie, bo wybiera wyłącznie z listy legalnych ruchów.
Źródła
- IBM: Deep Blue (IBM Heritage)
- Stockfish: Introducing NNUE Evaluation (sierpień 2020)
- Google DeepMind: AlphaZero: Shedding new light on chess, shogi, and Go
- Silver, D. i in. (2018). A general reinforcement learning algorithm that masters chess, shogi, and Go through self-play. Science, 362(6419).
- Ruoss, A. i in. (2024). Amortized Planning with Large-Scale Transformers: A Case Study on Chess (pierwotnie „Grandmaster-Level Chess Without Search”). arXiv:2402.04494.
- Liu, J. i in. (2025). ChessArena: A Chess Testbed for Evaluating Strategic Reasoning Capabilities of Large Language Models. arXiv:2509.24239.
- Kaggle: Introducing Kaggle Game Arena (sierpień 2025)
- Google: Advancing AI benchmarking with Game Arena (luty 2026)
