國際象棋技巧走位

　　特級大師裡哈爾特·吉哈曼的至理名言： “在棋局中有90%是戰術。” 下面小編給你介紹，歡迎閱讀。

　　

　　用最簡潔實用的步驟、最有效的手段贏得勝利，而不是把時間花在謀取子力優勢上。

　　一個嚴重的戰術錯誤、失算或一次意想不到的疏忽能夠很快的導致敗局。相反，一次成功的戰術戰役能夠立刻決定對局的命運。

　　戰略：做什麼;戰術：怎麼做。

　　棋子和兵相反方向運動形成了三種類型的接觸。首先是限制，其二是進攻的威脅，其三是進攻的本身。

　　應對對方棋子威脅採取的防禦方法

　　1.逃避***有消極應對的防禦，也可以積極地攻擊對方其他棋子******因素：位置，本身的能力***。

　　2.不動，用其他棋子防守它***防守的棋子易被牽制，它的活動性和攻擊能力將受到限制***。

　　3.掩護***隔斷******遇馬不能***。

　　4.反攻其他棋子***威脅的是王則不能***。

　　5.吃掉進攻的棋子。

　　應用牽制的戰術能使被牽制的棋子失去活動性和積極性，還能抵消對方顯著地物質優勢。如果被牽制的棋子掩護了自己的王，它完全地喪失了自己的戰鬥力。

　　向對方棋子的簡單攻擊往往收效不大，為了達到有效地攻擊，被攻擊的棋子應當沒有支援，而且不能避開進攻的棋子。進攻者對對方發動第一次進攻，對方找到了可靠地防禦就算擊退第一次進攻，但是戰鬥遠遠沒有結束，如果進攻者還有佔據積極位置的後備力量，那麼他完成可以發動第二次進攻。***在第一次進攻被吸引到戰鬥中的防禦棋子本身有可能成為攻擊的目標***

　　聯合攻擊：由一些棋子同時實施的，他們之中一個棋子進攻對方的棋子，而另外的棋子阻礙對方的脫逃和防禦***類似的有這個棋子的退路被自己的棋子和兵所切斷***。要注意L不僅要集中自己棋子的力量，而且也要善於利用對方棋子的受限制。

　　雙重攻擊是進攻或防禦中極為有效的和萬能的戰術手段。

　　雙重打擊是由攻擊棋子和叫殺威脅兩部分組成。預見雙重攻擊額及其可能發生的情況逐步地建立它的威脅是一項高階的藝術，他們是戰術組合中的重要組成部分。***雙重打擊的發生經常與棄子聯絡在一起******如C2、C7格馬的進攻，攻擊車同時也威脅叫殺王***

　　對於雙重打擊的有力防禦是針鋒相對的雙重打擊，如果被攻擊的棋子有一個能夠找到出路，躲開攻擊並能同時給對方形成某種有力的威脅，那麼雙重打擊就會變得無效。

　　在將殺的過程中，除了應當集中自己棋子的配合作用之外，重要的是要善於利用對方的一切條件。***如王車移位形成的保護王的堡壘，也是將王封閉起來的監獄***

　　電腦學習72小時打敗國際象棋大師

　　距離IBM的深藍超級計算機擊敗國際象棋世界冠軍加里·卡斯帕羅夫***Gary Kasparov***，已經快過去20年了。從那以後，會下國際象棋的計算機又有了顯著增強，人類能夠戰勝計算機的可能性也越來越小。不過，雖然計算機已經變得越來越快，但國際象棋引擎的工作原理並沒有改變。計算機嚴重依靠“暴力破解”，通過尋找一切可能的移動方式，走出最好的一步棋。

　　Gary Kasparov VS 深藍

　　當然，在這方面沒有人能夠與計算機匹敵，甚至是望其項背。深藍計算機可以每秒思考2億步，而卡斯帕羅夫很可能每秒不超過五步。然而，他僅僅是在決勝局輸給了深藍，基本上兩者是在相同的水平上競技。因此，很顯然人類有一些技巧還沒有被計算機所掌握。

　　神經網路

　　人類所擁有的技巧，主要是判斷國際象棋的擺放位置，縮小最有效走位的搜尋範圍，這具有重要意義。如果計算機也學會了它，將大大簡化計算任務，並從計算所有的可能性，變成計算最高效的幾種。

　　計算機此前從不擅長這一技巧，但如今在倫敦帝國學院的Matthew Lai的研究下，情況會發生改變。Matthew Lai開發了一個名為Giraffe的人工智慧機器，它可以通過自學來判斷下步棋該怎麼走，這種方式更像人類，和傳統的國際象棋引擎完全不同。

　　新型人工智慧能與最優秀的傳統國際象棋引擎達到相同的水平。如果按照人類水平來評估，也就相當於FIDE***世界國際象棋聯合會***所評定的國際大師。

　　這一人工智慧背後的技術就是神經網路，它是受人類大腦構造所啟發，並用於計算機處理資訊的一種方式，由多個節點層級所組成，系統會隨著人類對其不斷地訓練而提升。

　　在過去的幾年中，由於兩個技術的進展，神經網路已經變得非常強大了。第一個是更好地瞭解了當它們進行學習時，如何微調神經網路，這要部分歸功於更快的計算機;第二個是能夠利用大量的註釋資料集，來訓練神經網路。因此，深度神經網路能發現國際象棋的規律也就不足為奇了，而這正是Matthew Lai所採取的方法。

　　的神經網路由四個層級組成，能夠以三種不同方式共同思考棋盤上每一個位置。第一種著眼於國際象棋的全域性狀態，例如每邊棋子的數量和型別，輪到哪一方移動，位置對換等;第二著眼於棋子的特性，例如雙方每個棋子的位置;最後就是映射出每個棋子的攻擊和防守。

　　計算機自學下棋

　　訓練這些機器通常採用的方法，是研?a href='//' target='_blank'>咳嗽筆侄?攔爛懇桓鑫恢茫?⒂謎廡┬畔⒅傅薊?魘侗鴣瞿男┎絞?怯行У模?男┬Ч?荒敲春謾５?牽琈atthew Lai的目標更加雄心勃勃，他想讓機器自學這些內容。

　　他採用了一個引導技術，讓人工智慧Giraffe自己與自己對決，從而改善對未來下棋走位的預測。在比賽勝利、失敗或打平之後，會最終確定每一步的價值。以這種方式，計算機可以瞭解走哪個位置是有效的，哪些位置效果不好。

　　在Giraffe經過培訓之後，最後一步就是測試它的能力是否達標了。他用一個標準資料庫Strategic Test Suite來測試，這一資料庫可以測試改計算引擎識別不同的戰略構想的能力。他將對這項測試的結果進行評分，總分為15000。

　　整個訓練過程中，他會測試機器的各個階段成績。當引導過程開始時，Giraffe很快就達到了6000分的成績，僅在72小時就達到了9700分。9700分已經可以成為世界上最好的國際象棋引擎了。

　　Matthew Lai接著使用相同種類的機器學習方法，確定對方一個特定的移動是否值得機器進行跟隨。這一點很重要，因為它可以防止不必要的搜尋，極大提高計算效率。

　　結果表明，46%的情況下計算機所走的步數都是最好的一步，70%的時間都能走出排在前三名的好棋。因此，計算機並沒有收到對方的動作的影響。

　　這一方法代表著國際象棋引擎的工作方式發生了重大變革，不過它並不完美。Giraffe的一個缺點是，神經網路比其他型別的資料處理速度慢得多。Giraffe花費的時間比以往的國際象棋引擎要多耗費約10倍。

　　但即使有此缺點，它仍然具有相當大的競爭力。相比現在的國際象棋引擎，Giraffe不僅僅能計算出棋局未來的走勢，還能夠準確地判斷出最棘手的位置，並像人類一樣直觀地瞭解複雜的走位概念，這是國際象棋引擎很長一段時間以來一直難以捉摸的地方。

　　當然這一切僅僅是個開始。Matthew Lai表示，這一方法應該直接應用在其他型別的棋類中，最為突出的就是中國圍棋，圍棋相比國際象棋擁有更高的難度和更多不確定的因素。