lire sur la façon dont Google résout le problème de la traduction me faire penser . Serait-il possible de construire un moteur d'échecs puissant en analysant plusieurs millions de jeux et en déterminant le meilleur déplacement possible basé en grande partie (complètement?) Sur les statistiques? Il existe plusieurs bases de données d'échecs de ces échecs ( Ce est celui qui a 4,5 millions de jeux), et on pourrait potentiellement poids dans des positions identiques (ou miroirées ou réfléchies) à l'aide de facteurs tels que les évaluations des acteurs impliqués, quel âge est le jeu (pour améliorer les améliorations de la théorie des échecs), etc. Toute raison pour laquelle Ceci ne serait pas une approche réalisable pour construire un moteur d'échecs?
11 Réponses :
Eh bien, 4,5 millions de jeux couvrent encore une fraction très minuscule (infinionimale petite) de tous les jeux possibles.
Et pendant que vous auriez un grand nombre de positions gagnantes et perdantes, cela laisserait le problème de la réduction de celle d'un ensemble de paramètres utilisable. Un très vieux problème, avec des réseaux de neurones comme une approche standard. Mais les nanalnets ne gagnent pas des tournois d'échecs.
Bien sûr, je réalise que le nombre de jeux d'échecs possibles est un nombre humanisant. Cependant, il faut dire que quelque chose à dire pour une capacité d'un humain à évaluer rapidement un petit nombre de "bons" mouvements sans même envisager de considérer des choses qui sont évidemment "mauvaises". Il semble que un moteur statistique puisse utiliser cela.
@Chinmay, peu d'humains auront étudié même près d'un million de jeux. Mais concevoir ce "moteur statistique" est le grand défi ici. Que chercherait-il?
Je préconisais une approche "muette". Si un nombre de jeux statistiquement significatif (après pondération) a fait ce mouvement, vous faites le déménagement aussi.
@Chinmay: Peut-être commencer par analyser ces 4,5 millions de jeux, et voir combien de positions distinctes il y a d'entre elles après n mouvements, pour N = 1 (c'est-à-dire combien d'ouverture blanche se déplace - peut-être les 20 apparaissent peut-être. Vous pourriez trouver cela très bientôt (après environ 20-30 mouvements), les ouvertures standard sont toutes jouées et il n'y a plus de telles choses comme un nombre de jeux statistiquement significatif.
En outre, votre joueur d'échecs statistiques sera probablement des ordures chez Endgames. Cela n'aura pas de matériel pour aller au-delà du point où quelqu'un démissionne, afin que les adversaires puissent pouvoir appeler son bluff et la battre d'une position "pneumatique" simplement parce que votre algorithme ne peut pas se fermer ;-)
Eh bien, pour les mGames, vous pouvez tromper et utiliser des tablebases;)
Je aime l'idée, mais l'analogie [avec la traduction de texte] semble tomber à court quand on sait que le contexte d'une phrase en langage naturel nécessite beaucoup moins d'éléments que le contexte d'une position échiquier (même si les éléments de ces phrases, à savoir, les mots peuvent provenir d'un plus grand ensemble que les éléments d'un jeu d'échecs, à savoir les pièces de jeu, chevalier, pion, etc.) En conséquence, et à l'exception possible du ouverture partie des jeux (lorsque les positions du conseil d'administration n'a pas eu beaucoup l'occasion de diverger par rapport aux autres jeux), le nombre de jeux d'échecs nécessaire d'introduire une signification statistique devrait être astronomique ...
run Je dois, mais je serai de retour avec des estimations précises sur le nombre de jeux d'échecs possibles (dans l'absolu, et dans le sous-ensemble de plausible jeux), et devrait prouver effectivement que 4,5 millions jeux est un échantillon relativement faible.
En outre, la disponibilité de corpus multi-langues (documents de natures diverses, en différentes langues) dépasse largement le nombre de jeux d'échecs que l'on peut trouver sous forme numérique , en notamment lorsque l'on considère que pour l'analyse d'échecs a besoin d'un jeu dans lequel tout, à des fins de traduction, on peut utiliser chaque phrase indépendamment du reste du texte.
J'ai vu des estimations selon lesquelles la complexité de l'arbre de jeu est de ~ 10 ^ 50 compte tenu de la cinquante règle de déplacement. Alors oui, 4,5 millions de jeux sont une baisse de l'océan. Cependant, un grand nombre de ces mouvements ne seront presque jamais joués car ils sont vraiment horriblement terriblement affreux, le type de mouvements des joueurs humains ne considère même pas. Bien sûr, même si le nombre de mouvements "non terribles" n'est que de 10% du nombre total de mouvements, vous vous retrouvez toujours avec ~ 10 ^ 49 mouvements qui n'aident pas: D
Il y a environ 10 123 arbres de jeu en échecs sur lesquels vous avez environ 4,5 × 10 6 dans cette base de données. Nous pouvons ignorer les arbres de jeu et seulement considérer la complexité de l'espace d'état dont il y a lieu entre 10 43 et 10 50 États juridiques. Supposons que tous les jeux de cette base de données ont des mouvements uniques et qu'il y a 1000 mouvements en moyenne par jeu, ce qui nous donne 4,5 × 10 9 . Prendre la limite inférieure estimée 10 43 d'états possibles, qui ne couvre que 4,5 × 10 -34 de tous les états. Je ne sais pas quel est le nombre total de positions du conseil uniques qui excluent des rotations ou des réflexions, mais cela ne le permettra que d'un facteur de deux environ, ce qui n'est pas très utile.
Vous auriez besoin d'ajouter plus de connaissances sur le domaine dans le moteur statistique et de déterminer le niveau de similitude entre deux positions de la carte données, car il existe une chance de 1 sur 10 35 que vous ne trouverez pas de correspondance. position du conseil (y compris les réflexions et les rotations). Je pense que la plus grande clé ici consisterait à déterminer comment la façon dont deux postes de conseil donnés sont similaires. Cela intégrera beaucoup plus de connaissances sur le domaine que de simples transformations simples.
C'est néanmoins une bonne idée qui vaut la peine d'explorer davantage, même si je soupçonne qu'il a été essayé auparavant, compte tenu de la complexité des échecs et de l'intérêt autour de celui-ci.
"Il y a une chance de 1 sur 10 ^ 35 que vous ne trouverez pas une position de conseil assortie (y compris des réflexions et des rotations)". Pas vraiment. Les positions d'échecs ne sont pas atteintes au hasard, que ce soit dans le jeu dans la base de données ou dans un jeu particulier joué par l'ordinateur.
@Steve, dis-tu que les chances sont plus élevées ou plus basses? L'arbre de jeu ne se déroule pas toujours selon les jeux stockés dans la base de données. Il agira de manière exponentielle avec chaque déplacement de l'adversaire qui ne coïncide pas avec quelque chose déjà dans la base de données. 1/10 ^ 35 est une approximation et la valeur réelle n'est pas très éloignée.
Ce n'est pas vraiment une question de probabilité. Cela dépend de la manière dont l'adversaire joue, et nous ne pouvons pas traiter cela comme une variable aléatoire avec la distribution connue. Lorsque de bonnes joueurs d'échecs jouent des machines, elles jouent délibérément vers des positions sur lesquelles ils pensent que la machine sera faible. Donc, dans ce cas, la probabilité serait bientôt beaucoup plus faible. Inversement, aussi longtemps que l'adversaire suit une ouverture standard, la probabilité d'un coup dans la base de données est de 1 pour quelques mouvements.
@Steve, la probabilité a tout à voir avec cela lorsque vous écrivez un moteur statistique. Je suis plus intéressé à trouver une limite supérieure pour le moment où le jeu suit au-delà d'un petit nombre de mouvements, et il peut agir vraiment rapidement. Oui, il y a 20 façons que le premier mouvement puisse être joué, mais 69352859712417 Les 10e déplacement peuvent être joués. Mais vous avez raison, lorsque vous avez respectivement 20/400/8902 des mouvements possibles pour les trois premiers plis, la probabilité de frapper l'une de la base de données est assez élevée, mais réduit de manière exponentielle à chaque mouvement.
Je pense que nous comprenons différentes choses par le mot "probabilité". La probabilité d'un jeu étant dans une position dans la base de données n'est pas égale au nombre de postes dans la base de données, divisé par le nombre de postes qu'un jeu peut prendre. C'est une fonction de la stratégie du joueur adverse. Comme nous n'avons rien dit sur le joueur, nous n'avons donc littéralement aucune idée des probabilités. Si le joueur est une autre copie de notre machine, par exemple, la probabilité de la position étant dans la DB est de 1, car c'est la seule façon de jouer.
... Si le joueur adverse joue toujours des ouvertures standard pour les premiers mouvements, la probabilité de quitter la DB n'augmente pas «exponentiellement», elle reste à 1 jusqu'à ce que quelqu'un détourne de l'ouverture standard. Pour les meilleurs joueurs, la probabilité qu'ils feront un mouvement nouveau tôt est assez faible, du moins dans des jeux importants. À moins que, bien sûr, c'est leur tactique pour battre la machine, auquel cas il est très élevé. Pour aucune raison autre que la pure-fluide, il sera égal à la proportion de positions possibles dans la DB.
Donc, afin de calculer les probabilités que vous voulez, je pense que la chose la plus proche de "corriger" est de regarder les jeux de la base de données et de les casser pour localiser dans chacun des postes romanes (le cas échéant) par rapport à la DB à l'époque où le jeu a été joué. Cela vous donnera une estimation de probabilité basée sur la fréquence, en supposant que les jeux que votre machine joue une apparition au sens «typique». Ce qu'ils ne seront pas, bien sûr, si l'adversaire le sait ou devine qu'ils jouent une machine.
@Steve, supposons un jeu de société hypothétique avec des numéros tons. Le jeu a 10 états possibles. Il y a une base de données qui ne contient que 2 de ces 10 états. Compte tenu d'une position de la carte aléatoire, quelle est la probabilité que la base de données contienne cette position de la carte? Si ce n'est pas 2/10 ou 0,2, oui, nos définitions de "probabilité" diffèrent.
"Compte tenu d'une position de planche aléatoire" - aléatoire avec quelle distribution? Votre définition de "probabilité" semble être "une position de la carte sélectionnée au hasard avec une distribution uniforme". En stud poker, la distribution des cartes est uniforme. Dans les échecs, la distribution des morceaux sur la planche n'est pas, et la distribution des postes de conseil dans les jeux n'est pas non plus. Ainsi, où nous partons la société, c'est que je ne pense pas que «une position de conseil choisie parmi toutes les positions de conseil possibles avec une distribution uniforme» est un modèle raisonnable de quelles positions que vous verrez dans un jeu d'échecs.
@Steve, vous êtes absolument juste en ce que la position de la carte sélectionnée au hasard à partir d'un jeu ne dispose pas de la distribution uniforme. Mais il y a des facteurs infinis que vous pouvez jeter au moment où vous proposez la distribution comme combien de caféine l'adversaire avait l'adversaire pré-match. L'adversaire jouera-t-il différemment s'il s'agissait d'un championnat du monde par rapport à un jeu occasionnel avec des amis. Ou peut-être que l'adversaire est énervé au temps pluvieux affectant son jugement. Il existe un nombre infini de facteurs que vous pouvez prendre en compte à venir avec ce modèle.
Et une chose que vous pouvez être assurée est que ce modèle ne sera pas le modèle unique. Demandez à dix personnes de le modeler aussi précisément que possible et vous obtiendrez dix résultats différents. C'est la raison pour laquelle j'ai choisi une simple distribution uniforme pour connaître la probabilité dans le pire des cas - lorsque les pièces de manuels sont affichées et que le conseil est grand ouvert et qu'il n'y a aucune aide de cette connaissance stockée dans la base de données. Mais si vous avez envie de modéliser cette distribution en détail et que vous souhaitez lancer autant de facteurs que vous le souhaitez, alors soyez mon invité.
Quelque chose comme ça est déjà fait: c'est le concept sous-jacent de Livres d'ouverture .
En raison de la nature du jeu, l'ordinateur AIS est notoirement mauvais au début, lorsqu'il y a tellement de possibilités et que l'objectif final est encore loin. Il commence à s'améliorer vers le milieu, lorsque les possibilités tactiques commencent à se former et peuvent jouer parfaitement au jeu final dépassant de loin la capacité de la plupart des humains.
Pour aider l'AI à faire de bonnes bouges au début, de nombreux moteurs reposent sur des livres d'ouverture à la place: un organigramme dérivé statistiquement des mouvements, fondamentalement. De nombreux jeux entre joueurs hautement notés ont été analysés et des recommandations sont codées sur le plan dur dans "le livre", et tandis que les positions sont toujours dans "le livre", l'IA ne "pense pas" et suivez simplement ce que "le livre "dit.
Certaines personnes peuvent également mémoriser des livres d'ouverture (c'est principalement pourquoi Fischer a inventé son échecs aléatoires variante , afin que la mémorisation des ouvertures devienne beaucoup moins efficace). En partie à cause de cela, parfois un mouvement non conventionnel est fait au début, non pas parce que c'est statistiquement le meilleur mouvement selon l'histoire, mais précisément le contraire: ce n'est pas une position "connue" et peut prendre votre adversaire (humain ou ordinateur) ". hors du livre ".
sur l'extrémité opposée du spectre, il y a quelque chose appelé endgame tablebase , qui est essentiellement une base de données de postes d'endgame analysés précédemment. Étant donné que les positions étaient précédemment recherchées de manière exhaustive, on peut l'utiliser pour activer la pièce parfaite: étant donné n'importe quelle position, on peut décider immédiatement si elle gagne, perdante ou dessine, et quel est le meilleur moyen d'obtenir / éviter le résultat.
Dans les échecs, quelque chose comme celui-ci n'est que faisable pour l'ouverture et l'engagement de fin, cependant. La complexité du milieu est ce qui rend le jeu intéressant. Si on peut jouer aux échecs simplement en regardant une table, le jeu ne serait pas aussi excitant, intéressant et profond tel qu'il est.
Livre d'ouverture de Rybka (c'est à vendre!): Rybkachess.com/index.php? Auswahl = Rybka + 3 + livre
L'ouvrage ouvrier et la base de données endgame ne sont pas vraiment statistiques. Je pense qu'un filet neural (tout type de logiciel d'apprentissage) se rapproche de plus près.
@HENK: Les tabères de finGame ne sont clairement pas, mais la création du livre d'ouverture lui-même est souvent basée sur des statistiques, non? Bien sûr, une fois le livre effectué, l'ordinateur le suit aveuglément.
Les ouvrages d'ouverture sont le résultat de l'analyse par des experts. Vous pouvez appeler l'apprentissage humain un processus statistique, mais cela l'étire un peu.
@polygenelubriffants: pour moi, le vraiment la chose fascinante sur les échecs est que c'est un jeu d'informations parfaites avec des règles strictement définies (bien, surtout;) et à la fin, il n'y a que trois résultats possibles en supposant une pièce optimale. des deux côtés: a) blanc gagne toujours, b) noir gagne toujours et c) ni blanc ni blanc (les experts appuyent vers a) BTW). Et ce qui est vraiment fascinant: nous jamais savez, il n'y a pas assez d'atome dans l'univers pour que nous "résolvez" les échecs :) Le jeu est prouvable (et il a été prouvé) mais Nous ne pouvons tout simplement pas résoudre :)
@WizardOfodds: Si vous voulez simplement aller par des numéros bruts et d'autres mesures objectives, Go est considérablement plus fascinante que les échecs. Je n'ai jamais appris à jouer, mais pour l'instant, je préfère beaucoup les échecs simplement parce que j'aime avoir tous les types de pièces à jouer. Cela lui donne plus de personnalité et de style de jeu dans un sens ("Sac The Queen!", "Évigués jumeaux!", Etc.). Les pierres de Go sont homogènes, qui dépendent de la façon dont vous le voyez peut être élégante ou simplement ennuyeuse.
@ Syntaxt3rrr0r: Avez-vous une référence pour Le jeu est solvable (et il a été prouvé) mais nous ne pouvons tout simplement pas résoudre celui-ci ?
@sehe: Les mots-clés que vous recherchez sont les suivants: "Jeu à somme zéro à base de virage à deux personnes avec des informations parfaites" . Les échecs sont vraiment comme Tic-Tac-Toe, juste avec un nombre beaucoup plus important de mouvements. Et tout comme il y a une stratégie optimale pour TIC-TAC-TOE, il y en a un pour les échecs. Mais l'explosion combinatoire est si grosse que nous ne pouvons pas la calculer. La chose seulement chose qui importe est ceci: au début du jeu est blanc, est blanc dans une position gagnante? sinon, est noir dans une position gagnante? < / I> si ni, alors ni blanc ni noir gagne.
@sehe: BTW Résolution pour un jeu de somme zéro à bas basé sur deux personnes amusante avec des informations parfaites est une chose très amusante à faire. Ce sont des algorithmes récursifs typiquement très élégants. TopCoder Utilisé pour avoir une concurrence algorithmique où vous aviez 75 minutes pour résoudre trois problèmes, l'un d'entre eux résolvant parfois un tel jeu. Des moments de plaisir. Mais, Yup, les échecs sont résolvables (peu importe les règles, bien qu'il puisse y avoir une solution différente selon les règles), tout simplement résolu.
@sehe: En ce qui concerne une référence, l'entrée Wikipedia est en fait assez bonne: en.wikipedia.org/wiki/ Solving_chess une fois de plus que les échecs sont solvables ne sont pas à la hauteur du débat. Cependant, il y a quelques différends quant à si un jour, nous pourrons construire un ordinateur assez rapide pour le résoudre ou non: Certaines personnes prétendent que l'explosion combinatoire est trop grosse pour être résolue dans notre univers, d'autres pensent un jour il sera faisable , vers l'année 2250 ou plus.
Cette stratégie générale a été jugée pour une variété de jeux. Très souvent, les gens génèrent une base de données de jeux de manière appropriée en ayant la lecture de l'ordinateur. Une recherche Internet rapide tourne http: // www.cs.princiton.edu/courses/archive/archived/fall06/cos402/papers/chess-rl.pdf - qui s'appuie sur le travail précédent dans le backgammon. En échecs, la force brute de la force est très efficace pour les ordinateurs, cependant, et dans les statistiques générales est beaucoup plus efficace lorsque vous pouvez vous mélanger dans toutes les informations connues précédemment sur le problème, plutôt que d'essayer de le renseigner à partir des données. . Je note que dans ce lien, l'ordinateur a appris ce qui équivaut à la fonction d'évaluation au bas de la recherche, pas tout le processus.
@mcdowella: drôle vous mentionnez que, j'ai commenté à l'OP qu'il pouvait prendre les meilleurs programmes d'échecs et les faire jouer eux-mêmes pour générer des jeux, ne savait pas que c'était réellement utilisé pour d'autres jeux :)
Il y a quelque chose de similaire qui fonctionne très bien dans Computer Go - the méthode UCT . Il n'utilise pas un ensemble de jeux connu mais joue plutôt un grand nombre de jeux aléatoires tout en conservant les statistiques qui mènent à des ratios plus élevés de victoires. Cela commence donc à partir de la position actuelle.
Les statistiques sont conservées dans un arbre de mouvements (similaire à celui utilisé dans Minimax) et influencer le choix du prochain jeu aléatoire à jouer - les mouvements avec des ratios de gain plus élevés sont choisis plus souvent. La croissance de l'arbre est également guidée par les jeux - généralement chaque jeu ajoute une feuille à l'arbre. Cela conduit aux chemins prometteurs explorés plus profondément.
menthmay,
Je sais que c'est un vieux fil, mais c'est un sujet que j'ai exploré ces derniers temps. La plupart des personnes qui ont répondu ci-dessus n'avaient pas vraiment votre question. Je pense que, oui, cela vaut la peine d'analyser de nombreux jeux dans le passé pour développer des mouvements suggérés. Cela couvrira-t-il tous les mouvements possibles? Non, évidemment pas. Mais cela couvre tous les mouvements réalistes des vrais jeux. Un humain (ou un autre algorithme informatique) devrait commencer à jouer de très étrange mouvements pour jeter les choses. Donc, vous ne pouvez pas construire un algorithme «parfait» qui gagne tout le temps, mais s'il gagne beaucoup, dites une note de foi> 2200, ce n'est pas mauvais? Et si vous incorporez des ouvertures et des stagles, non seulement sur l'analyse passée de déplacement, cela en fait un moteur encore meilleur.
Il y a un nombre astronomiquement élevé de positions de la carte possibles, mais elle est finie, et si vous retirez les positions stupides, cela réduit le nombre un peu. Est-il possible d'avoir 4, 5 ou 6 de pions de joueurs alignés dans le même dossier? Oui, cela se produira-t-il dans un vrai jeu? J'en doute. Incluez un cerveau d'échecs de base dans votre logique pour des situations où l'adversaire va "hors livre". micro max n'est que quelques centaines de lignes de code par exemple. Si l'adversaire a joué stupide pour contrecarrer vos mouvements, ils sont probablement battables par un simple moteur.
Je dirais oui, ça pourrait marcher. Personne n'a vraiment essayé avec succès avec succès, mais pourquoi ne pas rechercher des "modèles" en utilisant une approche statistique. Je n'envisage pas de stocker tout le conseil car il y a de nombreuses positions du conseil d'administration à stocker, mais simplement à la recherche de schémas spécifiques.
Un programme d'échecs typiques évalue et donne des bonus pour des schémas reconnus tels que le bon pion en défense ou une ligne de tour ouverte et sur les autres pénalités de la main pour des pions doublés.
Ces modèles pourraient être programmés efficacement dans des masques 64 bits. Vous auriez des masques de bits pour des positions qui mentent et des masques à bits pour des pièces attendues dans ces positions. Chaque modèle prend du temps pour correspondre, il serait donc important de trouver celles qui font la différence. C'est là que l'approche statistique de Google serait utilisée. Cela pourrait courir par des jeux "historiques" et rechercher des modèles. Après avoir trouvé un motif, il faudrait calculer un poids au motif et voir si l'évaluation améliorée l'emporte sur les frais généraux.
Je pense que ce serait un projet assez énorme d'essayer, même trop pour une thèse de doctorat.
L'apprentissage de la machine a apporté de grosses progressions récemment, surtout après l'a battu le champion Go Google à l'aide de ML. Il a également été démontré avec des échecs. Jetez un coup d'œil à l'article dans la révision de la technologie MIT, https://www.technologyreview.com/s/541276/deep-learning-machine-deaches-self-chess-in-72-hours-play-at-International -master /
L'apprentissage profond de ML est une amélioration de l'ancien réseau neuronal AI AI AI AI AI. La démonstration de Lai n'a pas enseigné à la machine les règles de base des échecs ou se soucient du résultat des Jeux. Il vient de nourrir la machine avec une grande base de données de jeux et la machine a compris le reste et joué à un niveau "humain" raisonnable.
Je suppose que deux grandes améliorations seraient de la rendre plus efficace en leur enseignant les règles, puis de le guider en l'alimentant avec les résultats réels des Jeux. Puis, après ce train, aller avec les champions d'échecs actuels, moteurs comme Stockfish! : -)
Algorithme d'apprentissage profond similaire au programme GO qui a vaincu le maître joueur humain pourrait être tueur. Cela nécessiterait un coût élevé cependant. Cependant, on pourrait utiliser les schémas d'apprentissage approfondis d'aller et appliquer aux échecs.
Une chose que je n'ai pas vue mentionnée est une considération pour les évaluations des joueurs dans les jeux de votre base de données. Certaines ouvertures avec de bons pourcentages de DB résultent du meilleur joueur tendant à gagner et à dire peu de la valeur de l'ouverture.
En fait, j'ai décidé que des bases de données soient bonnes pour une seule chose et que cela indique ce que les mouvements sont populaires. Au-delà de cela, vous étirez vraiment votre interprétation des données au-delà de ce qu'elle mérite.
De même, l'analyse informatique indique uniquement le meilleur résultat pour les jeux informatiques de l'ordinateur VS. Les jeux entre humains sont différents et vous ne devriez pas dépendre trop sur l'analyse informatique.
La base de données et l'analyse informatique est intéressante mais ils peuvent facilement être mal interprétés. Être-ware.
@Chinmay Kanchi: Vous avez répondu à votre propre question dans l'un de vos propres commentaires ... Cela ne fonctionne pas à cause de l'explosion combinatoire. Heck, pour avoir une base de données de jeux d'échecs, vous pouvez faire les meilleurs programmes de poker se battre et créer des milliards de jeux. Ce serait toujours une chute du seau. Alors comment allez-vous les analyser? En temps réel? Ou comment voudriez-vous stocker le mouvement à l'avance pour chaque planche possible? Où? Soyez-lui un processeur ou une mémoire, il n'ya pas assez d'atomes dans l'univers pour que votre approche soit réalisable. Explosion combinatoire.
Google Translate est utile pour une traduction rapide et sale d'une langue que vous ne connaissez pas, mais ses traductions sont souvent peu grammaticales. Selon les langues spécifiques qu'elle soutient.
Maintenant, avec Google Zero Zero, je dirais qu'ils ont déjà une étape supplémentaire, créant ainsi le matériel statistique en jouant contre lui-même. Et devinez quoi, grâce à Alpha Zero, l'ouverture préférée est maintenant l'ouverture anglaise - C4.